This is a live mirror of the Perl 5 development currently hosted at https://github.com/perl/perl5
e449d72f648281ab224f62f428aaf4de6efeafb9
[perl5.git] / utf8.h
1 /*    utf8.h
2  *
3  * This file contains definitions for use with the UTF-8 encoding.  It
4  * actually also works with the variant UTF-8 encoding called UTF-EBCDIC, and
5  * hides almost all of the differences between these from the caller.  In other
6  * words, someone should #include this file, and if the code is being compiled
7  * on an EBCDIC platform, things should mostly just work.
8  *
9  *    Copyright (C) 2000, 2001, 2002, 2005, 2006, 2007, 2009,
10  *    2010, 2011 by Larry Wall and others
11  *
12  *    You may distribute under the terms of either the GNU General Public
13  *    License or the Artistic License, as specified in the README file.
14  *
15  */
16
17 #ifndef PERL_UTF8_H_      /* Guard against recursive inclusion */
18 #define PERL_UTF8_H_ 1
19
20 /* Use UTF-8 as the default script encoding?
21  * Turning this on will break scripts having non-UTF-8 binary
22  * data (such as Latin-1) in string literals. */
23 #ifdef USE_UTF8_SCRIPTS
24 #    define USE_UTF8_IN_NAMES (!IN_BYTES)
25 #else
26 #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
27 #endif
28
29 #include "regcharclass.h"
30 #include "unicode_constants.h"
31
32 /* For to_utf8_fold_flags, q.v. */
33 #define FOLD_FLAGS_LOCALE       0x1
34 #define FOLD_FLAGS_FULL         0x2
35 #define FOLD_FLAGS_NOMIX_ASCII  0x4
36
37 /*
38 =head1 Unicode Support
39 L<perlguts/Unicode Support> has an introduction to this API.
40
41 See also L</Character classification>,
42 and L</Character case changing>.
43 Various functions outside this section also work specially with Unicode.
44 Search for the string "utf8" in this document.
45
46 =for apidoc is_ascii_string
47
48 This is a misleadingly-named synonym for L</is_utf8_invariant_string>.
49 On ASCII-ish platforms, the name isn't misleading: the ASCII-range characters
50 are exactly the UTF-8 invariants.  But EBCDIC machines have more invariants
51 than just the ASCII characters, so C<is_utf8_invariant_string> is preferred.
52
53 =for apidoc is_invariant_string
54
55 This is a somewhat misleadingly-named synonym for L</is_utf8_invariant_string>.
56 C<is_utf8_invariant_string> is preferred, as it indicates under what conditions
57 the string is invariant.
58
59 =cut
60 */
61 #define is_ascii_string(s, len)     is_utf8_invariant_string(s, len)
62 #define is_invariant_string(s, len) is_utf8_invariant_string(s, len)
63
64 #define uvoffuni_to_utf8_flags(d,uv,flags)                                     \
65                                uvoffuni_to_utf8_flags_msgs(d, uv, flags, 0)
66 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
67 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
68                                     uvchr_to_utf8_flags_msgs(d,uv,flags, 0)
69 #define uvchr_to_utf8_flags_msgs(d,uv,flags,msgs)                              \
70                 uvoffuni_to_utf8_flags_msgs(d,NATIVE_TO_UNI(uv),flags, msgs)
71 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
72             utf8_to_uvchr_buf_helper((const U8 *) (s), (const U8 *) e, lenp)
73 #define utf8n_to_uvchr(s, len, lenp, flags)                                    \
74                                 utf8n_to_uvchr_error(s, len, lenp, flags, 0)
75 #define utf8n_to_uvchr_error(s, len, lenp, flags, errors)                      \
76                         utf8n_to_uvchr_msgs(s, len, lenp, flags, errors, 0)
77
78 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
79
80 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
81                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
82 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
83 #define FOLDEQ_LOCALE             (1 << 1)
84 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
85 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
86 #define FOLDEQ_S1_FOLDS_SANE      (1 << 4)
87 #define FOLDEQ_S2_FOLDS_SANE      (1 << 5)
88
89 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
90                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
91
92 #ifdef EBCDIC
93 /* The equivalent of these macros but implementing UTF-EBCDIC
94    are in the following header file:
95  */
96
97 #include "utfebcdic.h"
98
99 #else   /* ! EBCDIC */
100 START_EXTERN_C
101
102 /*
103
104 =for apidoc AmnU|STRLEN|UTF8_MAXBYTES
105
106 The maximum width of a single UTF-8 encoded character, in bytes.
107
108 NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
109 is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
110 expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
111 non-negative integers in a binary format, even those above Unicode.
112
113 =cut
114  */
115 #define UTF8_MAXBYTES 13
116
117 #ifdef DOINIT
118 EXTCONST unsigned char PL_utf8skip[] = {
119 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
120 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
121 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
122 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
123 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
124 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
125 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
126 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
127 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
128 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
129 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
130 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
131 /* 0xC0 */ 2,2,                             /* overlong */
132 /* 0xC2 */     2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0080 to U+03FF */
133 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
134 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
135 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
136            /* Perl extended (never was official UTF-8).  Up to 36 bit */
137 /* 0xFE */                             7,
138            /* More extended, Up to 72 bits (64-bit + reserved) */
139 /* 0xFF */                               UTF8_MAXBYTES
140 };
141 #else
142 EXTCONST unsigned char PL_utf8skip[];
143 #endif
144
145 END_EXTERN_C
146
147 /*
148
149 =for apidoc Am|U8|NATIVE_TO_LATIN1|U8 ch
150
151 Returns the Latin-1 (including ASCII and control characters) equivalent of the
152 input native code point given by C<ch>.  Thus, C<NATIVE_TO_LATIN1(193)> on
153 EBCDIC platforms returns 65.  These each represent the character C<"A"> on
154 their respective platforms.  On ASCII platforms no conversion is needed, so
155 this macro expands to just its input, adding no time nor space requirements to
156 the implementation.
157
158 For conversion of code points potentially larger than will fit in a character,
159 use L</NATIVE_TO_UNI>.
160
161 =for apidoc Am|U8|LATIN1_TO_NATIVE|U8 ch
162
163 Returns the native  equivalent of the input Latin-1 code point (including ASCII
164 and control characters) given by C<ch>.  Thus, C<LATIN1_TO_NATIVE(66)> on
165 EBCDIC platforms returns 194.  These each represent the character C<"B"> on
166 their respective platforms.  On ASCII platforms no conversion is needed, so
167 this macro expands to just its input, adding no time nor space requirements to
168 the implementation.
169
170 For conversion of code points potentially larger than will fit in a character,
171 use L</UNI_TO_NATIVE>.
172
173 =for apidoc Am|UV|NATIVE_TO_UNI|UV ch
174
175 Returns the Unicode  equivalent of the input native code point given by C<ch>.
176 Thus, C<NATIVE_TO_UNI(195)> on EBCDIC platforms returns 67.  These each
177 represent the character C<"C"> on their respective platforms.  On ASCII
178 platforms no conversion is needed, so this macro expands to just its input,
179 adding no time nor space requirements to the implementation.
180
181 =for apidoc Am|UV|UNI_TO_NATIVE|UV ch
182
183 Returns the native  equivalent of the input Unicode code point  given by C<ch>.
184 Thus, C<UNI_TO_NATIVE(68)> on EBCDIC platforms returns 196.  These each
185 represent the character C<"D"> on their respective platforms.  On ASCII
186 platforms no conversion is needed, so this macro expands to just its input,
187 adding no time nor space requirements to the implementation.
188
189 =cut
190 */
191
192 #define NATIVE_TO_LATIN1(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
193 #define LATIN1_TO_NATIVE(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
194
195 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
196  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
197  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
198  * because they are 8-bit encodings that serve the same purpose in Perl, and
199  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
200  * whichever one is applicable on the current platform */
201 #define NATIVE_UTF8_TO_I8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
202 #define I8_TO_NATIVE_UTF8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) ((ch) | 0)))
203
204 #define UNI_TO_NATIVE(ch)        ((UV) ((ch) | 0))
205 #define NATIVE_TO_UNI(ch)        ((UV) ((ch) | 0))
206
207 /*
208
209  The following table is from Unicode 3.2, plus the Perl extensions for above
210  U+10FFFF
211
212  Code Points            1st Byte  2nd Byte  3rd    4th     5th     6th       7th   8th-13th
213
214    U+0000..U+007F       00..7F
215    U+0080..U+07FF     * C2..DF    80..BF
216    U+0800..U+0FFF       E0      * A0..BF  80..BF
217    U+1000..U+CFFF       E1..EC    80..BF  80..BF
218    U+D000..U+D7FF       ED        80..9F  80..BF
219    U+D800..U+DFFF       ED        A0..BF  80..BF  (surrogates)
220    U+E000..U+FFFF       EE..EF    80..BF  80..BF
221   U+10000..U+3FFFF      F0      * 90..BF  80..BF  80..BF
222   U+40000..U+FFFFF      F1..F3    80..BF  80..BF  80..BF
223  U+100000..U+10FFFF     F4        80..8F  80..BF  80..BF
224     Below are above-Unicode code points
225  U+110000..U+13FFFF     F4        90..BF  80..BF  80..BF
226  U+110000..U+1FFFFF     F5..F7    80..BF  80..BF  80..BF
227  U+200000..U+FFFFFF     F8      * 88..BF  80..BF  80..BF  80..BF
228 U+1000000..U+3FFFFFF    F9..FB    80..BF  80..BF  80..BF  80..BF
229 U+4000000..U+3FFFFFFF    FC     * 84..BF  80..BF  80..BF  80..BF  80..BF
230 U+40000000..U+7FFFFFFF   FD       80..BF  80..BF  80..BF  80..BF  80..BF
231 U+80000000..U+FFFFFFFFF  FE     * 82..BF  80..BF  80..BF  80..BF  80..BF    80..BF
232 U+1000000000..           FF       80..BF  80..BF  80..BF  80..BF  80..BF  * 81..BF  80..BF
233
234 Note the gaps before several of the byte entries above marked by '*'.  These are
235 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
236 possible to UTF-8-encode a single code point in different ways, but that is
237 explicitly forbidden, and the shortest possible encoding should always be used
238 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
239
240  */
241
242 /*
243  Another way to look at it, as bits:
244
245                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
246
247                         0aaa aaaa  0aaa aaaa
248               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
249               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
250  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
251
252 As you can see, the continuation bytes all begin with C<10>, and the
253 leading bits of the start byte tell how many bytes there are in the
254 encoded character.
255
256 Perl's extended UTF-8 means we can have start bytes up through FF, though any
257 beginning with FF yields a code point that is too large for 32-bit ASCII
258 platforms.  FF signals to use 13 bytes for the encoded character.  This breaks
259 the paradigm that the number of leading bits gives how many total bytes there
260 are in the character. */
261
262 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
263  * sequence contributes to the specification of the code point.  In the bit
264  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
265  * real information */
266 #define UTF_ACCUMULATION_SHIFT          6
267
268 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
269  * for more */
270 #define QUESTION_MARK_CTRL  DEL_NATIVE
271
272 /* Surrogates, non-character code points and above-Unicode code points are
273  * problematic in some contexts.  This allows code that needs to check for
274  * those to to quickly exclude the vast majority of code points it will
275  * encounter */
276 #define isUTF8_POSSIBLY_PROBLEMATIC(c) (__ASSERT_(FITS_IN_8_BITS(c))        \
277                                         (U8) c >= 0xED)
278
279 #define UNICODE_IS_PERL_EXTENDED(uv)    UNLIKELY((UV) (uv) > 0x7FFFFFFF)
280
281 #endif /* EBCDIC vs ASCII */
282
283 /* 2**UTF_ACCUMULATION_SHIFT - 1.  This masks out all but the bits that carry
284  * real information in a continuation byte.  This turns out to be 0x3F in
285  * UTF-8, 0x1F in UTF-EBCDIC. */
286 #define UTF_CONTINUATION_MASK  ((U8) ((1U << UTF_ACCUMULATION_SHIFT) - 1))
287
288 /* For use in UTF8_IS_CONTINUATION().  This turns out to be 0xC0 in UTF-8,
289  * E0 in UTF-EBCDIC */
290 #define UTF_IS_CONTINUATION_MASK    ((U8) (0xFF << UTF_ACCUMULATION_SHIFT))
291
292 /* This defines the bits that are to be in the continuation bytes of a
293  * multi-byte UTF-8 encoded character that mark it is a continuation byte.
294  * This turns out to be 0x80 in UTF-8, 0xA0 in UTF-EBCDIC.  (khw doesn't know
295  * the underlying reason that B0 works here) */
296 #define UTF_CONTINUATION_MARK       (UTF_IS_CONTINUATION_MASK & 0xB0)
297
298 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
299  * first byte thereof? */
300 #define UTF8_IS_CONTINUATION(c)     (__ASSERT_(FITS_IN_8_BITS(c))           \
301             (((NATIVE_UTF8_TO_I8(c) & UTF_IS_CONTINUATION_MASK)             \
302                                                 == UTF_CONTINUATION_MARK)))
303
304 /* Is the representation of the Unicode code point 'cp' the same regardless of
305  * being encoded in UTF-8 or not? This is a fundamental property of
306  * UTF-8,EBCDIC */
307 #define OFFUNI_IS_INVARIANT(c) (((WIDEST_UTYPE)(c)) < UTF_CONTINUATION_MARK)
308
309 /*
310 =for apidoc Am|bool|UVCHR_IS_INVARIANT|UV cp
311
312 Evaluates to 1 if the representation of code point C<cp> is the same whether or
313 not it is encoded in UTF-8; otherwise evaluates to 0.  UTF-8 invariant
314 characters can be copied as-is when converting to/from UTF-8, saving time.
315 C<cp> is Unicode if above 255; otherwise is platform-native.
316
317 =cut
318  */
319 #define UVCHR_IS_INVARIANT(cp)  (OFFUNI_IS_INVARIANT(NATIVE_TO_UNI(cp)))
320
321 /* Internal macro to be used only in this file to aid in constructing other
322  * publicly accessible macros.
323  * The number of bytes required to express this uv in UTF-8, for just those
324  * uv's requiring 2 through 6 bytes, as these are common to all platforms and
325  * word sizes.  The number of bytes needed is given by the number of leading 1
326  * bits in the start byte.  There are 32 start bytes that have 2 initial 1 bits
327  * (C0-DF); there are 16 that have 3 initial 1 bits (E0-EF); 8 that have 4
328  * initial 1 bits (F0-F8); 4 that have 5 initial 1 bits (F9-FB), and 2 that
329  * have 6 initial 1 bits (FC-FD).  The largest number a string of n bytes can
330  * represent is       (the number of possible start bytes for 'n')
331  *                  * (the number of possiblities for each start byte
332  * The latter in turn is
333  *                  2  ** (  (how many continuation bytes there are)
334  *                         * (the number of bits of information each
335  *                            continuation byte holds))
336  *
337  * If we were on a platform where we could use a fast find first set bit
338  * instruction (or count leading zeros instruction) this could be replaced by
339  * using that to find the log2 of the uv, and divide that by the number of bits
340  * of information in each continuation byte, adjusting for large cases and how
341  * much information is in a start byte for that length */
342 #define __COMMON_UNI_SKIP(uv)                                               \
343           (UV) (uv) < (32 * (1U << (    UTF_ACCUMULATION_SHIFT))) ? 2 :     \
344           (UV) (uv) < (16 * (1U << (2 * UTF_ACCUMULATION_SHIFT))) ? 3 :     \
345           (UV) (uv) < ( 8 * (1U << (3 * UTF_ACCUMULATION_SHIFT))) ? 4 :     \
346           (UV) (uv) < ( 4 * (1U << (4 * UTF_ACCUMULATION_SHIFT))) ? 5 :     \
347           (UV) (uv) < ( 2 * (1U << (5 * UTF_ACCUMULATION_SHIFT))) ? 6 :
348
349 /* Internal macro to be used only in this file.
350  * This adds to __COMMON_UNI_SKIP the details at this platform's upper range.
351  * For any-sized EBCDIC platforms, or 64-bit ASCII ones, we need one more test
352  * to see if just 7 bytes is needed, or if the maximum is needed.  For 32-bit
353  * ASCII platforms, everything is representable by 7 bytes */
354 #if defined(UV_IS_QUAD) || defined(EBCDIC)
355 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv)                       \
356      (UV) (uv) < ((UV) 1U << (6 * UTF_ACCUMULATION_SHIFT)) ? 7 : UTF8_MAXBYTES)
357 #else
358 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv) 7)
359 #endif
360
361 /* The next two macros use the base macro defined above, and add in the tests
362  * at the low-end of the range, for just 1 byte, yielding complete macros,
363  * publicly accessible. */
364
365 /* Input is a true Unicode (not-native) code point */
366 #define OFFUNISKIP(uv) (OFFUNI_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
367
368 /*
369
370 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
371 returns the number of bytes required to represent the code point C<cp> when
372 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
373 255; a Unicode code point otherwise.
374
375 =cut
376  */
377 #define UVCHR_SKIP(uv) ( UVCHR_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
378
379 #define UTF_MIN_START_BYTE                                                  \
380      ((UTF_CONTINUATION_MARK >> UTF_ACCUMULATION_SHIFT) | UTF_START_MARK(2))
381
382 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
383  * This doesn't catch invariants (they are single-byte).  It also excludes the
384  * illegal overlong sequences that begin with C0 and C1 on ASCII platforms, and
385  * C0-C4 I8 start bytes on EBCDIC ones */
386 #define UTF8_IS_START(c)    (__ASSERT_(FITS_IN_8_BITS(c))                   \
387                              (NATIVE_UTF8_TO_I8(c) >= UTF_MIN_START_BYTE))
388
389 #define UTF_MIN_ABOVE_LATIN1_BYTE                                           \
390                     ((0x100 >> UTF_ACCUMULATION_SHIFT) | UTF_START_MARK(2))
391
392 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
393  * represent a code point > 255? */
394 #define UTF8_IS_ABOVE_LATIN1(c)     (__ASSERT_(FITS_IN_8_BITS(c))           \
395                         (NATIVE_UTF8_TO_I8(c) >= UTF_MIN_ABOVE_LATIN1_BYTE))
396
397 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
398  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
399  * be well-formed. */
400 #define UTF8_IS_DOWNGRADEABLE_START(c)  (__ASSERT_(FITS_IN_8_BITS(c))       \
401                 inRANGE(NATIVE_UTF8_TO_I8(c),                               \
402                         UTF_MIN_START_BYTE, UTF_MIN_ABOVE_LATIN1_BYTE - 1))
403
404 /* The largest code point representable by two UTF-8 bytes on this platform.
405  * As explained in the comments for __COMMON_UNI_SKIP, 32 start bytes with
406  * UTF_ACCUMULATION_SHIFT bits of information each */
407 #define MAX_UTF8_TWO_BYTE (32 * (1U << UTF_ACCUMULATION_SHIFT) - 1)
408
409 /* The largest code point representable by two UTF-8 bytes on any platform that
410  * Perl runs on.  This value is constrained by EBCDIC which has 5 bits per
411  * continuation byte */
412 #define MAX_PORTABLE_UTF8_TWO_BYTE (32 * (1U << 5) - 1)
413
414 /*
415
416 =for apidoc AmnU|STRLEN|UTF8_MAXBYTES_CASE
417
418 The maximum number of UTF-8 bytes a single Unicode character can
419 uppercase/lowercase/titlecase/fold into.
420
421 =cut
422
423  * Unicode guarantees that the maximum expansion is UTF8_MAX_FOLD_CHAR_EXPAND
424  * characters, but any above-Unicode code point will fold to itself, so we only
425  * have to look at the expansion of the maximum Unicode code point.  But this
426  * number may be less than the space occupied by a very large code point under
427  * Perl's extended UTF-8.  We have to make it large enough to fit any single
428  * character.  (It turns out that ASCII and EBCDIC differ in which is larger)
429  *
430 =cut
431 */
432 #define UTF8_MAXBYTES_CASE                                                      \
433             MAX(UTF8_MAXBYTES, UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF))
434
435 /* Rest of these are attributes of Unicode and perl's internals rather than the
436  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
437  * this level; the macros that some of these call may have different
438  * definitions in the two encodings */
439
440 /* In domain restricted to ASCII, these may make more sense to the reader than
441  * the ones with Latin1 in the name */
442 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
443 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
444
445 /* More or less misleadingly-named defines, retained for back compat */
446 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
447 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
448 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
449 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
450 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
451
452 /* This defines the 1-bits that are to be in the first byte of a multi-byte
453  * UTF-8 encoded character that mark it as a start byte and give the number of
454  * bytes that comprise the character. 'len' is the number of bytes in the
455  * multi-byte sequence. */
456 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : ((U8) (0xFE << (7-(len)))))
457
458 /* Masks out the initial one bits in a start byte, leaving the real data ones.
459  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
460  * multi-byte sequence that comprises the character. */
461 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
462
463 /* Adds a UTF8 continuation byte 'new' of information to a running total code
464  * point 'old' of all the continuation bytes so far.  This is designed to be
465  * used in a loop to convert from UTF-8 to the code point represented.  Note
466  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
467  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
468  * code point in process of being generated */
469 #define UTF8_ACCUMULATE(old, new) (__ASSERT_(FITS_IN_8_BITS(new))              \
470                                    ((old) << UTF_ACCUMULATION_SHIFT)           \
471                                    | ((NATIVE_UTF8_TO_I8(new))                 \
472                                        & UTF_CONTINUATION_MASK))
473
474 /* This works in the face of malformed UTF-8. */
475 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e)                                 \
476                                        (   UTF8_IS_DOWNGRADEABLE_START(*(s))  \
477                                         && ( (e) - (s) > 1)                   \
478                                         && UTF8_IS_CONTINUATION(*((s)+1)))
479
480 /* Number of bytes a code point occupies in UTF-8. */
481 #define NATIVE_SKIP(uv) UVCHR_SKIP(uv)
482
483 /* Most code which says UNISKIP is really thinking in terms of native code
484  * points (0-255) plus all those beyond.  This is an imprecise term, but having
485  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
486  * NATIVE_SKIP, or OFFUNISKIP */
487 #define UNISKIP(uv)   UVCHR_SKIP(uv)
488
489 /* Longer, but more accurate name */
490 #define UTF8_IS_ABOVE_LATIN1_START(c)     UTF8_IS_ABOVE_LATIN1(c)
491
492 /* Convert a UTF-8 variant Latin1 character to a native code point value.
493  * Needs just one iteration of accumulate.  Should be used only if it is known
494  * that the code point is < 256, and is not UTF-8 invariant.  Use the slower
495  * but more general TWO_BYTE_UTF8_TO_NATIVE() which handles any code point
496  * representable by two bytes (which turns out to be up through
497  * MAX_PORTABLE_UTF8_TWO_BYTE).  The two parameters are:
498  *  HI: a downgradable start byte;
499  *  LO: continuation.
500  * */
501 #define EIGHT_BIT_UTF8_TO_NATIVE(HI, LO)                                        \
502     ( __ASSERT_(UTF8_IS_DOWNGRADEABLE_START(HI))                                \
503       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
504      LATIN1_TO_NATIVE(UTF8_ACCUMULATE((                                         \
505                             NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), (LO))))
506
507 /* Convert a two (not one) byte utf8 character to a native code point value.
508  * Needs just one iteration of accumulate.  Should not be used unless it is
509  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
510  * Note that the result can be larger than 255 if the input character is not
511  * downgradable */
512 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
513     (__ASSERT_(FITS_IN_8_BITS(HI))                                              \
514      __ASSERT_(FITS_IN_8_BITS(LO))                                              \
515      __ASSERT_(PL_utf8skip[HI] == 2)                                            \
516      __ASSERT_(UTF8_IS_CONTINUATION(LO))                                        \
517      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
518                                    (LO))))
519
520 /* Should never be used, and be deprecated */
521 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
522
523 /*
524
525 =for apidoc Am|STRLEN|UTF8SKIP|char* s
526 returns the number of bytes a non-malformed UTF-8 encoded character whose first
527 (perhaps only) byte is pointed to by C<s>.
528
529 If there is a possibility of malformed input, use instead:
530
531 =over
532
533 =item L</C<UTF8_SAFE_SKIP>> if you know the maximum ending pointer in the
534 buffer pointed to by C<s>; or
535
536 =item L</C<UTF8_CHK_SKIP>> if you don't know it.
537
538 =back
539
540 It is better to restructure your code so the end pointer is passed down so that
541 you know what it actually is at the point of this call, but if that isn't
542 possible, L</C<UTF8_CHK_SKIP>> can minimize the chance of accessing beyond the end
543 of the input buffer.
544
545 =cut
546  */
547 #define UTF8SKIP(s)  PL_utf8skip[*(const U8*)(s)]
548
549 /*
550 =for apidoc Am|STRLEN|UTF8_SKIP|char* s
551 This is a synonym for L</C<UTF8SKIP>>
552
553 =cut
554 */
555
556 #define UTF8_SKIP(s) UTF8SKIP(s)
557
558 /*
559 =for apidoc Am|STRLEN|UTF8_CHK_SKIP|char* s
560
561 This is a safer version of L</C<UTF8SKIP>>, but still not as safe as
562 L</C<UTF8_SAFE_SKIP>>.  This version doesn't blindly assume that the input
563 string pointed to by C<s> is well-formed, but verifies that there isn't a NUL
564 terminating character before the expected end of the next character in C<s>.
565 The length C<UTF8_CHK_SKIP> returns stops just before any such NUL.
566
567 Perl tends to add NULs, as an insurance policy, after the end of strings in
568 SV's, so it is likely that using this macro will prevent inadvertent reading
569 beyond the end of the input buffer, even if it is malformed UTF-8.
570
571 This macro is intended to be used by XS modules where the inputs could be
572 malformed, and it isn't feasible to restructure to use the safer
573 L</C<UTF8_SAFE_SKIP>>, for example when interfacing with a C library.
574
575 =cut
576 */
577
578 #define UTF8_CHK_SKIP(s)                                                       \
579             (s[0] == '\0' ? 1 : MIN(UTF8SKIP(s),                               \
580                                     my_strnlen((char *) (s), UTF8SKIP(s))))
581 /*
582
583 =for apidoc Am|STRLEN|UTF8_SAFE_SKIP|char* s|char* e
584 returns 0 if S<C<s E<gt>= e>>; otherwise returns the number of bytes in the
585 UTF-8 encoded character whose first  byte is pointed to by C<s>.  But it never
586 returns beyond C<e>.  On DEBUGGING builds, it asserts that S<C<s E<lt>= e>>.
587
588 =cut
589  */
590 #define UTF8_SAFE_SKIP(s, e)  (__ASSERT_((e) >= (s))                \
591                               ((e) - (s)) <= 0                      \
592                                ? 0                                  \
593                                : MIN(((e) - (s)), UTF8_SKIP(s)))
594
595 /* Most code that says 'UNI_' really means the native value for code points up
596  * through 255 */
597 #define UNI_IS_INVARIANT(cp)   UVCHR_IS_INVARIANT(cp)
598
599 /*
600 =for apidoc Am|bool|UTF8_IS_INVARIANT|char c
601
602 Evaluates to 1 if the byte C<c> represents the same character when encoded in
603 UTF-8 as when not; otherwise evaluates to 0.  UTF-8 invariant characters can be
604 copied as-is when converting to/from UTF-8, saving time.
605
606 In spite of the name, this macro gives the correct result if the input string
607 from which C<c> comes is not encoded in UTF-8.
608
609 See C<L</UVCHR_IS_INVARIANT>> for checking if a UV is invariant.
610
611 =cut
612
613 The reason it works on both UTF-8 encoded strings and non-UTF-8 encoded, is
614 that it returns TRUE in each for the exact same set of bit patterns.  It is
615 valid on a subset of what UVCHR_IS_INVARIANT is valid on, so can just use that;
616 and the compiler should optimize out anything extraneous given the
617 implementation of the latter.  The |0 makes sure this isn't mistakenly called
618 with a ptr argument.
619 */
620 #define UTF8_IS_INVARIANT(c)    UVCHR_IS_INVARIANT((c) | 0)
621
622 /* Like the above, but its name implies a non-UTF8 input, which as the comments
623  * above show, doesn't matter as to its implementation */
624 #define NATIVE_BYTE_IS_INVARIANT(c)     UVCHR_IS_INVARIANT(c)
625
626 /* Misleadingly named: is the UTF8-encoded byte 'c' part of a variant sequence
627  * in UTF-8?  This is the inverse of UTF8_IS_INVARIANT. */
628 #define UTF8_IS_CONTINUED(c)  (__ASSERT_(FITS_IN_8_BITS(c))                 \
629                                (! UTF8_IS_INVARIANT(c)))
630
631 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
632  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
633  * it must be less than 0x3FF to work across both encodings. */
634
635 /* These two are helper macros for the other three sets, and should not be used
636  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
637  * (which works for code points up through 0xFF) or NATIVE_TO_UNI which works
638  * for any code point */
639 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
640            (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                  \
641             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
642                               | UTF_START_MARK(2)))
643 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
644              (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                \
645               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
646                                  | UTF_CONTINUATION_MARK))
647
648 /* The next two macros should not be used.  They were designed to be usable as
649  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
650  * regen/unicode_constants.pl instead */
651 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
652 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
653
654 /* The next two macros are used when the source should be a single byte
655  * character; checked for under DEBUGGING */
656 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
657                              ( __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
658 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
659                              (__BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
660
661 /* These final two macros in the series are used when the source can be any
662  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
663  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
664  * operator instead of "<=" to avoid getting compiler warnings.
665  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
666  * places, so the ~ works */
667 #define UTF8_TWO_BYTE_HI(c)                                                    \
668        (__ASSERT_((sizeof(c) ==  1)                                            \
669                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
670         (__BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
671 #define UTF8_TWO_BYTE_LO(c)                                                    \
672        (__ASSERT_((sizeof(c) ==  1)                                            \
673                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
674         (__BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
675
676 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
677  * as it is only in overlongs. */
678 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
679
680 /*
681  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
682  * from an earlier version of these macros in which they didn't call the
683  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
684  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
685  * no need to do it again here
686  */
687 #define isIDFIRST_lazy_if(p,UTF)                                            \
688             _is_utf8_FOO(_CC_IDFIRST, (const U8 *) p, "isIDFIRST_lazy_if",  \
689                          "isIDFIRST_lazy_if_safe",                          \
690                          cBOOL(UTF && ! IN_BYTES), 0, __FILE__,__LINE__)
691
692 #define isIDFIRST_lazy_if_safe(p, e, UTF)                                   \
693                    ((IN_BYTES || !UTF)                                      \
694                      ? isIDFIRST(*(p))                                      \
695                      : isIDFIRST_utf8_safe(p, e))
696
697 #define isWORDCHAR_lazy_if(p,UTF)                                           \
698             _is_utf8_FOO(_CC_IDFIRST, (const U8 *) p, "isWORDCHAR_lazy_if", \
699                          "isWORDCHAR_lazy_if_safe",                         \
700                          cBOOL(UTF && ! IN_BYTES), 0, __FILE__,__LINE__)
701
702 #define isWORDCHAR_lazy_if_safe(p, e, UTF)                                  \
703                    ((IN_BYTES || !UTF)                                      \
704                      ? isWORDCHAR(*(p))                                     \
705                      : isWORDCHAR_utf8_safe((U8 *) p, (U8 *) e))
706
707 #define isALNUM_lazy_if(p,UTF)                                              \
708             _is_utf8_FOO(_CC_IDFIRST, (const U8 *) p, "isALNUM_lazy_if",    \
709                          "isWORDCHAR_lazy_if_safe",                         \
710                          cBOOL(UTF && ! IN_BYTES), 0, __FILE__,__LINE__)
711
712 #define UTF8_MAXLEN UTF8_MAXBYTES
713
714 /* A Unicode character can fold to up to 3 characters */
715 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
716
717 #define IN_BYTES UNLIKELY(CopHINTS_get(PL_curcop) & HINT_BYTES)
718
719 /*
720
721 =for apidoc Am|bool|DO_UTF8|SV* sv
722 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
723 encoded in UTF-8.
724
725 You should use this I<after> a call to C<SvPV()> or one of its variants, in
726 case any call to string overloading updates the internal UTF-8 encoding flag.
727
728 =cut
729 */
730 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
731
732 /* Should all strings be treated as Unicode, and not just UTF-8 encoded ones?
733  * Is so within 'feature unicode_strings' or 'locale :not_characters', and not
734  * within 'use bytes'.  UTF-8 locales are not tested for here, but perhaps
735  * could be */
736 #define IN_UNI_8_BIT                                                    \
737             ((    (      (CopHINTS_get(PL_curcop) & HINT_UNI_8_BIT))    \
738                    || (   CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL \
739                             /* -1 below is for :not_characters */       \
740                        && _is_in_locale_category(FALSE, -1)))           \
741               && (! IN_BYTES))
742
743
744 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
745 #define UTF8_GOT_EMPTY                  UTF8_ALLOW_EMPTY
746
747 /* Allow first byte to be a continuation byte */
748 #define UTF8_ALLOW_CONTINUATION         0x0002
749 #define UTF8_GOT_CONTINUATION           UTF8_ALLOW_CONTINUATION
750
751 /* Unexpected non-continuation byte */
752 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
753 #define UTF8_GOT_NON_CONTINUATION       UTF8_ALLOW_NON_CONTINUATION
754
755 /* expecting more bytes than were available in the string */
756 #define UTF8_ALLOW_SHORT                0x0008
757 #define UTF8_GOT_SHORT                  UTF8_ALLOW_SHORT
758
759 /* Overlong sequence; i.e., the code point can be specified in fewer bytes.
760  * First one will convert the overlong to the REPLACEMENT CHARACTER; second
761  * will return what the overlong evaluates to */
762 #define UTF8_ALLOW_LONG                 0x0010
763 #define UTF8_ALLOW_LONG_AND_ITS_VALUE   (UTF8_ALLOW_LONG|0x0020)
764 #define UTF8_GOT_LONG                   UTF8_ALLOW_LONG
765
766 #define UTF8_ALLOW_OVERFLOW             0x0080
767 #define UTF8_GOT_OVERFLOW               UTF8_ALLOW_OVERFLOW
768
769 #define UTF8_DISALLOW_SURROGATE         0x0100  /* Unicode surrogates */
770 #define UTF8_GOT_SURROGATE              UTF8_DISALLOW_SURROGATE
771 #define UTF8_WARN_SURROGATE             0x0200
772
773 /* Unicode non-character  code points */
774 #define UTF8_DISALLOW_NONCHAR           0x0400
775 #define UTF8_GOT_NONCHAR                UTF8_DISALLOW_NONCHAR
776 #define UTF8_WARN_NONCHAR               0x0800
777
778 /* Super-set of Unicode: code points above the legal max */
779 #define UTF8_DISALLOW_SUPER             0x1000
780 #define UTF8_GOT_SUPER                  UTF8_DISALLOW_SUPER
781 #define UTF8_WARN_SUPER                 0x2000
782
783 /* The original UTF-8 standard did not define UTF-8 with start bytes of 0xFE or
784  * 0xFF, though UTF-EBCDIC did.  This allowed both versions to represent code
785  * points up to 2 ** 31 - 1.  Perl extends UTF-8 so that 0xFE and 0xFF are
786  * usable on ASCII platforms, and 0xFF means something different than
787  * UTF-EBCDIC defines.  These changes allow code points of 64 bits (actually
788  * somewhat more) to be represented on both platforms.  But these are Perl
789  * extensions, and not likely to be interchangeable with other languages.  Note
790  * that on ASCII platforms, FE overflows a signed 32-bit word, and FF an
791  * unsigned one. */
792 #define UTF8_DISALLOW_PERL_EXTENDED     0x4000
793 #define UTF8_GOT_PERL_EXTENDED          UTF8_DISALLOW_PERL_EXTENDED
794 #define UTF8_WARN_PERL_EXTENDED         0x8000
795
796 /* For back compat, these old names are misleading for overlongs and
797  * UTF_EBCDIC. */
798 #define UTF8_DISALLOW_ABOVE_31_BIT      UTF8_DISALLOW_PERL_EXTENDED
799 #define UTF8_GOT_ABOVE_31_BIT           UTF8_GOT_PERL_EXTENDED
800 #define UTF8_WARN_ABOVE_31_BIT          UTF8_WARN_PERL_EXTENDED
801 #define UTF8_DISALLOW_FE_FF             UTF8_DISALLOW_PERL_EXTENDED
802 #define UTF8_WARN_FE_FF                 UTF8_WARN_PERL_EXTENDED
803
804 #define UTF8_CHECK_ONLY                 0x10000
805 #define _UTF8_NO_CONFIDENCE_IN_CURLEN   0x20000  /* Internal core use only */
806
807 /* For backwards source compatibility.  They do nothing, as the default now
808  * includes what they used to mean.  The first one's meaning was to allow the
809  * just the single non-character 0xFFFF */
810 #define UTF8_ALLOW_FFFF 0
811 #define UTF8_ALLOW_FE_FF 0
812 #define UTF8_ALLOW_SURROGATE 0
813
814 /* C9 refers to Unicode Corrigendum #9: allows but discourages non-chars */
815 #define UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE                                    \
816                                  (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_SURROGATE)
817 #define UTF8_WARN_ILLEGAL_C9_INTERCHANGE (UTF8_WARN_SUPER|UTF8_WARN_SURROGATE)
818
819 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE                                       \
820                   (UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE|UTF8_DISALLOW_NONCHAR)
821 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
822                           (UTF8_WARN_ILLEGAL_C9_INTERCHANGE|UTF8_WARN_NONCHAR)
823
824 /* This is typically used for code that processes UTF-8 input and doesn't want
825  * to have to deal with any malformations that might be present.  All such will
826  * be safely replaced by the REPLACEMENT CHARACTER, unless other flags
827  * overriding this are also present. */
828 #define UTF8_ALLOW_ANY ( UTF8_ALLOW_CONTINUATION                                \
829                         |UTF8_ALLOW_NON_CONTINUATION                            \
830                         |UTF8_ALLOW_SHORT                                       \
831                         |UTF8_ALLOW_LONG                                        \
832                         |UTF8_ALLOW_OVERFLOW)
833
834 /* Accept any Perl-extended UTF-8 that evaluates to any UV on the platform, but
835  * not any malformed.  This is the default. */
836 #define UTF8_ALLOW_ANYUV   0
837 #define UTF8_ALLOW_DEFAULT UTF8_ALLOW_ANYUV
838
839 /*
840 =for apidoc Am|bool|UTF8_IS_SURROGATE|const U8 *s|const U8 *e
841
842 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
843 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
844 of the Unicode surrogate code points; otherwise it evaluates to 0.  If
845 non-zero, the value gives how many bytes starting at C<s> comprise the code
846 point's representation.
847
848 =cut
849  */
850 #define UTF8_IS_SURROGATE(s, e)      is_SURROGATE_utf8_safe(s, e)
851
852
853 #define UTF8_IS_REPLACEMENT(s, send) is_REPLACEMENT_utf8_safe(s,send)
854
855 #define MAX_LEGAL_CP  ((UV)IV_MAX)
856
857 /*
858 =for apidoc Am|bool|UTF8_IS_SUPER|const U8 *s|const U8 *e
859
860 Recall that Perl recognizes an extension to UTF-8 that can encode code
861 points larger than the ones defined by Unicode, which are 0..0x10FFFF.
862
863 This macro evaluates to non-zero if the first few bytes of the string starting
864 at C<s> and looking no further than S<C<e - 1>> are from this UTF-8 extension;
865 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
866 starting at C<s> comprise the code point's representation.
867
868 0 is returned if the bytes are not well-formed extended UTF-8, or if they
869 represent a code point that cannot fit in a UV on the current platform.  Hence
870 this macro can give different results when run on a 64-bit word machine than on
871 one with a 32-bit word size.
872
873 Note that it is illegal to have code points that are larger than what can
874 fit in an IV on the current machine.
875
876 =cut
877
878  *                ASCII              EBCDIC I8
879  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
880  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
881  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
882  */
883 #ifdef EBCDIC
884 #   define UTF8_IS_SUPER(s, e)                                              \
885                   ((    LIKELY((e) > (s) + 4)                               \
886                     &&      NATIVE_UTF8_TO_I8(*(s)) >= 0xF9                 \
887                     && (    NATIVE_UTF8_TO_I8(*(s)) >  0xF9                 \
888                         || (NATIVE_UTF8_TO_I8(*((s) + 1)) >= 0xA2))         \
889                     &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                   \
890                     ?  is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0)
891 #else
892 #   define UTF8_IS_SUPER(s, e)                                              \
893                    ((    LIKELY((e) > (s) + 3)                              \
894                      &&  (*(U8*) (s)) >= 0xF4                               \
895                      && ((*(U8*) (s)) >  0xF4 || (*((U8*) (s) + 1) >= 0x90))\
896                      &&  LIKELY((s) + UTF8SKIP(s) <= (e)))                  \
897                     ?  is_utf8_char_helper(s, s + UTF8SKIP(s), 0) : 0)
898 #endif
899
900 /* These are now machine generated, and the 'given' clause is no longer
901  * applicable */
902 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)          \
903                                             cBOOL(is_NONCHAR_utf8_safe(s,e))
904
905 /*
906 =for apidoc Am|bool|UTF8_IS_NONCHAR|const U8 *s|const U8 *e
907
908 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
909 looking no further than S<C<e - 1>> are well-formed UTF-8 that represents one
910 of the Unicode non-character code points; otherwise it evaluates to 0.  If
911 non-zero, the value gives how many bytes starting at C<s> comprise the code
912 point's representation.
913
914 =for apidoc AmnU|UV|UNICODE_REPLACEMENT
915
916 Evaluates to 0xFFFD, the code point of the Unicode REPLACEMENT CHARACTER
917
918 =cut
919  */
920 #define UTF8_IS_NONCHAR(s, e)                                                  \
921                 UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)
922
923 #define UNICODE_SURROGATE_FIRST         0xD800
924 #define UNICODE_SURROGATE_LAST          0xDFFF
925 #define UNICODE_REPLACEMENT             0xFFFD
926 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
927
928 /* Though our UTF-8 encoding can go beyond this,
929  * let's be conservative and do as Unicode says. */
930 #define PERL_UNICODE_MAX        0x10FFFF
931
932 #define UNICODE_WARN_SURROGATE         0x0001   /* UTF-16 surrogates */
933 #define UNICODE_WARN_NONCHAR           0x0002   /* Non-char code points */
934 #define UNICODE_WARN_SUPER             0x0004   /* Above 0x10FFFF */
935 #define UNICODE_WARN_PERL_EXTENDED     0x0008   /* Above 0x7FFF_FFFF */
936 #define UNICODE_WARN_ABOVE_31_BIT      UNICODE_WARN_PERL_EXTENDED
937 #define UNICODE_DISALLOW_SURROGATE     0x0010
938 #define UNICODE_DISALLOW_NONCHAR       0x0020
939 #define UNICODE_DISALLOW_SUPER         0x0040
940 #define UNICODE_DISALLOW_PERL_EXTENDED 0x0080
941
942 #ifdef PERL_CORE
943 #  define UNICODE_ALLOW_ABOVE_IV_MAX   0x0100
944 #endif
945 #define UNICODE_DISALLOW_ABOVE_31_BIT  UNICODE_DISALLOW_PERL_EXTENDED
946
947 #define UNICODE_GOT_SURROGATE       UNICODE_DISALLOW_SURROGATE
948 #define UNICODE_GOT_NONCHAR         UNICODE_DISALLOW_NONCHAR
949 #define UNICODE_GOT_SUPER           UNICODE_DISALLOW_SUPER
950 #define UNICODE_GOT_PERL_EXTENDED   UNICODE_DISALLOW_PERL_EXTENDED
951
952 #define UNICODE_WARN_ILLEGAL_C9_INTERCHANGE                                   \
953                                   (UNICODE_WARN_SURROGATE|UNICODE_WARN_SUPER)
954 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
955                    (UNICODE_WARN_ILLEGAL_C9_INTERCHANGE|UNICODE_WARN_NONCHAR)
956 #define UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE                               \
957                           (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_SUPER)
958 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
959            (UNICODE_DISALLOW_ILLEGAL_C9_INTERCHANGE|UNICODE_DISALLOW_NONCHAR)
960
961 /* For backward source compatibility, as are now the default */
962 #define UNICODE_ALLOW_SURROGATE 0
963 #define UNICODE_ALLOW_SUPER     0
964 #define UNICODE_ALLOW_ANY       0
965
966 /* This matches the 2048 code points between UNICODE_SURROGATE_FIRST (0xD800) and
967  * UNICODE_SURROGATE_LAST (0xDFFF) */
968 #define UNICODE_IS_SURROGATE(uv)        (((UV) (uv) & (~0xFFFF | 0xF800))       \
969                                                                     == 0xD800)
970
971 #define UNICODE_IS_REPLACEMENT(uv)      ((UV) (uv) == UNICODE_REPLACEMENT)
972 #define UNICODE_IS_BYTE_ORDER_MARK(uv)  ((UV) (uv) == UNICODE_BYTE_ORDER_MARK)
973
974 /* Is 'uv' one of the 32 contiguous-range noncharacters? */
975 #define UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)      ((UV) (uv) >= 0xFDD0         \
976                                                  && (UV) (uv) <= 0xFDEF)
977
978 /* Is 'uv' one of the 34 plane-ending noncharacters 0xFFFE, 0xFFFF, 0x1FFFE,
979  * 0x1FFFF, ... 0x10FFFE, 0x10FFFF, given that we know that 'uv' is not above
980  * the Unicode legal max */
981 #define UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)                        \
982                                               (((UV) (uv) & 0xFFFE) == 0xFFFE)
983
984 #define UNICODE_IS_NONCHAR(uv)                                                  \
985     (   UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)                                   \
986      || (   LIKELY( ! UNICODE_IS_SUPER(uv))                                     \
987          && UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)))
988
989 #define UNICODE_IS_SUPER(uv)    ((UV) (uv) > PERL_UNICODE_MAX)
990
991 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
992 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
993                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
994 #define MICRO_SIGN      MICRO_SIGN_NATIVE
995 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
996                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
997 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
998                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
999 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
1000 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
1001 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
1002 #define GREEK_SMALL_LETTER_MU                   0x03BC
1003 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
1004                                                            of MICRON */
1005 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
1006 #ifdef LATIN_CAPITAL_LETTER_SHARP_S_UTF8
1007 #   define LATIN_CAPITAL_LETTER_SHARP_S         0x1E9E
1008 #endif
1009 #define LATIN_CAPITAL_LETTER_I_WITH_DOT_ABOVE   0x130
1010 #define LATIN_SMALL_LETTER_DOTLESS_I            0x131
1011 #define LATIN_SMALL_LETTER_LONG_S               0x017F
1012 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
1013 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
1014 #define KELVIN_SIGN                             0x212A
1015 #define ANGSTROM_SIGN                           0x212B
1016
1017 #define UNI_DISPLAY_ISPRINT     0x0001
1018 #define UNI_DISPLAY_BACKSLASH   0x0002
1019 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
1020 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
1021
1022 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
1023         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
1024          (ANYOF_NONBITMAP(node)) && \
1025          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
1026          ((end) > (input) + 1) && \
1027          isALPHA_FOLD_EQ((input)[0], 's'))
1028
1029 #define SHARP_S_SKIP 2
1030
1031 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
1032 #define bytes_from_utf8(s, lenp, is_utf8p)                                  \
1033                             bytes_from_utf8_loc(s, lenp, is_utf8p, 0)
1034
1035 /*
1036
1037 =for apidoc Am|STRLEN|isUTF8_CHAR_flags|const U8 *s|const U8 *e| const U32 flags
1038
1039 Evaluates to non-zero if the first few bytes of the string starting at C<s> and
1040 looking no further than S<C<e - 1>> are well-formed UTF-8, as extended by Perl,
1041 that represents some code point, subject to the restrictions given by C<flags>;
1042 otherwise it evaluates to 0.  If non-zero, the value gives how many bytes
1043 starting at C<s> comprise the code point's representation.  Any bytes remaining
1044 before C<e>, but beyond the ones needed to form the first code point in C<s>,
1045 are not examined.
1046
1047 If C<flags> is 0, this gives the same results as C<L</isUTF8_CHAR>>;
1048 if C<flags> is C<UTF8_DISALLOW_ILLEGAL_INTERCHANGE>, this gives the same results
1049 as C<L</isSTRICT_UTF8_CHAR>>;
1050 and if C<flags> is C<UTF8_DISALLOW_ILLEGAL_C9_INTERCHANGE>, this gives
1051 the same results as C<L</isC9_STRICT_UTF8_CHAR>>.
1052 Otherwise C<flags> may be any combination of the C<UTF8_DISALLOW_I<foo>> flags
1053 understood by C<L</utf8n_to_uvchr>>, with the same meanings.
1054
1055 The three alternative macros are for the most commonly needed validations; they
1056 are likely to run somewhat faster than this more general one, as they can be
1057 inlined into your code.
1058
1059 Use L</is_utf8_string_flags>, L</is_utf8_string_loc_flags>, and
1060 L</is_utf8_string_loclen_flags> to check entire strings.
1061
1062 =cut
1063 */
1064
1065 #define isUTF8_CHAR_flags(s, e, flags)                                      \
1066     (UNLIKELY((e) <= (s))                                                   \
1067     ? 0                                                                     \
1068     : (UTF8_IS_INVARIANT(*s))                                               \
1069       ? 1                                                                   \
1070       : UNLIKELY(((e) - (s)) < UTF8SKIP(s))                                 \
1071         ? 0                                                                 \
1072         : is_utf8_char_helper(s, e, flags))
1073
1074 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
1075  * retained solely for backwards compatibility */
1076 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
1077
1078 #endif /* PERL_UTF8_H_ */
1079
1080 /*
1081  * ex: set ts=8 sts=4 sw=4 et:
1082  */