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 #define uvchr_to_utf8(a,b)          uvchr_to_utf8_flags(a,b,0)
  43 #define uvchr_to_utf8_flags(d,uv,flags)                                        \
  44                             uvoffuni_to_utf8_flags(d,NATIVE_TO_UNI(uv),flags)
  45 #define utf8_to_uvchr_buf(s, e, lenp)                                          \
  46                      utf8n_to_uvchr(s, (U8*)(e) - (U8*)(s), lenp,              \
  47                                     ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY)
  48
  49 #define to_uni_fold(c, p, lenp) _to_uni_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  50 #define to_utf8_fold(c, p, lenp) _to_utf8_fold_flags(c, p, lenp, FOLD_FLAGS_FULL)
  51 #define to_utf8_lower(a,b,c) _to_utf8_lower_flags(a,b,c,0)
  52 #define to_utf8_upper(a,b,c) _to_utf8_upper_flags(a,b,c,0)
  53 #define to_utf8_title(a,b,c) _to_utf8_title_flags(a,b,c,0)
  54
  55 /* Source backward compatibility. */
  56 #define is_utf8_string_loc(s, len, ep)  is_utf8_string_loclen(s, len, ep, 0)
  57
  58 #define foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  59                     foldEQ_utf8_flags(s1, pe1, l1, u1, s2, pe2, l2, u2, 0)
  60 #define FOLDEQ_UTF8_NOMIX_ASCII   (1 << 0)
  61 #define FOLDEQ_LOCALE             (1 << 1)
  62 #define FOLDEQ_S1_ALREADY_FOLDED  (1 << 2)
  63 #define FOLDEQ_S2_ALREADY_FOLDED  (1 << 3)
  64
  65 #define ibcmp_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2) \
  66                     cBOOL(! foldEQ_utf8(s1, pe1, l1, u1, s2, pe2, l2, u2))
  67
  68 #ifdef EBCDIC
  69 /* The equivalent of these macros but implementing UTF-EBCDIC
  70    are in the following header file:
  71  */
  72
  73 #include "utfebcdic.h"
  74
  75 #else   /* ! EBCDIC */
  76 START_EXTERN_C
  77
  78 #ifdef DOINIT
  79 EXTCONST unsigned char PL_utf8skip[] = {
  80 /* 0x00 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  81 /* 0x10 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  82 /* 0x20 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  83 /* 0x30 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  84 /* 0x40 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  85 /* 0x50 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  86 /* 0x60 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  87 /* 0x70 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  88 /* 0x80 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
  89 /* 0x90 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
  90 /* 0xA0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
  91 /* 0xB0 */ 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus: continuation byte */
  92 /* 0xC0 */ 2,2,                             /* overlong */
  93 /* 0xC2 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,     /* U+0080 to U+03FF */
  94 /* 0xD0 */ 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* U+0400 to U+07FF */
  95 /* 0xE0 */ 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3, /* U+0800 to U+FFFF */
  96 /* 0xF0 */ 4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* above BMP to 2**31 - 1 */
  97 /* 0xFE */ 7,13, /* Perl extended (never was official UTF-8).  Up to 72bit
  98                     allowed (64-bit + reserved). */
  99 };
 100 #else
 101 EXTCONST unsigned char PL_utf8skip[];
 102 #endif
 103
 104 END_EXTERN_C
 105
 106 /* Native character to/from iso-8859-1.  Are the identity functions on ASCII
 107  * platforms */
 108 #define NATIVE_TO_LATIN1(ch)     (ch)
 109 #define LATIN1_TO_NATIVE(ch)     (ch)
 110
 111 /* I8 is an intermediate version of UTF-8 used only in UTF-EBCDIC.  We thus
 112  * consider it to be identical to UTF-8 on ASCII platforms.  Strictly speaking
 113  * UTF-8 and UTF-EBCDIC are two different things, but we often conflate them
 114  * because they are 8-bit encodings that serve the same purpose in Perl, and
 115  * rarely do we need to distinguish them.  The term "NATIVE_UTF8" applies to
 116  * whichever one is applicable on the current platform */
 117 #define NATIVE_UTF8_TO_I8(ch) (ch)
 118 #define I8_TO_NATIVE_UTF8(ch) (ch)
 119
 120 /* Transforms in wide UV chars */
 121 #define UNI_TO_NATIVE(ch)        (ch)
 122 #define NATIVE_TO_UNI(ch)        (ch)
 123
 124 /*
 125
 126  The following table is from Unicode 3.2.
 127
 128  Code Points            1st Byte  2nd Byte  3rd Byte  4th Byte
 129
 130    U+0000..U+007F       00..7F
 131    U+0080..U+07FF     * C2..DF    80..BF
 132    U+0800..U+0FFF       E0      * A0..BF    80..BF
 133    U+1000..U+CFFF       E1..EC    80..BF    80..BF
 134    U+D000..U+D7FF       ED        80..9F    80..BF
 135    U+D800..U+DFFF       ED        A0..BF    80..BF  (surrogates)
 136    U+E000..U+FFFF       EE..EF    80..BF    80..BF
 137   U+10000..U+3FFFF      F0      * 90..BF    80..BF    80..BF
 138   U+40000..U+FFFFF      F1..F3    80..BF    80..BF    80..BF
 139  U+100000..U+10FFFF     F4        80..8F    80..BF    80..BF
 140     Below are non-Unicode code points
 141  U+110000..U+13FFFF     F4        90..BF    80..BF    80..BF
 142  U+110000..U+1FFFFF     F5..F7    80..BF    80..BF    80..BF
 143  U+200000..:            F8..    * 88..BF    80..BF    80..BF    80..BF
 144
 145 Note the gaps before several of the byte entries above marked by '*'.  These are
 146 caused by legal UTF-8 avoiding non-shortest encodings: it is technically
 147 possible to UTF-8-encode a single code point in different ways, but that is
 148 explicitly forbidden, and the shortest possible encoding should always be used
 149 (and that is what Perl does).  The non-shortest ones are called 'overlongs'.
 150
 151  */
 152
 153 /*
 154  Another way to look at it, as bits:
 155
 156                   Code Points      1st Byte   2nd Byte   3rd Byte   4th Byte
 157
 158                         0aaa aaaa  0aaa aaaa
 159               0000 0bbb bbaa aaaa  110b bbbb  10aa aaaa
 160               cccc bbbb bbaa aaaa  1110 cccc  10bb bbbb  10aa aaaa
 161  00 000d ddcc cccc bbbb bbaa aaaa  1111 0ddd  10cc cccc  10bb bbbb  10aa aaaa
 162
 163 As you can see, the continuation bytes all begin with C<10>, and the
 164 leading bits of the start byte tell how many bytes there are in the
 165 encoded character.
 166
 167 Perl's extended UTF-8 means we can have start bytes up to FF.
 168
 169 */
 170
 171 /* Is the representation of the Unicode code point 'c' the same regardless of
 172  * being encoded in UTF-8 or not? */
 173 #define UNI_IS_INVARIANT(c)             (((UV)c) <  0x80)
 174
 175 /* Is the UTF8-encoded byte 'c' part of a variant sequence in UTF-8?  This is
 176  * the inverse of UTF8_IS_INVARIANT */
 177 #define UTF8_IS_CONTINUED(c)            (((U8)c) &  0x80)
 178
 179 /* Is the byte 'c' the first byte of a multi-byte UTF8-8 encoded sequence?
 180  * This doesn't catch invariants (they are single-byte).  It also excludes the
 181  * illegal overlong sequences that begin with C0 and C1. */
 182 #define UTF8_IS_START(c)                (((U8)c) >= 0xc2)
 183
 184 /* Is the byte 'c' part of a multi-byte UTF8-8 encoded sequence, and not the
 185  * first byte thereof?  */
 186 #define UTF8_IS_CONTINUATION(c)         ((((U8)c) & 0xC0) == 0x80)
 187
 188 /* Is the UTF8-encoded byte 'c' the first byte of a two byte sequence?  Use
 189  * UTF8_IS_NEXT_CHAR_DOWNGRADEABLE() instead if the input isn't known to
 190  * be well-formed.  Masking with 0xfe allows the low bit to be 0 or 1; thus
 191  * this matches 0xc[23]. */
 192 #define UTF8_IS_DOWNGRADEABLE_START(c)  (((U8)(c) & 0xfe) == 0xc2)
 193
 194 /* Is the UTF8-encoded byte 'c' the first byte of a sequence of bytes that
 195  * represent a code point > 255? */
 196 #define UTF8_IS_ABOVE_LATIN1(c) ((U8)(c) >= 0xc4)
 197
 198 /* This defines the 1-bits that are to be in the first byte of a multi-byte
 199  * UTF-8 encoded character that give the number of bytes that comprise the
 200  * character. 'len' is the number of bytes in the multi-byte sequence. */
 201 #define UTF_START_MARK(len) (((len) >  7) ? 0xFF : (0xFF & (0xFE << (7-(len)))))
 202
 203 /* Masks out the initial one bits in a start byte, leaving the real data ones.
 204  * Doesn't work on an invariant byte.  'len' is the number of bytes in the
 205  * multi-byte sequence that comprises the character. */
 206 #define UTF_START_MASK(len) (((len) >= 7) ? 0x00 : (0x1F >> ((len)-2)))
 207
 208 /* This defines the bits that are to be in the continuation bytes of a multi-byte
 209  * UTF-8 encoded character that indicate it is a continuation byte. */
 210 #define UTF_CONTINUATION_MARK           0x80
 211
 212 /* This is the number of low-order bits a continuation byte in a UTF-8 encoded
 213  * sequence contributes to the specification of the code point.  In the bit
 214  * maps above, you see that the first 2 bits are a constant '10', leaving 6 of
 215  * real information */
 216 #define UTF_ACCUMULATION_SHIFT          6
 217
 218 /* 2**UTF_ACCUMULATION_SHIFT - 1 */
 219 #define UTF_CONTINUATION_MASK           ((U8)0x3f)
 220
 221 /* If a value is anded with this, and the result is non-zero, then using the
 222  * original value in UTF8_ACCUMULATE will overflow, shifting bits off the left
 223  * */
 224 #define UTF_ACCUMULATION_OVERFLOW_MASK                                  \
 225     (((UV) UTF_CONTINUATION_MASK) << ((sizeof(UV) * CHARBITS)           \
 226            - UTF_ACCUMULATION_SHIFT))
 227
 228 #if UVSIZE >= 8
 229 #  define UTF8_QUAD_MAX UINT64_C(0x1000000000)
 230
 231 /* Input is a true Unicode (not-native) code point */
 232 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
 233                       (uv) < 0x800          ? 2 : \
 234                       (uv) < 0x10000        ? 3 : \
 235                       (uv) < 0x200000       ? 4 : \
 236                       (uv) < 0x4000000      ? 5 : \
 237                       (uv) < 0x80000000     ? 6 : \
 238                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
 239 #else
 240 /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
 241 #define OFFUNISKIP(uv) ( (uv) < 0x80        ? 1 : \
 242                       (uv) < 0x800          ? 2 : \
 243                       (uv) < 0x10000        ? 3 : \
 244                       (uv) < 0x200000       ? 4 : \
 245                       (uv) < 0x4000000      ? 5 : \
 246                       (uv) < 0x80000000     ? 6 : 7 )
 247 #endif
 248
 249 /* How wide can a single UTF-8 encoded character become in bytes. */
 250 /* NOTE: Strictly speaking Perl's UTF-8 should not be called UTF-8 since UTF-8
 251  * is an encoding of Unicode, and Unicode's upper limit, 0x10FFFF, can be
 252  * expressed with 4 bytes.  However, Perl thinks of UTF-8 as a way to encode
 253  * non-negative integers in a binary format, even those above Unicode */
 254 #define UTF8_MAXBYTES 13
 255
 256 /* The maximum number of UTF-8 bytes a single Unicode character can
 257  * uppercase/lowercase/fold into.  Unicode guarantees that the maximum
 258  * expansion is 3 characters.  On ASCIIish platforms, the highest Unicode
 259  * character occupies 4 bytes, therefore this number would be 12, but this is
 260  * smaller than the maximum width a single above-Unicode character can occupy,
 261  * so use that instead */
 262 #if UTF8_MAXBYTES < 12
 263 #error UTF8_MAXBYTES must be at least 12
 264 #endif
 265
 266 /* ^? is defined to be DEL on ASCII systems.  See the definition of toCTRL()
 267  * for more */
 268 #define QUESTION_MARK_CTRL  DEL_NATIVE
 269
 270 #define MAX_UTF8_TWO_BYTE 0x7FF
 271
 272 #define UTF8_MAXBYTES_CASE      UTF8_MAXBYTES
 273
 274 #endif /* EBCDIC vs ASCII */
 275
 276 /* Rest of these are attributes of Unicode and perl's internals rather than the
 277  * encoding, or happen to be the same in both ASCII and EBCDIC (at least at
 278  * this level; the macros that some of these call may have different
 279  * definitions in the two encodings */
 280
 281 /* In domain restricted to ASCII, these may make more sense to the reader than
 282  * the ones with Latin1 in the name */
 283 #define NATIVE_TO_ASCII(ch)      NATIVE_TO_LATIN1(ch)
 284 #define ASCII_TO_NATIVE(ch)      LATIN1_TO_NATIVE(ch)
 285
 286 /* More or less misleadingly-named defines, retained for back compat */
 287 #define NATIVE_TO_UTF(ch)        NATIVE_UTF8_TO_I8(ch)
 288 #define NATIVE_TO_I8(ch)         NATIVE_UTF8_TO_I8(ch)
 289 #define UTF_TO_NATIVE(ch)        I8_TO_NATIVE_UTF8(ch)
 290 #define I8_TO_NATIVE(ch)         I8_TO_NATIVE_UTF8(ch)
 291 #define NATIVE8_TO_UNI(ch)       NATIVE_TO_LATIN1(ch)
 292
 293 /* Adds a UTF8 continuation byte 'new' of information to a running total code
 294  * point 'old' of all the continuation bytes so far.  This is designed to be
 295  * used in a loop to convert from UTF-8 to the code point represented.  Note
 296  * that this is asymmetric on EBCDIC platforms, in that the 'new' parameter is
 297  * the UTF-EBCDIC byte, whereas the 'old' parameter is a Unicode (not EBCDIC)
 298  * code point in process of being generated */
 299 #define UTF8_ACCUMULATE(old, new) (((old) << UTF_ACCUMULATION_SHIFT)           \
 300                                    | ((NATIVE_UTF8_TO_I8((U8)new))             \
 301                                        & UTF_CONTINUATION_MASK))
 302
 303 /* This works in the face of malformed UTF-8. */
 304 #define UTF8_IS_NEXT_CHAR_DOWNGRADEABLE(s, e) (UTF8_IS_DOWNGRADEABLE_START(*s) \
 305                                                && ( (e) - (s) > 1)             \
 306                                                && UTF8_IS_CONTINUATION(*((s)+1)))
 307
 308 /* Number of bytes a code point occupies in UTF-8. */
 309 #define NATIVE_SKIP(uv) OFFUNISKIP(NATIVE_TO_UNI(uv))
 310
 311 /* Most code which says UNISKIP is really thinking in terms of native code
 312  * points (0-255) plus all those beyond.  This is an imprecise term, but having
 313  * it means existing code continues to work.  For precision, use NATIVE_SKIP
 314  * and OFFUNISKIP */
 315 #define UNISKIP(uv)   NATIVE_SKIP(uv)
 316
 317 /* Convert a two (not one) byte utf8 character to a native code point value.
 318  * Needs just one iteration of accumulate.  Should not be used unless it is
 319  * known that the two bytes are legal: 1) two-byte start, and 2) continuation.
 320  * Note that the result can be larger than 255 if the input character is not
 321  * downgradable */
 322 #define TWO_BYTE_UTF8_TO_NATIVE(HI, LO) \
 323      UNI_TO_NATIVE(UTF8_ACCUMULATE((NATIVE_UTF8_TO_I8(HI) & UTF_START_MASK(2)), \
 324                                    (LO)))
 325
 326 /* Should never be used, and be deprecated */
 327 #define TWO_BYTE_UTF8_TO_UNI(HI, LO) NATIVE_TO_UNI(TWO_BYTE_UTF8_TO_NATIVE(HI, LO))
 328
 329 /* How many bytes in the UTF-8 encoded character whose first (perhaps only)
 330  * byte is pointed to by 's' */
 331 #define UTF8SKIP(s) PL_utf8skip[*(const U8*)(s)]
 332
 333 /* Is the byte 'c' the same character when encoded in UTF-8 as when not.  This
 334  * works on both UTF-8 encoded strings and non-encoded, as it returns TRUE in
 335  * each for the exact same set of bit patterns.  (And it works on any byte in a
 336  * UTF-8 encoded string) */
 337 #define UTF8_IS_INVARIANT(c)            UNI_IS_INVARIANT(NATIVE_UTF8_TO_I8(c))
 338
 339 /* Like the above, but its name implies a non-UTF8 input, and is implemented
 340  * differently (for no particular reason) */
 341 #define NATIVE_BYTE_IS_INVARIANT(c)     UNI_IS_INVARIANT(NATIVE_TO_LATIN1(c))
 342
 343 /* Like the above, but accepts any UV as input */
 344 #define UVCHR_IS_INVARIANT(uv)          UNI_IS_INVARIANT(NATIVE_TO_UNI(uv))
 345
 346 #define MAX_PORTABLE_UTF8_TWO_BYTE 0x3FF    /* constrained by EBCDIC */
 347
 348 /* The macros in the next 4 sets are used to generate the two utf8 or utfebcdic
 349  * bytes from an ordinal that is known to fit into exactly two (not one) bytes;
 350  * it must be less than 0x3FF to work across both encodings. */
 351
 352 /* These two are helper macros for the other three sets, and should not be used
 353  * directly anywhere else.  'translate_function' is either NATIVE_TO_LATIN1
 354  * (which works for code points up to 0xFF) or NATIVE_TO_UNI which works for any
 355  * code point */
 356 #define __BASE_TWO_BYTE_HI(c, translate_function)                               \
 357             I8_TO_NATIVE_UTF8((translate_function(c) >> UTF_ACCUMULATION_SHIFT) \
 358                               | UTF_START_MARK(2))
 359 #define __BASE_TWO_BYTE_LO(c, translate_function)                               \
 360               I8_TO_NATIVE_UTF8((translate_function(c) & UTF_CONTINUATION_MASK) \
 361                                  | UTF_CONTINUATION_MARK)
 362
 363 /* The next two macros should not be used.  They were designed to be usable as
 364  * the case label of a switch statement, but this doesn't work for EBCDIC.  Use
 365  * regen/unicode_constants.pl instead */
 366 #define UTF8_TWO_BYTE_HI_nocast(c)  __BASE_TWO_BYTE_HI(c, NATIVE_TO_UNI)
 367 #define UTF8_TWO_BYTE_LO_nocast(c)  __BASE_TWO_BYTE_LO(c, NATIVE_TO_UNI)
 368
 369 /* The next two macros are used when the source should be a single byte
 370  * character; checked for under DEBUGGING */
 371 #define UTF8_EIGHT_BIT_HI(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 372                              ((U8) __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
 373 #define UTF8_EIGHT_BIT_LO(c) (__ASSERT_(FITS_IN_8_BITS(c))                    \
 374                              ((U8) __BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
 375
 376 /* These final two macros in the series are used when the source can be any
 377  * code point whose UTF-8 is known to occupy 2 bytes; they are less efficient
 378  * than the EIGHT_BIT versions on EBCDIC platforms.  We use the logical '~'
 379  * operator instead of "<=" to avoid getting compiler warnings.
 380  * MAX_PORTABLE_UTF8_TWO_BYTE should be exactly all one bits in the lower few
 381  * places, so the ~ works */
 382 #define UTF8_TWO_BYTE_HI(c)                                                    \
 383        (__ASSERT_((sizeof(c) ==  1)                                            \
 384                   || !(((WIDEST_UTYPE)(c)) & ~MAX_PORTABLE_UTF8_TWO_BYTE))     \
 385         ((U8) __BASE_TWO_BYTE_HI(c, NATIVE_TO_LATIN1)))
 386 #define UTF8_TWO_BYTE_LO(c)                                                    \
 387        (__ASSERT_((sizeof(c) ==  1)                                            \
 388                   || !(((WIDEST_UTYPE)(c)) & ~MAX_PORTABLE_UTF8_TWO_BYTE))     \
 389         ((U8) __BASE_TWO_BYTE_LO(c, NATIVE_TO_LATIN1)))
 390
 391 /* This is illegal in any well-formed UTF-8 in both EBCDIC and ASCII
 392  * as it is only in overlongs. */
 393 #define ILLEGAL_UTF8_BYTE   I8_TO_NATIVE_UTF8(0xC1)
 394
 395 /*
 396  * 'UTF' is whether or not p is encoded in UTF8.  The names 'foo_lazy_if' stem
 397  * from an earlier version of these macros in which they didn't call the
 398  * foo_utf8() macros (i.e. were 'lazy') unless they decided that *p is the
 399  * beginning of a utf8 character.  Now that foo_utf8() determines that itself,
 400  * no need to do it again here
 401  */
 402 #define isIDFIRST_lazy_if(p,UTF) ((IN_BYTES || !UTF ) \
 403                                  ? isIDFIRST(*(p)) \
 404                                  : isIDFIRST_utf8((const U8*)p))
 405 #define isWORDCHAR_lazy_if(p,UTF)   ((IN_BYTES || (!UTF )) \
 406                                  ? isWORDCHAR(*(p)) \
 407                                  : isWORDCHAR_utf8((const U8*)p))
 408 #define isALNUM_lazy_if(p,UTF)   isWORDCHAR_lazy_if(p,UTF)
 409
 410 #define UTF8_MAXLEN UTF8_MAXBYTES
 411
 412 /* A Unicode character can fold to up to 3 characters */
 413 #define UTF8_MAX_FOLD_CHAR_EXPAND 3
 414
 415 #define IN_BYTES (CopHINTS_get(PL_curcop) & HINT_BYTES)
 416 #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
 417 #define IN_UNI_8_BIT \
 418             (((CopHINTS_get(PL_curcop) & (HINT_UNI_8_BIT))                       \
 419                || (CopHINTS_get(PL_curcop) & HINT_LOCALE_PARTIAL                 \
 420                    /* -1 below is for :not_characters */                         \
 421                    && _is_in_locale_category(FALSE, -1)))                        \
 422               && ! IN_BYTES)
 423
 424
 425 #define UTF8_ALLOW_EMPTY                0x0001  /* Allow a zero length string */
 426
 427 /* Allow first byte to be a continuation byte */
 428 #define UTF8_ALLOW_CONTINUATION         0x0002
 429
 430 /* Allow second... bytes to be non-continuation bytes */
 431 #define UTF8_ALLOW_NON_CONTINUATION     0x0004
 432
 433 /* expecting more bytes than were available in the string */
 434 #define UTF8_ALLOW_SHORT                0x0008
 435
 436 /* Overlong sequence; i.e., the code point can be specified in fewer bytes. */
 437 #define UTF8_ALLOW_LONG                 0x0010
 438
 439 #define UTF8_DISALLOW_SURROGATE         0x0020  /* Unicode surrogates */
 440 #define UTF8_WARN_SURROGATE             0x0040
 441
 442 #define UTF8_DISALLOW_NONCHAR           0x0080  /* Unicode non-character */
 443 #define UTF8_WARN_NONCHAR               0x0100  /*  code points */
 444
 445 #define UTF8_DISALLOW_SUPER             0x0200  /* Super-set of Unicode: code */
 446 #define UTF8_WARN_SUPER                 0x0400  /* points above the legal max */
 447
 448 /* Code points which never were part of the original UTF-8 standard, the first
 449  * byte of which is a FE or FF on ASCII platforms. If the first byte is FF, it
 450  * will overflow a 32-bit word.  If the first byte is FE, it will overflow a
 451  * signed 32-bit word. */
 452 #define UTF8_DISALLOW_FE_FF             0x0800
 453 #define UTF8_WARN_FE_FF                 0x1000
 454
 455 #define UTF8_CHECK_ONLY                 0x2000
 456
 457 /* For backwards source compatibility.  They do nothing, as the default now
 458  * includes what they used to mean.  The first one's meaning was to allow the
 459  * just the single non-character 0xFFFF */
 460 #define UTF8_ALLOW_FFFF 0
 461 #define UTF8_ALLOW_SURROGATE 0
 462
 463 #define UTF8_DISALLOW_ILLEGAL_INTERCHANGE (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_NONCHAR|UTF8_DISALLOW_SURROGATE|UTF8_DISALLOW_FE_FF)
 464 #define UTF8_WARN_ILLEGAL_INTERCHANGE \
 465         (UTF8_WARN_SUPER|UTF8_WARN_NONCHAR|UTF8_WARN_SURROGATE|UTF8_WARN_FE_FF)
 466 #define UTF8_ALLOW_ANY \
 467             (~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 468 #define UTF8_ALLOW_ANYUV                                                        \
 469          (UTF8_ALLOW_EMPTY                                                      \
 470           & ~(UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE))
 471 #define UTF8_ALLOW_DEFAULT              (ckWARN(WARN_UTF8) ? 0 : \
 472                                          UTF8_ALLOW_ANYUV)
 473
 474 /* Surrogates, non-character code points and above-Unicode code points are
 475  * problematic in some contexts.  This allows code that needs to check for
 476  * those to to quickly exclude the vast majority of code points it will
 477  * encounter */
 478 #define UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE \
 479                                     FIRST_SURROGATE_UTF8_FIRST_BYTE
 480
 481 #define UTF8_IS_SURROGATE(s) cBOOL(is_SURROGATE_utf8(s))
 482 #define UTF8_IS_REPLACEMENT(s, send) cBOOL(is_REPLACEMENT_utf8_safe(s,send))
 483
 484 /*                ASCII              EBCDIC I8
 485  * U+10FFFF: \xF4\x8F\xBF\xBF   \xF9\xA1\xBF\xBF\xBF    max legal Unicode
 486  * U+110000: \xF4\x90\x80\x80   \xF9\xA2\xA0\xA0\xA0
 487  * U+110001: \xF4\x90\x80\x81   \xF9\xA2\xA0\xA0\xA1
 488  *
 489  * BE AWARE that this test doesn't rule out malformed code points, in
 490  * particular overlongs */
 491 #ifdef EBCDIC /* Both versions assume well-formed UTF8 */
 492 #   define UTF8_IS_SUPER(s) (NATIVE_UTF8_TO_I8(* (U8*) (s)) >= 0xF9             \
 493                          && (NATIVE_UTF8_TO_I8(* (U8*) (s)) > 0xF9              \
 494                              || (NATIVE_UTF8_TO_I8(* ((U8*) (s) + 1)) >= 0xA2)))
 495 #else
 496 #   define UTF8_IS_SUPER(s) (*(U8*) (s) >= 0xF4                                 \
 497                             && (*(U8*) (s) > 0xF4 || (*((U8*) (s) + 1) >= 0x90)))
 498 #endif
 499
 500 /* These are now machine generated, and the 'given' clause is no longer
 501  * applicable */
 502 #define UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)             \
 503                                                     cBOOL(is_NONCHAR_utf8(s))
 504 #define UTF8_IS_NONCHAR_(s)                                                    \
 505                     UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s)
 506
 507 #define UNICODE_SURROGATE_FIRST         0xD800
 508 #define UNICODE_SURROGATE_LAST          0xDFFF
 509 #define UNICODE_REPLACEMENT             0xFFFD
 510 #define UNICODE_BYTE_ORDER_MARK         0xFEFF
 511
 512 /* Though our UTF-8 encoding can go beyond this,
 513  * let's be conservative and do as Unicode says. */
 514 #define PERL_UNICODE_MAX        0x10FFFF
 515
 516 #define UNICODE_WARN_SURROGATE     0x0001       /* UTF-16 surrogates */
 517 #define UNICODE_WARN_NONCHAR       0x0002       /* Non-char code points */
 518 #define UNICODE_WARN_SUPER         0x0004       /* Above 0x10FFFF */
 519 #define UNICODE_WARN_FE_FF         0x0008       /* Above 0x10FFFF */
 520 #define UNICODE_DISALLOW_SURROGATE 0x0010
 521 #define UNICODE_DISALLOW_NONCHAR   0x0020
 522 #define UNICODE_DISALLOW_SUPER     0x0040
 523 #define UNICODE_DISALLOW_FE_FF     0x0080
 524 #define UNICODE_WARN_ILLEGAL_INTERCHANGE                                      \
 525             (UNICODE_WARN_SURROGATE|UNICODE_WARN_NONCHAR|UNICODE_WARN_SUPER)
 526 #define UNICODE_DISALLOW_ILLEGAL_INTERCHANGE                                  \
 527  (UNICODE_DISALLOW_SURROGATE|UNICODE_DISALLOW_NONCHAR|UNICODE_DISALLOW_SUPER)
 528
 529 /* For backward source compatibility, as are now the default */
 530 #define UNICODE_ALLOW_SURROGATE 0
 531 #define UNICODE_ALLOW_SUPER     0
 532 #define UNICODE_ALLOW_ANY       0
 533
 534 #define UNICODE_IS_SURROGATE(c)         ((c) >= UNICODE_SURROGATE_FIRST && \
 535                                          (c) <= UNICODE_SURROGATE_LAST)
 536 #define UNICODE_IS_REPLACEMENT(c)       ((c) == UNICODE_REPLACEMENT)
 537 #define UNICODE_IS_BYTE_ORDER_MARK(c)   ((c) == UNICODE_BYTE_ORDER_MARK)
 538 #define UNICODE_IS_NONCHAR(c)           ((c >= 0xFDD0 && c <= 0xFDEF) \
 539                         /* The other noncharacters end in FFFE or FFFF, which  \
 540                          * the mask below catches both of, but beyond the last \
 541                          * official unicode code point, they aren't            \
 542                          * noncharacters, since those aren't Unicode           \
 543                          * characters at all */                                \
 544                         || ((((c & 0xFFFE) == 0xFFFE)) && ! UNICODE_IS_SUPER(c)))
 545 #define UNICODE_IS_SUPER(c)             ((c) > PERL_UNICODE_MAX)
 546 #define UNICODE_IS_FE_FF(c)             ((c) > 0x7FFFFFFF)
 547
 548 #define LATIN_SMALL_LETTER_SHARP_S      LATIN_SMALL_LETTER_SHARP_S_NATIVE
 549 #define LATIN_SMALL_LETTER_Y_WITH_DIAERESIS                                  \
 550                                 LATIN_SMALL_LETTER_Y_WITH_DIAERESIS_NATIVE
 551 #define MICRO_SIGN      MICRO_SIGN_NATIVE
 552 #define LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE                               \
 553                             LATIN_CAPITAL_LETTER_A_WITH_RING_ABOVE_NATIVE
 554 #define LATIN_SMALL_LETTER_A_WITH_RING_ABOVE                                 \
 555                                 LATIN_SMALL_LETTER_A_WITH_RING_ABOVE_NATIVE
 556 #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA      0x03A3
 557 #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA  0x03C2
 558 #define UNICODE_GREEK_SMALL_LETTER_SIGMA        0x03C3
 559 #define GREEK_SMALL_LETTER_MU                   0x03BC
 560 #define GREEK_CAPITAL_LETTER_MU                 0x039C  /* Upper and title case
 561                                                            of MICRON */
 562 #define LATIN_CAPITAL_LETTER_Y_WITH_DIAERESIS   0x0178  /* Also is title case */
 563 #define LATIN_CAPITAL_LETTER_SHARP_S            0x1E9E
 564 #define LATIN_SMALL_LETTER_LONG_S               0x017F
 565 #define LATIN_SMALL_LIGATURE_LONG_S_T           0xFB05
 566 #define LATIN_SMALL_LIGATURE_ST                 0xFB06
 567 #define KELVIN_SIGN                             0x212A
 568 #define ANGSTROM_SIGN                           0x212B
 569
 570 #define UNI_DISPLAY_ISPRINT     0x0001
 571 #define UNI_DISPLAY_BACKSLASH   0x0002
 572 #define UNI_DISPLAY_QQ          (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 573 #define UNI_DISPLAY_REGEX       (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
 574
 575 #define ANYOF_FOLD_SHARP_S(node, input, end)    \
 576         (ANYOF_BITMAP_TEST(node, LATIN_SMALL_LETTER_SHARP_S) && \
 577          (ANYOF_NONBITMAP(node)) && \
 578          (ANYOF_FLAGS(node) & ANYOF_LOC_NONBITMAP_FOLD) && \
 579          ((end) > (input) + 1) && \
 580          isALPHA_FOLD_EQ((input)[0], 's'))
 581
 582 #define SHARP_S_SKIP 2
 583
 584 /* If you want to exclude surrogates, and beyond legal Unicode, see the blame
 585  * log for earlier versions which gave details for these */
 586
 587 /* A helper macro for isUTF8_CHAR, so use that one, and not this one.  This is
 588  * retained solely for backwards compatibility and may be deprecated and
 589  * removed in a future Perl version.
 590  *
 591  * regen/regcharclass.pl generates is_UTF8_CHAR_utf8() macros for up to these
 592  * number of bytes.  So this has to be coordinated with that file */
 593 #ifdef EBCDIC
 594 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 3)
 595 #else
 596 #   define IS_UTF8_CHAR_FAST(n) ((n) <= 4)
 597 #endif
 598
 599 #ifndef EBCDIC
 600 /* A helper macro for isUTF8_CHAR, so use that one instead of this.  This was
 601  * generated by regen/regcharclass.pl, and then moved here.  The lines that
 602  * generated it were then commented out.  This was done solely because it takes
 603  * on the order of 10 minutes to generate, and is never going to change, unless
 604  * the generated code is improved.
 605  *
 606  * The EBCDIC versions have been cut to not cover all of legal Unicode, so
 607  * don't take too long to generate, and there is a separate one for each code
 608  * page, so they are in regcharclass.h instead of here */
 609 /*
 610         UTF8_CHAR: Matches legal UTF-8 encoded characters from 2 through 4 bytes
 611
 612         0x80 - 0x1FFFFF
 613 */
 614 /*** GENERATED CODE ***/
 615 #define is_UTF8_CHAR_utf8_no_length_checks(s)                               \
 616 ( ( 0xC2 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xDF ) ?                          \
 617     ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) ? 2 : 0 )                          \
 618 : ( 0xE0 == ((U8*)s)[0] ) ?                                                 \
 619     ( ( ( ( ((U8*)s)[1] & 0xE0 ) == 0xA0 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 620 : ( 0xE1 <= ((U8*)s)[0] && ((U8*)s)[0] <= 0xEF ) ?                          \
 621     ( ( ( ( ((U8*)s)[1] & 0xC0 ) == 0x80 ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) ? 3 : 0 )\
 622 : ( 0xF0 == ((U8*)s)[0] ) ?                                                 \
 623     ( ( ( ( 0x90 <= ((U8*)s)[1] && ((U8*)s)[1] <= 0xBF ) && ( ( ((U8*)s)[2] & 0xC0 ) == 0x80 ) ) && ( ( ((U8*)s)[3] & 0xC0 ) == 0x80 ) ) ? 4 : 0 )\
 624 : ( ( ( ( 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 )
 625 #endif
 626
 627 /*
 628 =head1 Unicode Support
 629
 630 =for apidoc Am|STRLEN|isUTF8_CHAR|const U8 *s|const U8 *e
 631
 632 Returns the number of bytes beginning at C<s> which form a legal UTF-8 (or
 633 UTF-EBCDIC) encoded character, looking no further than C<e - s> bytes into
 634 C<s>.  Returns 0 if the sequence starting at C<s> through C<e - 1> is not
 635 well-formed UTF-8
 636
 637 Note that an INVARIANT character (i.e. ASCII on non-EBCDIC
 638 machines) is a valid UTF-8 character.
 639
 640 =cut
 641 */
 642
 643 #define isUTF8_CHAR(s, e)   (UNLIKELY((e) <= (s))                           \
 644                              ? 0                                            \
 645                              : (UTF8_IS_INVARIANT(*s))                      \
 646                                ? 1                                          \
 647                                : UNLIKELY(((e) - (s)) < UTF8SKIP(s))        \
 648                                  ? 0                                        \
 649                                  : LIKELY(IS_UTF8_CHAR_FAST(UTF8SKIP(s)))   \
 650                                    ? is_UTF8_CHAR_utf8_no_length_checks(s)  \
 651                                    : _is_utf8_char_slow(s, e))
 652
 653 #define is_utf8_char_buf(buf, buf_end) isUTF8_CHAR(buf, buf_end)
 654
 655 /* Do not use; should be deprecated.  Use isUTF8_CHAR() instead; this is
 656  * retained solely for backwards compatibility */
 657 #define IS_UTF8_CHAR(p, n)      (isUTF8_CHAR(p, (p) + (n)) == n)
 658
 659 #endif /* H_UTF8 */
 660
 661 /*
 662  * Local variables:
 663  * c-indentation-style: bsd
 664  * c-basic-offset: 4
 665  * indent-tabs-mode: nil
 666  * End:
 667  *
 668  * ex: set ts=8 sts=4 sw=4 et:
 669  */