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 H_UTF8      /* Guard against recursive inclusion */
  18 #define H_UTF8 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 /* For _core_swash_init(), internal core use only */
  38 #define _CORE_SWASH_INIT_USER_DEFINED_PROPERTY 0x1
  39 #define _CORE_SWASH_INIT_RETURN_IF_UNDEF       0x2
  40 #define _CORE_SWASH_INIT_ACCEPT_INVLIST        0x4
  41
  42 /*
  43 =head1 Unicode Support
  44 L<perlguts/Unicode Support> has an introduction to this API.
  45
  46 See also L</Character classification>,
  47 and L</Character case changing>.
  48 Various functions outside this section also work specially with Unicode.
  49 Search for the string "utf8" in this document.
  50
  51 =for apidoc is_ascii_string
  52
  53 This is a misleadingly-named synonym for L</is_invariant_string>.
  54 On ASCII-ish platforms, the name isn't misleading: the ASCII-range characters
  55 are exactly the UTF-8 invariants.  But EBCDIC machines have more invariants
  56 than just the ASCII characters, so C<is_invariant_string> is preferred.
  57
  58 =cut
  59 */
  60 #define is_ascii_string(s, len)     is_invariant_string(s, len)
  61
  62 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
  63 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
  64                             uvoffuni_to_utf8_flags(d,NATIVE_TO_UNI(uv),flags)
  65 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
  66                      utf8n_to_uvchr(s, (U8*)(e) - (U8*)(s), lenp,              \
  67                                     ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY)
  68
  69 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  70 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  71 #define to_utf8_lower(a,b,c) _to_utf8_lower_flags(a,b,c,0)
  72 #define to_utf8_upper(a,b,c) _to_utf8_upper_flags(a,b,c,0)
  73 #define to_utf8_title(a,b,c) _to_utf8_title_flags(a,b,c,0)
  74
  75 /* Source backward compatibility. */
  76 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
  77
  78 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  79                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
  80 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
  81 #define FOLDEQ_LOCALE             (1 << 1)
  82 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
  83 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
  84 #define FOLDEQ_S1_FOLDS_SANE      (1 << 4)
  85 #define FOLDEQ_S2_FOLDS_SANE      (1 << 5)
  86
  87 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  88                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
  89
  90 #ifdef EBCDIC
  91 /* The equivalent of these macros but implementing UTF-EBCDIC
  92    are in the following header file:
  93  */
  94
  95 #include "utfebcdic.h"
  96
  97 #else   /* ! EBCDIC */
  98 START_EXTERN_C
  99
 100 /* How wide can a single UTF-8 encoded character become in bytes. */
 101 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
 102  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
 103  * expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
 104  * non-negative integers in a binary format, even those above Unicode */
 105 #define UTF8_MAXBYTES 13
 106
 107 #ifdef DOINIT
 108 EXTCONST unsigned char PL_utf8skip[] = {
 109 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 110 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 111 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 112 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 113 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 114 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 115 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 116 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
 117 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 118 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 119 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 120 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
 121 /* 0xC0 */ 2,2,                             /* overlong */
 122 /* 0xC2 */     2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0080 to U+03FF */
 123 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
 124 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
 125 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
 126            /* Perl extended (never was official UTF-8).  Up to 36 bit */
 127 /* 0xFE */                             7,
 128            /* More extended, Up to 72 bits (64-bit + reserved) */
 129 /* 0xFF */                               UTF8_MAXBYTES
 130 };
 131 #else
 132 EXTCONST unsigned char PL_utf8skip[];
 133 #endif
 134
 135 END_EXTERN_C
 136
 137 #if defined(_MSC_VER) && _MSC_VER < 1400
 138 /* older MSVC versions have a smallish macro buffer */
 139 #define PERL_SMALL_MACRO_BUFFER
 140 #endif
 141
 142 /* Native character to/from iso-8859-1.  Are the identity functions on ASCII
 143  * platforms */
 144 #ifdef PERL_SMALL_MACRO_BUFFER
 145 #define NATIVE_TO_LATIN1(ch)     ((U8)(ch))
 146 #define LATIN1_TO_NATIVE(ch)     ((U8)(ch))
 147 #else
 148 #define NATIVE_TO_LATIN1(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 149 #define LATIN1_TO_NATIVE(ch)     (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 150 #endif
 151
 152 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
 153  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
 154  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
 155  * because they are 8-bit encodings that serve the same purpose in Perl, and
 156  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
 157  * whichever one is applicable on the current platform */
 158 #ifdef PERL_SMALL_MACRO_BUFFER
 159 #define NATIVE_UTF8_TO_I8(ch) (ch)
 160 #define I8_TO_NATIVE_UTF8(ch) (ch)
 161 #else
 162 #define NATIVE_UTF8_TO_I8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 163 #define I8_TO_NATIVE_UTF8(ch) (__ASSERT_(FITS_IN_8_BITS(ch)) ((U8) (ch)))
 164 #endif
 165
 166 /* Transforms in wide UV chars */
 167 #define UNI_TO_NATIVE(ch)        ((UV) (ch))
 168 #define NATIVE_TO_UNI(ch)        ((UV) (ch))
 169
 170 /*
 171
 172  The following table is from Unicode 3.2.
 173
 174  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
 175
 176    U+0000..U+007F       00..7F
 177    U+0080..U+07FF     * C2..DF    80..BF
 178    U+0800..U+0FFF       E0      * A0..BF    80..BF
 179    U+1000..U+CFFF       E1..EC    80..BF    80..BF
 180    U+D000..U+D7FF       ED        80..9F    80..BF
 181    U+D800..U+DFFF       ED        A0..BF    80..BF  (surrogates)
 182    U+E000..U+FFFF       EE..EF    80..BF    80..BF
 183   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
 184   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
 185  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
 186     Below are non-Unicode code points
 187  U+110000..U+13FFFF     F4        90..BF    80..BF    80..BF
 188  U+110000..U+1FFFFF     F5..F7    80..BF    80..BF    80..BF
 189  U+200000..:            F8..    * 88..BF    80..BF    80..BF    80..BF
 190
 191 Note the gaps before several of the byte entries above marked by '*'.  These are
 192 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 193 possible to UTF-8-encode a single code point in different ways, but that is
 194 explicitly forbidden, and the shortest possible encoding should always be used
 195 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
 196
 197  */
 198
 199 /*
 200  Another way to look at it, as bits:
 201
 202                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
 203
 204                         0aaa aaaa  0aaa aaaa
 205               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
 206               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
 207  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
 208
 209 As you can see, the continuation bytes all begin with C<10>, and the
 210 leading bits of the start byte tell how many bytes there are in the
 211 encoded character.
 212
 213 Perl's extended UTF-8 means we can have start bytes up to FF.
 214
 215 */
 216
 217 /* Is the representation of the Unicode code point 'cp' the same regardless of
 218  * being encoded in UTF-8 or not? */
 219 #define OFFUNI_IS_INVARIANT(cp)     isASCII(cp)
 220
 221 /* Is the representation of the code point 'cp' the same regardless of
 222  * being encoded in UTF-8 or not?  'cp' is native if < 256; Unicode otherwise
 223  * */
 224 #define UVCHR_IS_INVARIANT(cp)      OFFUNI_IS_INVARIANT(cp)
 225
 226 /* This defines the bits that are to be in the continuation bytes of a multi-byte
 227  * UTF-8 encoded character that mark it is a continuation byte. */
 228 #define UTF_CONTINUATION_MARK           0x80
 229
 230 /* Misleadingly named: is the UTF8-encoded byte 'c' part of a variant sequence
 231  * in UTF-8?  This is the inverse of UTF8_IS_INVARIANT.  The |0 makes sure this
 232  * isn't mistakenly called with a ptr argument */
 233 #define UTF8_IS_CONTINUED(c)        (((U8)((c) | 0)) &  UTF_CONTINUATION_MARK)
 234
 235 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
 236  * This doesn't catch invariants (they are single-byte).  It also excludes the
 237  * illegal overlong sequences that begin with C0 and C1.  The |0 makes sure
 238  * this isn't mistakenly called with a ptr argument */
 239 #define UTF8_IS_START(c)            (((U8)((c) | 0)) >= 0xc2)
 240
 241 /* For use in UTF8_IS_CONTINUATION() below */
 242 #define UTF_IS_CONTINUATION_MASK    0xC0
 243
 244 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
 245  * first byte thereof?  The |0 makes sure this isn't mistakenly called with a
 246  * ptr argument */
 247 #define UTF8_IS_CONTINUATION(c)                                             \
 248     ((((U8)((c) | 0)) & UTF_IS_CONTINUATION_MASK) == UTF_CONTINUATION_MARK)
 249
 250 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
 251  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
 252  * be well-formed.  Masking with 0xfe allows the low bit to be 0 or 1; thus
 253  * this matches 0xc[23].  The |0 makes sure this isn't mistakenly called with a
 254  * ptr argument */
 255 #define UTF8_IS_DOWNGRADEABLE_START(c)  ((((U8)((c) | 0)) & 0xfe) == 0xc2)
 256
 257 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
 258  * represent a code point > 255?  The |0 makes sure this isn't mistakenly
 259  * called with a ptr argument */
 260 #define UTF8_IS_ABOVE_LATIN1(c)     (((U8)((c) | 0)) >= 0xc4)
 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) ((U8) c >= 0xED)
 277
 278 #endif /* EBCDIC vs ASCII */
 279
 280 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
 281 #define UTF_CONTINUATION_MASK  ((U8) ((1U << UTF_ACCUMULATION_SHIFT) - 1))
 282
 283 /* Internal macro to be used only in this file to aid in constructing other
 284  * publicly accessible macros.
 285  * The number of bytes required to express this uv in UTF-8, for just those
 286  * uv's requiring 2 through 6 bytes, as these are common to all platforms and
 287  * word sizes.  The number of bytes needed is given by the number of leading 1
 288  * bits in the start byte.  There are 32 start bytes that have 2 initial 1 bits
 289  * (C0-DF); there are 16 that have 3 initial 1 bits (E0-EF); 8 that have 4
 290  * initial 1 bits (F0-F8); 4 that have 5 initial 1 bits (F9-FB), and 2 that
 291  * have 6 initial 1 bits (FC-FD).  The largest number a string of n bytes can
 292  * represent is       (the number of possible start bytes for 'n')
 293  *                  * (the number of possiblities for each start byte
 294  * The latter in turn is
 295  *                  2  ** (  (how many continuation bytes there are)
 296  *                         * (the number of bits of information each
 297  *                            continuation byte holds))
 298  *
 299  * If we were on a platform where we could use a fast find first set bit
 300  * instruction (or count leading zeros instruction) this could be replaced by
 301  * using that to find the log2 of the uv, and divide that by the number of bits
 302  * of information in each continuation byte, adjusting for large cases and how
 303  * much information is in a start byte for that length */
 304 #define __COMMON_UNI_SKIP(uv)                                               \
 305           (UV) (uv) < (32 * (1U << (    UTF_ACCUMULATION_SHIFT))) ? 2 :     \
 306           (UV) (uv) < (16 * (1U << (2 * UTF_ACCUMULATION_SHIFT))) ? 3 :     \
 307           (UV) (uv) < ( 8 * (1U << (3 * UTF_ACCUMULATION_SHIFT))) ? 4 :     \
 308           (UV) (uv) < ( 4 * (1U << (4 * UTF_ACCUMULATION_SHIFT))) ? 5 :     \
 309           (UV) (uv) < ( 2 * (1U << (5 * UTF_ACCUMULATION_SHIFT))) ? 6 :
 310
 311 /* Internal macro to be used only in this file.
 312  * This adds to __COMMON_UNI_SKIP the details at this platform's upper range.
 313  * For any-sized EBCDIC platforms, or 64-bit ASCII ones, we need one more test
 314  * to see if just 7 bytes is needed, or if the maximum is needed.  For 32-bit
 315  * ASCII platforms, everything is representable by 7 bytes */
 316 #if defined(UV_IS_QUAD) || defined(EBCDIC)
 317 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv)                       \
 318      (UV) (uv) < ((UV) 1U << (6 * UTF_ACCUMULATION_SHIFT)) ? 7 : UTF8_MAXBYTES)
 319 #else
 320 #   define __BASE_UNI_SKIP(uv) (__COMMON_UNI_SKIP(uv) 7)
 321 #endif
 322
 323 /* The next two macros use the base macro defined above, and add in the tests
 324  * at the low-end of the range, for just 1 byte, yielding complete macros,
 325  * publicly accessible. */
 326
 327 /* Input is a true Unicode (not-native) code point */
 328 #define OFFUNISKIP(uv) (OFFUNI_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 329
 330 /*
 331
 332 =for apidoc Am|STRLEN|UVCHR_SKIP|UV cp
 333 returns the number of bytes required to represent the code point C<cp> when
 334 encoded as UTF-8.  C<cp> is a native (ASCII or EBCDIC) code point if less than
 335 255; a Unicode code point otherwise.
 336
 337 =cut
 338  */
 339 #define UVCHR_SKIP(uv) ( UVCHR_IS_INVARIANT(uv) ? 1 : __BASE_UNI_SKIP(uv))
 340
 341 /* As explained in the comments for __COMMON_UNI_SKIP, 32 start bytes with
 342  * UTF_ACCUMULATION_SHIFT bits of information each */
 343 #define MAX_UTF8_TWO_BYTE (32 * (1U << UTF_ACCUMULATION_SHIFT) - 1)
 344
 345 /* constrained by EBCDIC which has 5 bits per continuation byte */
 346 #define MAX_PORTABLE_UTF8_TWO_BYTE (32 * (1U << 5) - 1)
 347
 348 /* The maximum number of UTF-8 bytes a single Unicode character can
 349  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
 350  * expansion is UTF8_MAX_FOLD_CHAR_EXPAND characters, but any above-Unicode
 351  * code point will fold to itself, so we only have to look at the expansion of
 352  * the maximum Unicode code point.  But this number may be less than the space
 353  * occupied by a very large code point under Perl's extended UTF-8.  We have to
 354  * make it large enough to fit any single character.  (It turns out that ASCII
 355  * and EBCDIC differ in which is larger) */
 356 #define UTF8_MAXBYTES_CASE                                                      \
 357         (UTF8_MAXBYTES >= (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF))    \
 358                            ? UTF8_MAXBYTES                                      \
 359                            : (UTF8_MAX_FOLD_CHAR_EXPAND * OFFUNISKIP(0x10FFFF)))
 360
 361 /* Rest of these are attributes of Unicode and perl's internals rather than the
 362  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 363  * this level; the macros that some of these call may have different
 364  * definitions in the two encodings */
 365
 366 /* In domain restricted to ASCII, these may make more sense to the reader than
 367  * the ones with Latin1 in the name */
 368 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
 369 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
 370
 371 /* More or less misleadingly-named defines, retained for back compat */
 372 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
 373 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
 374 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
 375 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
 376 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
 377
 378 /* This defines the 1-bits that are to be in the first byte of a multi-byte
 379  * UTF-8 encoded character that mark it as a start byte and give the number of
 380  * bytes that comprise the character. 'len' is the number of bytes in the
 381  * multi-byte sequence. */
 382 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFF & (0xFE << (7-(len)))))
 383
 384 /* Masks out the initial one bits in a start byte, leaving the real data ones.
 385  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
 386  * multi-byte sequence that comprises the character. */
 387 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 388
 389 /* Adds a UTF8 continuation byte 'new' of information to a running total code
 390  * point 'old' of all the continuation bytes so far.  This is designed to be
 391  * used in a loop to convert from UTF-8 to the code point represented.  Note
 392  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
 393  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
 394  * code point in process of being generated */
 395 #define UTF8_ACCUMULATE(old, new) (((old) << UTF_ACCUMULATION_SHIFT)           \
 396                                    | ((NATIVE_UTF8_TO_I8((U8)new))             \
 397                                        & UTF_CONTINUATION_MASK))
 398
 399 /* If a value is anded with this, and the result is non-zero, then using the
 400  * original value in UTF8_ACCUMULATE will overflow, shifting bits off the left
 401  * */
 402 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
 403     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS)           \
 404            - UTF_ACCUMULATION_SHIFT))
 405
 406 /* This works in the face of malformed UTF-8. */
 407 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e) (UTF8_IS_DOWNGRADEABLE_START(*s) \
 408                                                && ( (e) - (s) > 1)             \
 409                                                && UTF8_IS_CONTINUATION(*((s)+1)))
 410
 411 /* Number of bytes a code point occupies in UTF-8. */
 412 #define NATIVE_SKIP(uv) UVCHR_SKIP(uv)
 413
 414 /* Most code which says UNISKIP is really thinking in terms of native code
 415  * points (0-255) plus all those beyond.  This is an imprecise term, but having
 416  * it means existing code continues to work.  For precision, use UVCHR_SKIP,
 417  * NATIVE_SKIP, or OFFUNISKIP */
 418 #define UNISKIP(uv)   UVCHR_SKIP(uv)
 419
 420 /* Longer, but more accurate name */
 421 #define UTF8_IS_ABOVE_LATIN1_START(c)     UTF8_IS_ABOVE_LATIN1(c)
 422
 423 /* Convert a UTF-8 variant Latin1 character to a native code point value.
 424  * Needs just one iteration of accumulate.  Should be used only if it is known
 425  * that the code point is < 256, and is not UTF-8 invariant.  Use the slower
 426  * but more general TWO_BYTE_UTF8_TO_NATIVE() which handles any code point
 427  * representable by two bytes (which turns out to be up through
 428  * MAX_PORTABLE_UTF8_TWO_BYTE).  The two parameters are:
 429  *  HI: a downgradable start byte;
 430  *  LO: continuation.
 431  * */
 432 #define EIGHT_BIT_UTF8_TO_NATIVE(HI, LO)                                        \
 433     ( __ASSERT_(UTF8_IS_DOWNGRADEABLE_START(HI))                                \
 434       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 435      LATIN1_TO_NATIVE(UTF8_ACCUMULATE((                                         \
 436                             NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), (LO))))
 437
 438 /* Convert a two (not one) byte utf8 character to a native code point value.
 439  * Needs just one iteration of accumulate.  Should not be used unless it is
 440  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 441  * Note that the result can be larger than 255 if the input character is not
 442  * downgradable */
 443 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
 444     ( __ASSERT_(PL_utf8skip[HI] == 2)                                           \
 445       __ASSERT_(UTF8_IS_CONTINUATION(LO))                                       \
 446      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
 447                                    (LO))))
 448
 449 /* Should never be used, and be deprecated */
 450 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
 451
 452 /*
 453
 454 =for apidoc Am|STRLEN|UTF8SKIP|char* s
 455 returns the number of bytes in the UTF-8 encoded character whose first (perhaps
 456 only) byte is pointed to by C<s>.
 457
 458 =cut
 459  */
 460 #define UTF8SKIP(s)  PL_utf8skip[*(const U8*)(s)]
 461 #define UTF8_SKIP(s) UTF8SKIP(s)
 462
 463 /* Most code that says 'UNI_' really means the native value for code points up
 464  * through 255 */
 465 #define UNI_IS_INVARIANT(cp)   UVCHR_IS_INVARIANT(cp)
 466
 467 /* Is the byte 'c' the same character when encoded in UTF-8 as when not.  This
 468  * works on both UTF-8 encoded strings and non-encoded, as it returns TRUE in
 469  * each for the exact same set of bit patterns.  It is valid on a subset of
 470  * what UVCHR_IS_INVARIANT is valid on, so can just use that; and the compiler
 471  * should optimize out anything extraneous given the implementation of the
 472  * latter.  The |0 makes sure this isn't mistakenly called with a ptr argument.
 473  * */
 474 #define UTF8_IS_INVARIANT(c)    UVCHR_IS_INVARIANT((c) | 0)
 475
 476 /* Like the above, but its name implies a non-UTF8 input, which as the comments
 477  * above show, doesn't matter as to its implementation */
 478 #define NATIVE_BYTE_IS_INVARIANT(c)     UVCHR_IS_INVARIANT(c)
 479
 480 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
 481  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
 482  * it must be less than 0x3FF to work across both encodings. */
 483
 484 /* These two are helper macros for the other three sets, and should not be used
 485  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
 486  * (which works for code points up through 0xFF) or NATIVE_TO_UNI which works
 487  * for any code point */
 488 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
 489            (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                  \
 490             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
 491                               | UTF_START_MARK(2)))
 492 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
 493              (__ASSERT_(! UVCHR_IS_INVARIANT(c))                                \
 494               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
 495                                  | UTF_CONTINUATION_MARK))
 496
 497 /* The next two macros should not be used.  They were designed to be usable as
 498  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
 499  * regen/unicode_constants.pl instead */
 500 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
 501 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
 502
 503 /* The next two macros are used when the source should be a single byte
 504  * character; checked for under DEBUGGING */
 505 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 506                              ( __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
 507 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 508                              (__BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
 509
 510 /* These final two macros in the series are used when the source can be any
 511  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
 512  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
 513  * operator instead of "<=" to avoid getting compiler warnings.
 514  * MAX_UTF8_TWO_BYTE should be exactly all one bits in the lower few
 515  * places, so the ~ works */
 516 #define UTF8_TWO_BYTE_HI(c)                                                    \
 517        (__ASSERT_((sizeof(c) ==  1)                                            \
 518                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 519         (__BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)))
 520 #define UTF8_TWO_BYTE_LO(c)                                                    \
 521        (__ASSERT_((sizeof(c) ==  1)                                            \
 522                   || !(((WIDEST_UTYPE)(c)) & ~MAX_UTF8_TWO_BYTE))              \
 523         (__BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)))
 524
 525 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
 526  * as it is only in overlongs. */
 527 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
 528
 529 /*
 530  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 531  * from an earlier version of these macros in which they didn't call the
 532  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 533  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 534  * no need to do it again here
 535  */
 536 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF)                \
 537                                  ? isIDFIRST(*(p))                  \
 538                                  : isIDFIRST_utf8((const U8*)p))
 539 #define isWORDCHAR_lazy_if(p,UTF)   ((IN_BYTES || (!UTF))           \
 540                                  ? isWORDCHAR(*(p))                 \
 541                                  : isWORDCHAR_utf8((const U8*)p))
 542 #define isALNUM_lazy_if(p,UTF)   isWORDCHAR_lazy_if(p,UTF)
 543
 544 #define UTF8_MAXLEN UTF8_MAXBYTES
 545
 546 /* A Unicode character can fold to up to 3 characters */
 547 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 548
 549 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 550
 551 /*
 552
 553 =for apidoc Am|bool|DO_UTF8|SV* sv
 554 Returns a bool giving whether or not the PV in C<sv> is to be treated as being
 555 encoded in UTF-8.
 556
 557 You should use this I<after> a call to C<SvPV()> or one of its variants, in
 558 case any call to string overloading updates the internal UTF-8 encoding flag.
 559
 560 =cut
 561 */
 562 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 563
 564 /* Should all strings be treated as Unicode, and not just UTF-8 encoded ones?
 565  * Is so within 'feature unicode_strings' or 'locale :not_characters', and not
 566  * within 'use bytes'.  UTF-8 locales are not tested for here, but perhaps
 567  * could be */
 568 #define IN_UNI_8_BIT                                                             \
 569             (((CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT))                       \
 570                || (CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL                 \
 571                    /* -1 below is for :not_characters */                         \
 572                    && _is_in_locale_category(FALSE, -1)))                        \
 573               && ! IN_BYTES)
 574
 575
 576 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 577
 578 /* Allow first byte to be a continuation byte */
 579 #define UTF8_ALLOW_CONTINUATION         0x0002
 580
 581 /* Allow second... bytes to be non-continuation bytes */
 582 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 583
 584 /* expecting more bytes than were available in the string */
 585 #define UTF8_ALLOW_SHORT                0x0008
 586
 587 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
 588 #define UTF8_ALLOW_LONG                 0x0010
 589
 590 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
 591 #define UTF8_WARN_SURROGATE             0x0040
 592
 593 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
 594 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
 595
 596 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
 597 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
 598
 599 /* Code points which never were part of the original UTF-8 standard, which only
 600  * went up to 2 ** 31 - 1.  Note that these all overflow a signed 32-bit word,
 601  * The first byte of these code points is FE or FF on ASCII platforms.  If the
 602  * first byte is FF, it will overflow a 32-bit word. */
 603 #define UTF8_DISALLOW_ABOVE_31_BIT      0x0800
 604 #define UTF8_WARN_ABOVE_31_BIT          0x1000
 605
 606 /* For back compat, these old names are misleading for UTF_EBCDIC */
 607 #define UTF8_DISALLOW_FE_FF             UTF8_DISALLOW_ABOVE_31_BIT
 608 #define UTF8_WARN_FE_FF                 UTF8_WARN_ABOVE_31_BIT
 609
 610 #define UTF8_CHECK_ONLY                 0x2000
 611
 612 /* For backwards source compatibility.  They do nothing, as the default now
 613  * includes what they used to mean.  The first one's meaning was to allow the
 614  * just the single non-character 0xFFFF */
 615 #define UTF8_ALLOW_FFFF 0
 616 #define UTF8_ALLOW_SURROGATE 0
 617
 618 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE                                       \
 619                        ( UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR              \
 620                         |UTF8_DISALLOW_SURROGATE)
 621 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 622                          (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE)
 623 #define UTF8_ALLOW_ANY                                                          \
 624             (~( UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_DISALLOW_ABOVE_31_BIT    \
 625                |UTF8_WARN_ILLEGAL_INTERCHANGE|UTF8_WARN_ABOVE_31_BIT))
 626 #define UTF8_ALLOW_ANYUV                                                        \
 627          (UTF8_ALLOW_EMPTY                                                      \
 628           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 629 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 630                                          UTF8_ALLOW_ANYUV)
 631
 632 /* Several of the macros below have a second parameter that is currently
 633  * unused; but could be used in the future to make sure that the input is
 634  * well-formed. */
 635
 636 #define UTF8_IS_SURROGATE(s, e) cBOOL(is_SURROGATE_utf8(s))
 637 #define UTF8_IS_REPLACEMENT(s, send) cBOOL(is_REPLACEMENT_utf8_safe(s,send))
 638
 639 /*                ASCII              EBCDIC I8
 640  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 641  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 642  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 643  *
 644  * BE AWARE that this test doesn't rule out malformed code points, in
 645  * particular overlongs */
 646 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 647 #   define UTF8_IS_SUPER(s, e) (NATIVE_UTF8_TO_I8(* (U8*) (s)) >= 0xF9          \
 648                          && (NATIVE_UTF8_TO_I8(* (U8*) (s)) > 0xF9              \
 649                              || (NATIVE_UTF8_TO_I8(* ((U8*) (s) + 1)) >= 0xA2)))
 650 #else
 651 #   define UTF8_IS_SUPER(s, e) (*(U8*) (s) >= 0xF4                              \
 652                            && (*(U8*) (s) > 0xF4 || (*((U8*) (s) + 1) >= 0x90)))
 653 #endif
 654
 655 /* These are now machine generated, and the 'given' clause is no longer
 656  * applicable */
 657 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)          \
 658                                                     cBOOL(is_NONCHAR_utf8(s))
 659 #define UTF8_IS_NONCHAR(s, e)                                                  \
 660                 UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s, e)
 661
 662 #define UNICODE_SURROGATE_FIRST         0xD800
 663 #define UNICODE_SURROGATE_LAST          0xDFFF
 664 #define UNICODE_REPLACEMENT             0xFFFD
 665 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 666
 667 /* Though our UTF-8 encoding can go beyond this,
 668  * let's be conservative and do as Unicode says. */
 669 #define PERL_UNICODE_MAX        0x10FFFF
 670
 671 #define UNICODE_WARN_SURROGATE        0x0001    /* UTF-16 surrogates */
 672 #define UNICODE_WARN_NONCHAR          0x0002    /* Non-char code points */
 673 #define UNICODE_WARN_SUPER            0x0004    /* Above 0x10FFFF */
 674 #define UNICODE_WARN_ABOVE_31_BIT     0x0008    /* Above 0x7FFF_FFFF */
 675 #define UNICODE_DISALLOW_SURROGATE    0x0010
 676 #define UNICODE_DISALLOW_NONCHAR      0x0020
 677 #define UNICODE_DISALLOW_SUPER        0x0040
 678 #define UNICODE_DISALLOW_ABOVE_31_BIT 0x0080
 679 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
 680             (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
 681 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
 682  (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
 683
 684 /* For backward source compatibility, as are now the default */
 685 #define UNICODE_ALLOW_SURROGATE 0
 686 #define UNICODE_ALLOW_SUPER     0
 687 #define UNICODE_ALLOW_ANY       0
 688
 689 /* This matches the 2048 code points between UNICODE_SURROGATE_FIRST (0xD800) and
 690  * UNICODE_SURROGATE_LAST (0xDFFF) */
 691 #define UNICODE_IS_SURROGATE(uv)        (((UV) (uv) & (~0xFFFF | 0xF800))       \
 692                                                                     == 0xD800)
 693
 694 #define UNICODE_IS_REPLACEMENT(uv)      ((UV) (uv) == UNICODE_REPLACEMENT)
 695 #define UNICODE_IS_BYTE_ORDER_MARK(uv)  ((UV) (uv) == UNICODE_BYTE_ORDER_MARK)
 696
 697 /* Is 'uv' one of the 32 contiguous-range noncharacters? */
 698 #define UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)      ((UV) (uv) >= 0xFDD0         \
 699                                                  && (UV) (uv) <= 0xFDEF)
 700
 701 /* Is 'uv' one of the 34 plane-ending noncharacters 0xFFFE, 0xFFFF, 0x1FFFE,
 702  * 0x1FFFF, ... 0x10FFFE, 0x10FFFF, given that we know that 'uv' is not above
 703  * the Unicode legal max */
 704 #define UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)                        \
 705                                               (((UV) (uv) & 0xFFFE) == 0xFFFE)
 706
 707 #define UNICODE_IS_NONCHAR(uv)                                                  \
 708     (   UNICODE_IS_32_CONTIGUOUS_NONCHARS(uv)                                   \
 709      || (   LIKELY( ! UNICODE_IS_SUPER(uv))                                     \
 710          && UNICODE_IS_END_PLANE_NONCHAR_GIVEN_NOT_SUPER(uv)))
 711
 712 #define UNICODE_IS_SUPER(uv)    ((UV) (uv) > PERL_UNICODE_MAX)
 713 #define UNICODE_IS_ABOVE_31_BIT(uv)    ((UV) (uv) > 0x7FFFFFFF)
 714
 715 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
 716 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
 717                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
 718 #define MICRO_SIGN      MICRO_SIGN_NATIVE
 719 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
 720                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
 721 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
 722                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
 723 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 724 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 725 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 726 #define GREEK_SMALL_LETTER_MU                   0x03BC
 727 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
 728                                                            of MICRON */
 729 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
 730 #ifdef LATIN_CAPITAL_LETTER_SHARP_S_UTF8
 731 #   define LATIN_CAPITAL_LETTER_SHARP_S         0x1E9E
 732 #endif
 733 #define LATIN_CAPITAL_LETTER_I_WITH_DOT_ABOVE   0x130
 734 #define LATIN_SMALL_LETTER_DOTLESS_I            0x131
 735 #define LATIN_SMALL_LETTER_LONG_S               0x017F
 736 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
 737 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
 738 #define KELVIN_SIGN                             0x212A
 739 #define ANGSTROM_SIGN                           0x212B
 740
 741 #define UNI_DISPLAY_ISPRINT     0x0001
 742 #define UNI_DISPLAY_BACKSLASH   0x0002
 743 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 744 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 745
 746 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 747         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 748          (ANYOF_NONBITMAP(node)) && \
 749          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 750          ((end) > (input) + 1) && \
 751          isALPHA_FOLD_EQ((input)[0], 's'))
 752
 753 #define SHARP_S_SKIP 2
 754
 755 /* If you want to exclude surrogates, and beyond legal Unicode, see the blame
 756  * log for earlier versions which gave details for these */
 757
 758 /* A helper macro for isUTF8_CHAR, so use that one, and not this one.  This is
 759  * retained solely for backwards compatibility and may be deprecated and
 760  * removed in a future Perl version.
 761  *
 762  * regen/regcharclass.pl generates is_UTF8_CHAR_utf8() macros for up to these
 763  * number of bytes.  So this has to be coordinated with that file */
 764 #ifdef EBCDIC
 765 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 3)
 766 #else
 767 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
 768 #endif
 769
 770 #ifndef EBCDIC
 771 /* A helper macro for isUTF8_CHAR, so use that one instead of this.  This was
 772  * generated by regen/regcharclass.pl, and then moved here.  The lines that
 773  * generated it were then commented out.  This was done solely because it takes
 774  * on the order of 10 minutes to generate, and is never going to change, unless
 775  * the generated code is improved.
 776  *
 777  * The EBCDIC versions have been cut to not cover all of legal Unicode,
 778  * otherwise they take too long to generate; besides there is a separate one
 779  * for each code page, so they are in regcharclass.h instead of here */
 780 /*
 781         UTF8_CHAR: Matches legal UTF-8 encoded characters from 2 through 4 bytes
 782
 783         0x80 - 0x1FFFFF
 784 */
 785 /*** GENERATED CODE ***/
 786 #define is_UTF8_CHAR_utf8_no_length_checks(s)                               \
 787 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
 788     ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                          \
 789 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
 790     ( ( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 791 : ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEF ) ?                          \
 792     ( ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 793 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
 794     ( ( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBF ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 795 : ( ( ( ( 0xF1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xF7 ) && ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )
 796 #endif
 797
 798 /*
 799
 800 =for apidoc Am|STRLEN|isUTF8_CHAR|const U8 *s|const U8 *e
 801
 802 Returns the number of bytes beginning at C<s> which form a legal UTF-8 (or
 803 UTF-EBCDIC) encoded character, looking no further than S<C<e - s>> bytes into
 804 C<s>.  Returns 0 if the sequence starting at C<s> through S<C<e - 1>> is not
 805 well-formed UTF-8.
 806
 807 Note that an INVARIANT character (i.e. ASCII on non-EBCDIC
 808 machines) is a valid UTF-8 character.
 809
 810 =cut
 811 */
 812
 813 #define isUTF8_CHAR(s, e)   (UNLIKELY((e) <= (s))                           \
 814                              ? 0                                            \
 815                              : (UTF8_IS_INVARIANT(*s))                      \
 816                                ? 1                                          \
 817                                : UNLIKELY(((e) - (s)) < UTF8SKIP(s))        \
 818                                  ? 0                                        \
 819                                  : LIKELY(IS_UTF8_CHAR_FAST(UTF8SKIP(s)))   \
 820                                    ? is_UTF8_CHAR_utf8_no_length_checks(s)  \
 821                                    : _is_utf8_char_slow(s, e))
 822
 823 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
 824
 825 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
 826  * retained solely for backwards compatibility */
 827 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
 828
 829 #endif /* H_UTF8 */
 830
 831 /*
 832  * ex: set ts=8 sts=4 sw=4 et:
 833  */