utf8.c

   1 /*    utf8.c
   2  *
   3  *    Copyright (C) 2000, 2001, 2002, 2003, 2004, 2005, 2006, 2007, 2008
   4  *    by Larry Wall and others
   5  *
   6  *    You may distribute under the terms of either the GNU General Public
   7  *    License or the Artistic License, as specified in the README file.
   8  *
   9  */
  10
  11 /*
  12  * 'What a fix!' said Sam.  'That's the one place in all the lands we've ever
  13  *  heard of that we don't want to see any closer; and that's the one place
  14  *  we're trying to get to!  And that's just where we can't get, nohow.'
  15  *
  16  *     [p.603 of _The Lord of the Rings_, IV/I: "The Taming of Sméagol"]
  17  *
  18  * 'Well do I understand your speech,' he answered in the same language;
  19  * 'yet few strangers do so.  Why then do you not speak in the Common Tongue,
  20  *  as is the custom in the West, if you wish to be answered?'
  21  *                           --Gandalf, addressing Théoden's door wardens
  22  *
  23  *     [p.508 of _The Lord of the Rings_, III/vi: "The King of the Golden Hall"]
  24  *
  25  * ...the travellers perceived that the floor was paved with stones of many
  26  * hues; branching runes and strange devices intertwined beneath their feet.
  27  *
  28  *     [p.512 of _The Lord of the Rings_, III/vi: "The King of the Golden Hall"]
  29  */
  30
  31 #include "EXTERN.h"
  32 #define PERL_IN_UTF8_C
  33 #include "perl.h"
  34
  35 #ifndef EBCDIC
  36 /* Separate prototypes needed because in ASCII systems these are
  37  * usually macros but they still are compiled as code, too. */
  38 PERL_CALLCONV UV        Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags);
  39 PERL_CALLCONV U8*       Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv);
  40 #endif
  41
  42 static const char unees[] =
  43     "Malformed UTF-8 character (unexpected end of string)";
  44
  45 /*
  46 =head1 Unicode Support
  47
  48 This file contains various utility functions for manipulating UTF8-encoded
  49 strings. For the uninitiated, this is a method of representing arbitrary
  50 Unicode characters as a variable number of bytes, in such a way that
  51 characters in the ASCII range are unmodified, and a zero byte never appears
  52 within non-zero characters.
  53
  54 =cut
  55 */
  56
  57 /*
  58 =for apidoc is_ascii_string
  59
  60 Returns true if the first C<len> bytes of the given string are the same whether
  61 or not the string is encoded in UTF-8 (or UTF-EBCDIC on EBCDIC machines).  That
  62 is, if they are invariant.  On ASCII-ish machines, only ASCII characters
  63 fit this definition, hence the function's name.
  64
  65 If C<len> is 0, it will be calculated using C<strlen(s)>.
  66
  67 See also is_utf8_string(), is_utf8_string_loclen(), and is_utf8_string_loc().
  68
  69 =cut
  70 */
  71
  72 bool
  73 Perl_is_ascii_string(const U8 *s, STRLEN len)
  74 {
  75     const U8* const send = s + (len ? len : strlen((const char *)s));
  76     const U8* x = s;
  77
  78     PERL_ARGS_ASSERT_IS_ASCII_STRING;
  79
  80     for (; x < send; ++x) {
  81         if (!UTF8_IS_INVARIANT(*x))
  82             break;
  83     }
  84
  85     return x == send;
  86 }
  87
  88 /*
  89 =for apidoc uvuni_to_utf8_flags
  90
  91 Adds the UTF-8 representation of the code point C<uv> to the end
  92 of the string C<d>; C<d> should have at least C<UTF8_MAXBYTES+1> free
  93 bytes available. The return value is the pointer to the byte after the
  94 end of the new character. In other words,
  95
  96     d = uvuni_to_utf8_flags(d, uv, flags);
  97
  98 or, in most cases,
  99
 100     d = uvuni_to_utf8(d, uv);
 101
 102 (which is equivalent to)
 103
 104     d = uvuni_to_utf8_flags(d, uv, 0);
 105
 106 This is the recommended Unicode-aware way of saying
 107
 108     *(d++) = uv;
 109
 110 This function will convert to UTF-8 (and not warn) even code points that aren't
 111 legal Unicode or are problematic, unless C<flags> contains one or more of the
 112 following flags.
 113 If C<uv> is a Unicode surrogate code point and UNICODE_WARN_SURROGATE is set,
 114 the function will raise a warning, provided UTF8 warnings are enabled.  If instead
 115 UNICODE_DISALLOW_SURROGATE is set, the function will fail and return NULL.
 116 If both flags are set, the function will both warn and return NULL.
 117
 118 The UNICODE_WARN_NONCHAR and UNICODE_DISALLOW_NONCHAR flags correspondingly
 119 affect how the function handles a Unicode non-character.  And, likewise for the
 120 UNICODE_WARN_SUPER and UNICODE_DISALLOW_SUPER flags, and code points that are
 121 above the Unicode maximum of 0x10FFFF.  Code points above 0x7FFF_FFFF (which are
 122 even less portable) can be warned and/or disallowed even if other above-Unicode
 123 code points are accepted by the UNICODE_WARN_FE_FF and UNICODE_DISALLOW_FE_FF
 124 flags.
 125
 126 And finally, the flag UNICODE_WARN_ILLEGAL_INTERCHANGE selects all four of the
 127 above WARN flags; and UNICODE_DISALLOW_ILLEGAL_INTERCHANGE selects all four
 128 DISALLOW flags.
 129
 130
 131 =cut
 132 */
 133
 134 U8 *
 135 Perl_uvuni_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
 136 {
 137     PERL_ARGS_ASSERT_UVUNI_TO_UTF8_FLAGS;
 138
 139     if (ckWARN_d(WARN_UTF8)) {
 140         if (UNICODE_IS_SURROGATE(uv)) {
 141             if (flags & UNICODE_WARN_SURROGATE) {
 142                 Perl_ck_warner_d(aTHX_ packWARN(WARN_SURROGATE),
 143                                             "UTF-16 surrogate U+%04"UVXf, uv);
 144             }
 145             if (flags & UNICODE_DISALLOW_SURROGATE) {
 146                 return NULL;
 147             }
 148         }
 149         else if (UNICODE_IS_SUPER(uv)) {
 150             if (flags & UNICODE_WARN_SUPER
 151                 || (UNICODE_IS_FE_FF(uv) && (flags & UNICODE_WARN_FE_FF)))
 152             {
 153                 Perl_ck_warner_d(aTHX_ packWARN(WARN_NON_UNICODE),
 154                           "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv);
 155             }
 156             if (flags & UNICODE_DISALLOW_SUPER
 157                 || (UNICODE_IS_FE_FF(uv) && (flags & UNICODE_DISALLOW_FE_FF)))
 158             {
 159                 return NULL;
 160             }
 161         }
 162         else if (UNICODE_IS_NONCHAR(uv)) {
 163             if (flags & UNICODE_WARN_NONCHAR) {
 164                 Perl_ck_warner_d(aTHX_ packWARN(WARN_NONCHAR),
 165                  "Unicode non-character U+%04"UVXf" is illegal for open interchange",
 166                  uv);
 167             }
 168             if (flags & UNICODE_DISALLOW_NONCHAR) {
 169                 return NULL;
 170             }
 171         }
 172     }
 173     if (UNI_IS_INVARIANT(uv)) {
 174         *d++ = (U8)UTF_TO_NATIVE(uv);
 175         return d;
 176     }
 177 #if defined(EBCDIC)
 178     else {
 179         STRLEN len  = UNISKIP(uv);
 180         U8 *p = d+len-1;
 181         while (p > d) {
 182             *p-- = (U8)UTF_TO_NATIVE((uv & UTF_CONTINUATION_MASK) | UTF_CONTINUATION_MARK);
 183             uv >>= UTF_ACCUMULATION_SHIFT;
 184         }
 185         *p = (U8)UTF_TO_NATIVE((uv & UTF_START_MASK(len)) | UTF_START_MARK(len));
 186         return d+len;
 187     }
 188 #else /* Non loop style */
 189     if (uv < 0x800) {
 190         *d++ = (U8)(( uv >>  6)         | 0xc0);
 191         *d++ = (U8)(( uv        & 0x3f) | 0x80);
 192         return d;
 193     }
 194     if (uv < 0x10000) {
 195         *d++ = (U8)(( uv >> 12)         | 0xe0);
 196         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
 197         *d++ = (U8)(( uv        & 0x3f) | 0x80);
 198         return d;
 199     }
 200     if (uv < 0x200000) {
 201         *d++ = (U8)(( uv >> 18)         | 0xf0);
 202         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
 203         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
 204         *d++ = (U8)(( uv        & 0x3f) | 0x80);
 205         return d;
 206     }
 207     if (uv < 0x4000000) {
 208         *d++ = (U8)(( uv >> 24)         | 0xf8);
 209         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
 210         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
 211         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
 212         *d++ = (U8)(( uv        & 0x3f) | 0x80);
 213         return d;
 214     }
 215     if (uv < 0x80000000) {
 216         *d++ = (U8)(( uv >> 30)         | 0xfc);
 217         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
 218         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
 219         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
 220         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
 221         *d++ = (U8)(( uv        & 0x3f) | 0x80);
 222         return d;
 223     }
 224 #ifdef HAS_QUAD
 225     if (uv < UTF8_QUAD_MAX)
 226 #endif
 227     {
 228         *d++ =                            0xfe; /* Can't match U+FEFF! */
 229         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
 230         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
 231         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
 232         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
 233         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
 234         *d++ = (U8)(( uv        & 0x3f) | 0x80);
 235         return d;
 236     }
 237 #ifdef HAS_QUAD
 238     {
 239         *d++ =                            0xff;         /* Can't match U+FFFE! */
 240         *d++ =                            0x80;         /* 6 Reserved bits */
 241         *d++ = (U8)(((uv >> 60) & 0x0f) | 0x80);        /* 2 Reserved bits */
 242         *d++ = (U8)(((uv >> 54) & 0x3f) | 0x80);
 243         *d++ = (U8)(((uv >> 48) & 0x3f) | 0x80);
 244         *d++ = (U8)(((uv >> 42) & 0x3f) | 0x80);
 245         *d++ = (U8)(((uv >> 36) & 0x3f) | 0x80);
 246         *d++ = (U8)(((uv >> 30) & 0x3f) | 0x80);
 247         *d++ = (U8)(((uv >> 24) & 0x3f) | 0x80);
 248         *d++ = (U8)(((uv >> 18) & 0x3f) | 0x80);
 249         *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
 250         *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
 251         *d++ = (U8)(( uv        & 0x3f) | 0x80);
 252         return d;
 253     }
 254 #endif
 255 #endif /* Loop style */
 256 }
 257
 258 /*
 259
 260 Tests if some arbitrary number of bytes begins in a valid UTF-8
 261 character.  Note that an INVARIANT (i.e. ASCII) character is a valid
 262 UTF-8 character.  The actual number of bytes in the UTF-8 character
 263 will be returned if it is valid, otherwise 0.
 264
 265 This is the "slow" version as opposed to the "fast" version which is
 266 the "unrolled" IS_UTF8_CHAR().  E.g. for t/uni/class.t the speed
 267 difference is a factor of 2 to 3.  For lengths (UTF8SKIP(s)) of four
 268 or less you should use the IS_UTF8_CHAR(), for lengths of five or more
 269 you should use the _slow().  In practice this means that the _slow()
 270 will be used very rarely, since the maximum Unicode code point (as of
 271 Unicode 4.1) is U+10FFFF, which encodes in UTF-8 to four bytes.  Only
 272 the "Perl extended UTF-8" (the infamous 'v-strings') will encode into
 273 five bytes or more.
 274
 275 =cut */
 276 STATIC STRLEN
 277 S_is_utf8_char_slow(const U8 *s, const STRLEN len)
 278 {
 279     U8 u = *s;
 280     STRLEN slen;
 281     UV uv, ouv;
 282
 283     PERL_ARGS_ASSERT_IS_UTF8_CHAR_SLOW;
 284
 285     if (UTF8_IS_INVARIANT(u))
 286         return 1;
 287
 288     if (!UTF8_IS_START(u))
 289         return 0;
 290
 291     if (len < 2 || !UTF8_IS_CONTINUATION(s[1]))
 292         return 0;
 293
 294     slen = len - 1;
 295     s++;
 296 #ifdef EBCDIC
 297     u = NATIVE_TO_UTF(u);
 298 #endif
 299     u &= UTF_START_MASK(len);
 300     uv  = u;
 301     ouv = uv;
 302     while (slen--) {
 303         if (!UTF8_IS_CONTINUATION(*s))
 304             return 0;
 305         uv = UTF8_ACCUMULATE(uv, *s);
 306         if (uv < ouv)
 307             return 0;
 308         ouv = uv;
 309         s++;
 310     }
 311
 312     if ((STRLEN)UNISKIP(uv) < len)
 313         return 0;
 314
 315     return len;
 316 }
 317
 318 /*
 319 =for apidoc is_utf8_char
 320
 321 Tests if some arbitrary number of bytes begins in a valid UTF-8
 322 character.  Note that an INVARIANT (i.e. ASCII on non-EBCDIC machines)
 323 character is a valid UTF-8 character.  The actual number of bytes in the UTF-8
 324 character will be returned if it is valid, otherwise 0.
 325
 326 =cut */
 327 STRLEN
 328 Perl_is_utf8_char(const U8 *s)
 329 {
 330     const STRLEN len = UTF8SKIP(s);
 331
 332     PERL_ARGS_ASSERT_IS_UTF8_CHAR;
 333 #ifdef IS_UTF8_CHAR
 334     if (IS_UTF8_CHAR_FAST(len))
 335         return IS_UTF8_CHAR(s, len) ? len : 0;
 336 #endif /* #ifdef IS_UTF8_CHAR */
 337     return is_utf8_char_slow(s, len);
 338 }
 339
 340
 341 /*
 342 =for apidoc is_utf8_string
 343
 344 Returns true if first C<len> bytes of the given string form a valid
 345 UTF-8 string, false otherwise.  If C<len> is 0, it will be calculated
 346 using C<strlen(s)>.  Note that 'a valid UTF-8 string' does not mean 'a
 347 string that contains code points above 0x7F encoded in UTF-8' because a
 348 valid ASCII string is a valid UTF-8 string.
 349
 350 See also is_ascii_string(), is_utf8_string_loclen(), and is_utf8_string_loc().
 351
 352 =cut
 353 */
 354
 355 bool
 356 Perl_is_utf8_string(const U8 *s, STRLEN len)
 357 {
 358     const U8* const send = s + (len ? len : strlen((const char *)s));
 359     const U8* x = s;
 360
 361     PERL_ARGS_ASSERT_IS_UTF8_STRING;
 362
 363     while (x < send) {
 364         STRLEN c;
 365          /* Inline the easy bits of is_utf8_char() here for speed... */
 366          if (UTF8_IS_INVARIANT(*x))
 367               c = 1;
 368          else if (!UTF8_IS_START(*x))
 369              goto out;
 370          else {
 371               /* ... and call is_utf8_char() only if really needed. */
 372 #ifdef IS_UTF8_CHAR
 373              c = UTF8SKIP(x);
 374              if (IS_UTF8_CHAR_FAST(c)) {
 375                  if (!IS_UTF8_CHAR(x, c))
 376                      c = 0;
 377              }
 378              else
 379                 c = is_utf8_char_slow(x, c);
 380 #else
 381              c = is_utf8_char(x);
 382 #endif /* #ifdef IS_UTF8_CHAR */
 383               if (!c)
 384                   goto out;
 385          }
 386         x += c;
 387     }
 388
 389  out:
 390     if (x != send)
 391         return FALSE;
 392
 393     return TRUE;
 394 }
 395
 396 /*
 397 Implemented as a macro in utf8.h
 398
 399 =for apidoc is_utf8_string_loc
 400
 401 Like is_utf8_string() but stores the location of the failure (in the
 402 case of "utf8ness failure") or the location s+len (in the case of
 403 "utf8ness success") in the C<ep>.
 404
 405 See also is_utf8_string_loclen() and is_utf8_string().
 406
 407 =for apidoc is_utf8_string_loclen
 408
 409 Like is_utf8_string() but stores the location of the failure (in the
 410 case of "utf8ness failure") or the location s+len (in the case of
 411 "utf8ness success") in the C<ep>, and the number of UTF-8
 412 encoded characters in the C<el>.
 413
 414 See also is_utf8_string_loc() and is_utf8_string().
 415
 416 =cut
 417 */
 418
 419 bool
 420 Perl_is_utf8_string_loclen(const U8 *s, STRLEN len, const U8 **ep, STRLEN *el)
 421 {
 422     const U8* const send = s + (len ? len : strlen((const char *)s));
 423     const U8* x = s;
 424     STRLEN c;
 425     STRLEN outlen = 0;
 426
 427     PERL_ARGS_ASSERT_IS_UTF8_STRING_LOCLEN;
 428
 429     while (x < send) {
 430          /* Inline the easy bits of is_utf8_char() here for speed... */
 431          if (UTF8_IS_INVARIANT(*x))
 432              c = 1;
 433          else if (!UTF8_IS_START(*x))
 434              goto out;
 435          else {
 436              /* ... and call is_utf8_char() only if really needed. */
 437 #ifdef IS_UTF8_CHAR
 438              c = UTF8SKIP(x);
 439              if (IS_UTF8_CHAR_FAST(c)) {
 440                  if (!IS_UTF8_CHAR(x, c))
 441                      c = 0;
 442              } else
 443                  c = is_utf8_char_slow(x, c);
 444 #else
 445              c = is_utf8_char(x);
 446 #endif /* #ifdef IS_UTF8_CHAR */
 447              if (!c)
 448                  goto out;
 449          }
 450          x += c;
 451          outlen++;
 452     }
 453
 454  out:
 455     if (el)
 456         *el = outlen;
 457
 458     if (ep)
 459         *ep = x;
 460     return (x == send);
 461 }
 462
 463 /*
 464
 465 =for apidoc utf8n_to_uvuni
 466
 467 Bottom level UTF-8 decode routine.
 468 Returns the code point value of the first character in the string C<s>
 469 which is assumed to be in UTF-8 (or UTF-EBCDIC) encoding and no longer than
 470 C<curlen> bytes; C<retlen> will be set to the length, in bytes, of that
 471 character.
 472
 473 The value of C<flags> determines the behavior when C<s> does not point to a
 474 well-formed UTF-8 character.  If C<flags> is 0, when a malformation is found,
 475 C<retlen> is set to the expected length of the UTF-8 character in bytes, zero
 476 is returned, and if UTF-8 warnings haven't been lexically disabled, a warning
 477 is raised.
 478
 479 Various ALLOW flags can be set in C<flags> to allow (and not warn on)
 480 individual types of malformations, such as the sequence being overlong (that
 481 is, when there is a shorter sequence that can express the same code point;
 482 overlong sequences are expressly forbidden in the UTF-8 standard due to
 483 potential security issues).  Another malformation example is the first byte of
 484 a character not being a legal first byte.  See F<utf8.h> for the list of such
 485 flags.  Of course, the value returned by this function under such conditions is
 486 not reliable.
 487
 488 The UTF8_CHECK_ONLY flag overrides the behavior when a non-allowed (by other
 489 flags) malformation is found.  If this flag is set, the routine assumes that
 490 the caller will raise a warning, and this function will silently just set
 491 C<retlen> to C<-1> and return zero.
 492
 493 Certain code points are considered problematic.  These are Unicode surrogates,
 494 Unicode non-characters, and code points above the Unicode maximum of 0x10FFF.
 495 By default these are considered regular code points, but certain situations
 496 warrant special handling for them.  if C<flags> contains
 497 UTF8_DISALLOW_ILLEGAL_INTERCHANGE, all three classes are treated as
 498 malformations and handled as such.  The flags UTF8_DISALLOW_SURROGATE,
 499 UTF8_DISALLOW_NONCHAR, and UTF8_DISALLOW_SUPER (meaning above the legal Unicode
 500 maximum) can be set to disallow these categories individually.
 501
 502 The flags UTF8_WARN_ILLEGAL_INTERCHANGE, UTF8_WARN_SURROGATE,
 503 UTF8_WARN_NONCHAR, and UTF8_WARN_SUPER will cause warning messages to be raised
 504 for their respective categories, but otherwise the code points are considered
 505 valid (not malformations).  To get a category to both be treated as a
 506 malformation and raise a warning, specify both the WARN and DISALLOW flags.
 507 (But note that warnings are not raised if lexically disabled nor if
 508 UTF8_CHECK_ONLY is also specified.)
 509
 510 Very large code points (above 0x7FFF_FFFF) are considered more problematic than
 511 the others that are above the Unicode legal maximum.  There are several
 512 reasons, one of which is that the original UTF-8 specification never went above
 513 this number (the current 0x10FFF limit was imposed later).  The UTF-8 encoding
 514 on ASCII platforms for these large code point begins with a byte containing
 515 0xFE or 0xFF.  The UTF8_DISALLOW_FE_FF flag will cause them to be treated as
 516 malformations, while allowing smaller above-Unicode code points.  (Of course
 517 UTF8_DISALLOW_SUPER will treat all above-Unicode code points, including these,
 518 as malformations.) Similarly, UTF8_WARN_FE_FF acts just like the other WARN
 519 flags, but applies just to these code points.
 520
 521 All other code points corresponding to Unicode characters, including private
 522 use and those yet to be assigned, are never considered malformed and never
 523 warn.
 524
 525 Most code should use utf8_to_uvchr() rather than call this directly.
 526
 527 =cut
 528 */
 529
 530 UV
 531 Perl_utf8n_to_uvuni(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen, U32 flags)
 532 {
 533     dVAR;
 534     const U8 * const s0 = s;
 535     UV uv = *s, ouv = 0;
 536     STRLEN len = 1;
 537     bool dowarn = ckWARN_d(WARN_UTF8);
 538     const UV startbyte = *s;
 539     STRLEN expectlen = 0;
 540     U32 warning = 0;
 541     SV* sv = NULL;
 542
 543     PERL_ARGS_ASSERT_UTF8N_TO_UVUNI;
 544
 545 /* This list is a superset of the UTF8_ALLOW_XXX. */
 546
 547 #define UTF8_WARN_EMPTY                          1
 548 #define UTF8_WARN_CONTINUATION                   2
 549 #define UTF8_WARN_NON_CONTINUATION               3
 550 #define UTF8_WARN_SHORT                          4
 551 #define UTF8_WARN_OVERFLOW                       5
 552 #define UTF8_WARN_LONG                           6
 553
 554     if (curlen == 0 &&
 555         !(flags & UTF8_ALLOW_EMPTY)) {
 556         warning = UTF8_WARN_EMPTY;
 557         goto malformed;
 558     }
 559
 560     if (UTF8_IS_INVARIANT(uv)) {
 561         if (retlen)
 562             *retlen = 1;
 563         return (UV) (NATIVE_TO_UTF(*s));
 564     }
 565
 566     if (UTF8_IS_CONTINUATION(uv) &&
 567         !(flags & UTF8_ALLOW_CONTINUATION)) {
 568         warning = UTF8_WARN_CONTINUATION;
 569         goto malformed;
 570     }
 571
 572     if (UTF8_IS_START(uv) && curlen > 1 && !UTF8_IS_CONTINUATION(s[1]) &&
 573         !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
 574         warning = UTF8_WARN_NON_CONTINUATION;
 575         goto malformed;
 576     }
 577
 578 #ifdef EBCDIC
 579     uv = NATIVE_TO_UTF(uv);
 580 #else
 581     if (uv == 0xfe || uv == 0xff) {
 582         if (flags & (UTF8_WARN_SUPER|UTF8_WARN_FE_FF)) {
 583             sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Code point beginning with byte 0x%02"UVXf" is not Unicode, and not portable", uv));
 584             flags &= ~UTF8_WARN_SUPER;  /* Only warn once on this problem */
 585         }
 586         if (flags & (UTF8_DISALLOW_SUPER|UTF8_DISALLOW_FE_FF)) {
 587             goto malformed;
 588         }
 589     }
 590 #endif
 591
 592     if      (!(uv & 0x20))      { len =  2; uv &= 0x1f; }
 593     else if (!(uv & 0x10))      { len =  3; uv &= 0x0f; }
 594     else if (!(uv & 0x08))      { len =  4; uv &= 0x07; }
 595     else if (!(uv & 0x04))      { len =  5; uv &= 0x03; }
 596 #ifdef EBCDIC
 597     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
 598     else                        { len =  7; uv &= 0x01; }
 599 #else
 600     else if (!(uv & 0x02))      { len =  6; uv &= 0x01; }
 601     else if (!(uv & 0x01))      { len =  7; uv = 0; }
 602     else                        { len = 13; uv = 0; } /* whoa! */
 603 #endif
 604
 605     if (retlen)
 606         *retlen = len;
 607
 608     expectlen = len;
 609
 610     if ((curlen < expectlen) &&
 611         !(flags & UTF8_ALLOW_SHORT)) {
 612         warning = UTF8_WARN_SHORT;
 613         goto malformed;
 614     }
 615
 616     len--;
 617     s++;
 618     ouv = uv;   /* ouv is the value from the previous iteration */
 619
 620     while (len--) {
 621         if (!UTF8_IS_CONTINUATION(*s) &&
 622             !(flags & UTF8_ALLOW_NON_CONTINUATION)) {
 623             s--;
 624             warning = UTF8_WARN_NON_CONTINUATION;
 625             goto malformed;
 626         }
 627         else
 628             uv = UTF8_ACCUMULATE(uv, *s);
 629         if (!(uv > ouv)) {  /* If the value didn't grow from the previous
 630                                iteration, something is horribly wrong */
 631             /* These cannot be allowed. */
 632             if (uv == ouv) {
 633                 if (expectlen != 13 && !(flags & UTF8_ALLOW_LONG)) {
 634                     warning = UTF8_WARN_LONG;
 635                     goto malformed;
 636                 }
 637             }
 638             else { /* uv < ouv */
 639                 /* This cannot be allowed. */
 640                 warning = UTF8_WARN_OVERFLOW;
 641                 goto malformed;
 642             }
 643         }
 644         s++;
 645         ouv = uv;
 646     }
 647
 648     if ((expectlen > (STRLEN)UNISKIP(uv)) && !(flags & UTF8_ALLOW_LONG)) {
 649         warning = UTF8_WARN_LONG;
 650         goto malformed;
 651     } else if (flags & (UTF8_DISALLOW_ILLEGAL_INTERCHANGE|UTF8_WARN_ILLEGAL_INTERCHANGE)) {
 652         if (UNICODE_IS_SURROGATE(uv)) {
 653             if ((flags & (UTF8_WARN_SURROGATE|UTF8_CHECK_ONLY)) == UTF8_WARN_SURROGATE) {
 654                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "UTF-16 surrogate U+%04"UVXf"", uv));
 655             }
 656             if (flags & UTF8_DISALLOW_SURROGATE) {
 657                 goto disallowed;
 658             }
 659         }
 660         else if (UNICODE_IS_NONCHAR(uv)) {
 661             if ((flags & (UTF8_WARN_NONCHAR|UTF8_CHECK_ONLY)) == UTF8_WARN_NONCHAR ) {
 662                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Unicode non-character U+%04"UVXf" is illegal for open interchange", uv));
 663             }
 664             if (flags & UTF8_DISALLOW_NONCHAR) {
 665                 goto disallowed;
 666             }
 667         }
 668         else if ((uv > PERL_UNICODE_MAX)) {
 669             if ((flags & (UTF8_WARN_SUPER|UTF8_CHECK_ONLY)) == UTF8_WARN_SUPER) {
 670                 sv = sv_2mortal(Perl_newSVpvf(aTHX_ "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv));
 671             }
 672             if (flags & UTF8_DISALLOW_SUPER) {
 673                 goto disallowed;
 674             }
 675         }
 676
 677         /* Here, this is not considered a malformed character, so drop through
 678          * to return it */
 679     }
 680
 681     return uv;
 682
 683 disallowed: /* Is disallowed, but otherwise not malformed.  'sv' will have been
 684                set if there is to be a warning. */
 685     if (!sv) {
 686         dowarn = 0;
 687     }
 688
 689 malformed:
 690
 691     if (flags & UTF8_CHECK_ONLY) {
 692         if (retlen)
 693             *retlen = ((STRLEN) -1);
 694         return 0;
 695     }
 696
 697     if (dowarn) {
 698         if (! sv) {
 699             sv = newSVpvs_flags("Malformed UTF-8 character ", SVs_TEMP);
 700         }
 701
 702         switch (warning) {
 703             case 0: /* Intentionally empty. */ break;
 704             case UTF8_WARN_EMPTY:
 705                 sv_catpvs(sv, "(empty string)");
 706                 break;
 707             case UTF8_WARN_CONTINUATION:
 708                 Perl_sv_catpvf(aTHX_ sv, "(unexpected continuation byte 0x%02"UVxf", with no preceding start byte)", uv);
 709                 break;
 710             case UTF8_WARN_NON_CONTINUATION:
 711                 if (s == s0)
 712                     Perl_sv_catpvf(aTHX_ sv, "(unexpected non-continuation byte 0x%02"UVxf", immediately after start byte 0x%02"UVxf")",
 713                                 (UV)s[1], startbyte);
 714                 else {
 715                     const int len = (int)(s-s0);
 716                     Perl_sv_catpvf(aTHX_ sv, "(unexpected non-continuation byte 0x%02"UVxf", %d byte%s after start byte 0x%02"UVxf", expected %d bytes)",
 717                                 (UV)s[1], len, len > 1 ? "s" : "", startbyte, (int)expectlen);
 718                 }
 719
 720                 break;
 721             case UTF8_WARN_SHORT:
 722                 Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d, after start byte 0x%02"UVxf")",
 723                                 (int)curlen, curlen == 1 ? "" : "s", (int)expectlen, startbyte);
 724                 expectlen = curlen;             /* distance for caller to skip */
 725                 break;
 726             case UTF8_WARN_OVERFLOW:
 727                 Perl_sv_catpvf(aTHX_ sv, "(overflow at 0x%"UVxf", byte 0x%02x, after start byte 0x%02"UVxf")",
 728                                 ouv, *s, startbyte);
 729                 break;
 730             case UTF8_WARN_LONG:
 731                 Perl_sv_catpvf(aTHX_ sv, "(%d byte%s, need %d, after start byte 0x%02"UVxf")",
 732                                 (int)expectlen, expectlen == 1 ? "": "s", UNISKIP(uv), startbyte);
 733                 break;
 734             default:
 735                 sv_catpvs(sv, "(unknown reason)");
 736                 break;
 737         }
 738
 739         if (sv) {
 740             const char * const s = SvPVX_const(sv);
 741
 742             if (PL_op)
 743                 Perl_warner(aTHX_ packWARN(WARN_UTF8),
 744                             "%s in %s", s,  OP_DESC(PL_op));
 745             else
 746                 Perl_warner(aTHX_ packWARN(WARN_UTF8), "%s", s);
 747         }
 748     }
 749
 750     if (retlen)
 751         *retlen = expectlen ? expectlen : len;
 752
 753     return 0;
 754 }
 755
 756 /*
 757 =for apidoc utf8_to_uvchr
 758
 759 Returns the native code point of the first character in the string C<s>
 760 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
 761 length, in bytes, of that character.
 762
 763 If C<s> does not point to a well-formed UTF-8 character, zero is
 764 returned and retlen is set, if possible, to -1.
 765
 766 =cut
 767 */
 768
 769
 770 UV
 771 Perl_utf8_to_uvchr(pTHX_ const U8 *s, STRLEN *retlen)
 772 {
 773     PERL_ARGS_ASSERT_UTF8_TO_UVCHR;
 774
 775     return utf8n_to_uvchr(s, UTF8_MAXBYTES, retlen,
 776                           ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
 777 }
 778
 779 /*
 780 =for apidoc utf8_to_uvuni
 781
 782 Returns the Unicode code point of the first character in the string C<s>
 783 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
 784 length, in bytes, of that character.
 785
 786 This function should only be used when the returned UV is considered
 787 an index into the Unicode semantic tables (e.g. swashes).
 788
 789 If C<s> does not point to a well-formed UTF-8 character, zero is
 790 returned and retlen is set, if possible, to -1.
 791
 792 =cut
 793 */
 794
 795 UV
 796 Perl_utf8_to_uvuni(pTHX_ const U8 *s, STRLEN *retlen)
 797 {
 798     PERL_ARGS_ASSERT_UTF8_TO_UVUNI;
 799
 800     /* Call the low level routine asking for checks */
 801     return Perl_utf8n_to_uvuni(aTHX_ s, UTF8_MAXBYTES, retlen,
 802                                ckWARN_d(WARN_UTF8) ? 0 : UTF8_ALLOW_ANY);
 803 }
 804
 805 /*
 806 =for apidoc utf8_length
 807
 808 Return the length of the UTF-8 char encoded string C<s> in characters.
 809 Stops at C<e> (inclusive).  If C<e E<lt> s> or if the scan would end
 810 up past C<e>, croaks.
 811
 812 =cut
 813 */
 814
 815 STRLEN
 816 Perl_utf8_length(pTHX_ const U8 *s, const U8 *e)
 817 {
 818     dVAR;
 819     STRLEN len = 0;
 820
 821     PERL_ARGS_ASSERT_UTF8_LENGTH;
 822
 823     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g.
 824      * the bitops (especially ~) can create illegal UTF-8.
 825      * In other words: in Perl UTF-8 is not just for Unicode. */
 826
 827     if (e < s)
 828         goto warn_and_return;
 829     while (s < e) {
 830         if (!UTF8_IS_INVARIANT(*s))
 831             s += UTF8SKIP(s);
 832         else
 833             s++;
 834         len++;
 835     }
 836
 837     if (e != s) {
 838         len--;
 839         warn_and_return:
 840         if (PL_op)
 841             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
 842                              "%s in %s", unees, OP_DESC(PL_op));
 843         else
 844             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), "%s", unees);
 845     }
 846
 847     return len;
 848 }
 849
 850 /*
 851 =for apidoc utf8_distance
 852
 853 Returns the number of UTF-8 characters between the UTF-8 pointers C<a>
 854 and C<b>.
 855
 856 WARNING: use only if you *know* that the pointers point inside the
 857 same UTF-8 buffer.
 858
 859 =cut
 860 */
 861
 862 IV
 863 Perl_utf8_distance(pTHX_ const U8 *a, const U8 *b)
 864 {
 865     PERL_ARGS_ASSERT_UTF8_DISTANCE;
 866
 867     return (a < b) ? -1 * (IV) utf8_length(a, b) : (IV) utf8_length(b, a);
 868 }
 869
 870 /*
 871 =for apidoc utf8_hop
 872
 873 Return the UTF-8 pointer C<s> displaced by C<off> characters, either
 874 forward or backward.
 875
 876 WARNING: do not use the following unless you *know* C<off> is within
 877 the UTF-8 data pointed to by C<s> *and* that on entry C<s> is aligned
 878 on the first byte of character or just after the last byte of a character.
 879
 880 =cut
 881 */
 882
 883 U8 *
 884 Perl_utf8_hop(pTHX_ const U8 *s, I32 off)
 885 {
 886     PERL_ARGS_ASSERT_UTF8_HOP;
 887
 888     PERL_UNUSED_CONTEXT;
 889     /* Note: cannot use UTF8_IS_...() too eagerly here since e.g
 890      * the bitops (especially ~) can create illegal UTF-8.
 891      * In other words: in Perl UTF-8 is not just for Unicode. */
 892
 893     if (off >= 0) {
 894         while (off--)
 895             s += UTF8SKIP(s);
 896     }
 897     else {
 898         while (off++) {
 899             s--;
 900             while (UTF8_IS_CONTINUATION(*s))
 901                 s--;
 902         }
 903     }
 904     return (U8 *)s;
 905 }
 906
 907 /*
 908 =for apidoc bytes_cmp_utf8
 909
 910 Compares the sequence of characters (stored as octets) in b, blen with the
 911 sequence of characters (stored as UTF-8) in u, ulen. Returns 0 if they are
 912 equal, -1 or -2 if the first string is less than the second string, +1 or +2
 913 if the first string is greater than the second string.
 914
 915 -1 or +1 is returned if the shorter string was identical to the start of the
 916 longer string. -2 or +2 is returned if the was a difference between characters
 917 within the strings.
 918
 919 =cut
 920 */
 921
 922 int
 923 Perl_bytes_cmp_utf8(pTHX_ const U8 *b, STRLEN blen, const U8 *u, STRLEN ulen)
 924 {
 925     const U8 *const bend = b + blen;
 926     const U8 *const uend = u + ulen;
 927
 928     PERL_ARGS_ASSERT_BYTES_CMP_UTF8;
 929
 930     PERL_UNUSED_CONTEXT;
 931
 932     while (b < bend && u < uend) {
 933         U8 c = *u++;
 934         if (!UTF8_IS_INVARIANT(c)) {
 935             if (UTF8_IS_DOWNGRADEABLE_START(c)) {
 936                 if (u < uend) {
 937                     U8 c1 = *u++;
 938                     if (UTF8_IS_CONTINUATION(c1)) {
 939                         c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, c1));
 940                     } else {
 941                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
 942                                          "Malformed UTF-8 character "
 943                                          "(unexpected non-continuation byte 0x%02x"
 944                                          ", immediately after start byte 0x%02x)"
 945                                          /* Dear diag.t, it's in the pod.  */
 946                                          "%s%s", c1, c,
 947                                          PL_op ? " in " : "",
 948                                          PL_op ? OP_DESC(PL_op) : "");
 949                         return -2;
 950                     }
 951                 } else {
 952                     if (PL_op)
 953                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
 954                                          "%s in %s", unees, OP_DESC(PL_op));
 955                     else
 956                         Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8), "%s", unees);
 957                     return -2; /* Really want to return undef :-)  */
 958                 }
 959             } else {
 960                 return -2;
 961             }
 962         }
 963         if (*b != c) {
 964             return *b < c ? -2 : +2;
 965         }
 966         ++b;
 967     }
 968
 969     if (b == bend && u == uend)
 970         return 0;
 971
 972     return b < bend ? +1 : -1;
 973 }
 974
 975 /*
 976 =for apidoc utf8_to_bytes
 977
 978 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
 979 Unlike C<bytes_to_utf8>, this over-writes the original string, and
 980 updates len to contain the new length.
 981 Returns zero on failure, setting C<len> to -1.
 982
 983 If you need a copy of the string, see C<bytes_from_utf8>.
 984
 985 =cut
 986 */
 987
 988 U8 *
 989 Perl_utf8_to_bytes(pTHX_ U8 *s, STRLEN *len)
 990 {
 991     U8 * const save = s;
 992     U8 * const send = s + *len;
 993     U8 *d;
 994
 995     PERL_ARGS_ASSERT_UTF8_TO_BYTES;
 996
 997     /* ensure valid UTF-8 and chars < 256 before updating string */
 998     while (s < send) {
 999         U8 c = *s++;
1000
1001         if (!UTF8_IS_INVARIANT(c) &&
1002             (!UTF8_IS_DOWNGRADEABLE_START(c) || (s >= send)
1003              || !(c = *s++) || !UTF8_IS_CONTINUATION(c))) {
1004             *len = ((STRLEN) -1);
1005             return 0;
1006         }
1007     }
1008
1009     d = s = save;
1010     while (s < send) {
1011         STRLEN ulen;
1012         *d++ = (U8)utf8_to_uvchr(s, &ulen);
1013         s += ulen;
1014     }
1015     *d = '\0';
1016     *len = d - save;
1017     return save;
1018 }
1019
1020 /*
1021 =for apidoc bytes_from_utf8
1022
1023 Converts a string C<s> of length C<len> from UTF-8 into native byte encoding.
1024 Unlike C<utf8_to_bytes> but like C<bytes_to_utf8>, returns a pointer to
1025 the newly-created string, and updates C<len> to contain the new
1026 length.  Returns the original string if no conversion occurs, C<len>
1027 is unchanged. Do nothing if C<is_utf8> points to 0. Sets C<is_utf8> to
1028 0 if C<s> is converted or consisted entirely of characters that are invariant
1029 in utf8 (i.e., US-ASCII on non-EBCDIC machines).
1030
1031 =cut
1032 */
1033
1034 U8 *
1035 Perl_bytes_from_utf8(pTHX_ const U8 *s, STRLEN *len, bool *is_utf8)
1036 {
1037     U8 *d;
1038     const U8 *start = s;
1039     const U8 *send;
1040     I32 count = 0;
1041
1042     PERL_ARGS_ASSERT_BYTES_FROM_UTF8;
1043
1044     PERL_UNUSED_CONTEXT;
1045     if (!*is_utf8)
1046         return (U8 *)start;
1047
1048     /* ensure valid UTF-8 and chars < 256 before converting string */
1049     for (send = s + *len; s < send;) {
1050         U8 c = *s++;
1051         if (!UTF8_IS_INVARIANT(c)) {
1052             if (UTF8_IS_DOWNGRADEABLE_START(c) && s < send &&
1053                 (c = *s++) && UTF8_IS_CONTINUATION(c))
1054                 count++;
1055             else
1056                 return (U8 *)start;
1057         }
1058     }
1059
1060     *is_utf8 = FALSE;
1061
1062     Newx(d, (*len) - count + 1, U8);
1063     s = start; start = d;
1064     while (s < send) {
1065         U8 c = *s++;
1066         if (!UTF8_IS_INVARIANT(c)) {
1067             /* Then it is two-byte encoded */
1068             c = UNI_TO_NATIVE(TWO_BYTE_UTF8_TO_UNI(c, *s++));
1069         }
1070         *d++ = c;
1071     }
1072     *d = '\0';
1073     *len = d - start;
1074     return (U8 *)start;
1075 }
1076
1077 /*
1078 =for apidoc bytes_to_utf8
1079
1080 Converts a string C<s> of length C<len> bytes from the native encoding into
1081 UTF-8.
1082 Returns a pointer to the newly-created string, and sets C<len> to
1083 reflect the new length in bytes.
1084
1085 A NUL character will be written after the end of the string.
1086
1087 If you want to convert to UTF-8 from encodings other than
1088 the native (Latin1 or EBCDIC),
1089 see sv_recode_to_utf8().
1090
1091 =cut
1092 */
1093
1094 U8*
1095 Perl_bytes_to_utf8(pTHX_ const U8 *s, STRLEN *len)
1096 {
1097     const U8 * const send = s + (*len);
1098     U8 *d;
1099     U8 *dst;
1100
1101     PERL_ARGS_ASSERT_BYTES_TO_UTF8;
1102     PERL_UNUSED_CONTEXT;
1103
1104     Newx(d, (*len) * 2 + 1, U8);
1105     dst = d;
1106
1107     while (s < send) {
1108         const UV uv = NATIVE_TO_ASCII(*s++);
1109         if (UNI_IS_INVARIANT(uv))
1110             *d++ = (U8)UTF_TO_NATIVE(uv);
1111         else {
1112             *d++ = (U8)UTF8_EIGHT_BIT_HI(uv);
1113             *d++ = (U8)UTF8_EIGHT_BIT_LO(uv);
1114         }
1115     }
1116     *d = '\0';
1117     *len = d-dst;
1118     return dst;
1119 }
1120
1121 /*
1122  * Convert native (big-endian) or reversed (little-endian) UTF-16 to UTF-8.
1123  *
1124  * Destination must be pre-extended to 3/2 source.  Do not use in-place.
1125  * We optimize for native, for obvious reasons. */
1126
1127 U8*
1128 Perl_utf16_to_utf8(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1129 {
1130     U8* pend;
1131     U8* dstart = d;
1132
1133     PERL_ARGS_ASSERT_UTF16_TO_UTF8;
1134
1135     if (bytelen & 1)
1136         Perl_croak(aTHX_ "panic: utf16_to_utf8: odd bytelen %"UVuf, (UV)bytelen);
1137
1138     pend = p + bytelen;
1139
1140     while (p < pend) {
1141         UV uv = (p[0] << 8) + p[1]; /* UTF-16BE */
1142         p += 2;
1143         if (uv < 0x80) {
1144 #ifdef EBCDIC
1145             *d++ = UNI_TO_NATIVE(uv);
1146 #else
1147             *d++ = (U8)uv;
1148 #endif
1149             continue;
1150         }
1151         if (uv < 0x800) {
1152             *d++ = (U8)(( uv >>  6)         | 0xc0);
1153             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1154             continue;
1155         }
1156         if (uv >= 0xd800 && uv <= 0xdbff) {     /* surrogates */
1157             if (p >= pend) {
1158                 Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1159             } else {
1160                 UV low = (p[0] << 8) + p[1];
1161                 p += 2;
1162                 if (low < 0xdc00 || low > 0xdfff)
1163                     Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1164                 uv = ((uv - 0xd800) << 10) + (low - 0xdc00) + 0x10000;
1165             }
1166         } else if (uv >= 0xdc00 && uv <= 0xdfff) {
1167             Perl_croak(aTHX_ "Malformed UTF-16 surrogate");
1168         }
1169         if (uv < 0x10000) {
1170             *d++ = (U8)(( uv >> 12)         | 0xe0);
1171             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1172             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1173             continue;
1174         }
1175         else {
1176             *d++ = (U8)(( uv >> 18)         | 0xf0);
1177             *d++ = (U8)(((uv >> 12) & 0x3f) | 0x80);
1178             *d++ = (U8)(((uv >>  6) & 0x3f) | 0x80);
1179             *d++ = (U8)(( uv        & 0x3f) | 0x80);
1180             continue;
1181         }
1182     }
1183     *newlen = d - dstart;
1184     return d;
1185 }
1186
1187 /* Note: this one is slightly destructive of the source. */
1188
1189 U8*
1190 Perl_utf16_to_utf8_reversed(pTHX_ U8* p, U8* d, I32 bytelen, I32 *newlen)
1191 {
1192     U8* s = (U8*)p;
1193     U8* const send = s + bytelen;
1194
1195     PERL_ARGS_ASSERT_UTF16_TO_UTF8_REVERSED;
1196
1197     if (bytelen & 1)
1198         Perl_croak(aTHX_ "panic: utf16_to_utf8_reversed: odd bytelen %"UVuf,
1199                    (UV)bytelen);
1200
1201     while (s < send) {
1202         const U8 tmp = s[0];
1203         s[0] = s[1];
1204         s[1] = tmp;
1205         s += 2;
1206     }
1207     return utf16_to_utf8(p, d, bytelen, newlen);
1208 }
1209
1210 /* for now these are all defined (inefficiently) in terms of the utf8 versions */
1211
1212 bool
1213 Perl_is_uni_alnum(pTHX_ UV c)
1214 {
1215     U8 tmpbuf[UTF8_MAXBYTES+1];
1216     uvchr_to_utf8(tmpbuf, c);
1217     return is_utf8_alnum(tmpbuf);
1218 }
1219
1220 bool
1221 Perl_is_uni_idfirst(pTHX_ UV c)
1222 {
1223     U8 tmpbuf[UTF8_MAXBYTES+1];
1224     uvchr_to_utf8(tmpbuf, c);
1225     return is_utf8_idfirst(tmpbuf);
1226 }
1227
1228 bool
1229 Perl_is_uni_alpha(pTHX_ UV c)
1230 {
1231     U8 tmpbuf[UTF8_MAXBYTES+1];
1232     uvchr_to_utf8(tmpbuf, c);
1233     return is_utf8_alpha(tmpbuf);
1234 }
1235
1236 bool
1237 Perl_is_uni_ascii(pTHX_ UV c)
1238 {
1239     U8 tmpbuf[UTF8_MAXBYTES+1];
1240     uvchr_to_utf8(tmpbuf, c);
1241     return is_utf8_ascii(tmpbuf);
1242 }
1243
1244 bool
1245 Perl_is_uni_space(pTHX_ UV c)
1246 {
1247     U8 tmpbuf[UTF8_MAXBYTES+1];
1248     uvchr_to_utf8(tmpbuf, c);
1249     return is_utf8_space(tmpbuf);
1250 }
1251
1252 bool
1253 Perl_is_uni_digit(pTHX_ UV c)
1254 {
1255     U8 tmpbuf[UTF8_MAXBYTES+1];
1256     uvchr_to_utf8(tmpbuf, c);
1257     return is_utf8_digit(tmpbuf);
1258 }
1259
1260 bool
1261 Perl_is_uni_upper(pTHX_ UV c)
1262 {
1263     U8 tmpbuf[UTF8_MAXBYTES+1];
1264     uvchr_to_utf8(tmpbuf, c);
1265     return is_utf8_upper(tmpbuf);
1266 }
1267
1268 bool
1269 Perl_is_uni_lower(pTHX_ UV c)
1270 {
1271     U8 tmpbuf[UTF8_MAXBYTES+1];
1272     uvchr_to_utf8(tmpbuf, c);
1273     return is_utf8_lower(tmpbuf);
1274 }
1275
1276 bool
1277 Perl_is_uni_cntrl(pTHX_ UV c)
1278 {
1279     U8 tmpbuf[UTF8_MAXBYTES+1];
1280     uvchr_to_utf8(tmpbuf, c);
1281     return is_utf8_cntrl(tmpbuf);
1282 }
1283
1284 bool
1285 Perl_is_uni_graph(pTHX_ UV c)
1286 {
1287     U8 tmpbuf[UTF8_MAXBYTES+1];
1288     uvchr_to_utf8(tmpbuf, c);
1289     return is_utf8_graph(tmpbuf);
1290 }
1291
1292 bool
1293 Perl_is_uni_print(pTHX_ UV c)
1294 {
1295     U8 tmpbuf[UTF8_MAXBYTES+1];
1296     uvchr_to_utf8(tmpbuf, c);
1297     return is_utf8_print(tmpbuf);
1298 }
1299
1300 bool
1301 Perl_is_uni_punct(pTHX_ UV c)
1302 {
1303     U8 tmpbuf[UTF8_MAXBYTES+1];
1304     uvchr_to_utf8(tmpbuf, c);
1305     return is_utf8_punct(tmpbuf);
1306 }
1307
1308 bool
1309 Perl_is_uni_xdigit(pTHX_ UV c)
1310 {
1311     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1312     uvchr_to_utf8(tmpbuf, c);
1313     return is_utf8_xdigit(tmpbuf);
1314 }
1315
1316 UV
1317 Perl_to_uni_upper(pTHX_ UV c, U8* p, STRLEN *lenp)
1318 {
1319     PERL_ARGS_ASSERT_TO_UNI_UPPER;
1320
1321     uvchr_to_utf8(p, c);
1322     return to_utf8_upper(p, p, lenp);
1323 }
1324
1325 UV
1326 Perl_to_uni_title(pTHX_ UV c, U8* p, STRLEN *lenp)
1327 {
1328     PERL_ARGS_ASSERT_TO_UNI_TITLE;
1329
1330     uvchr_to_utf8(p, c);
1331     return to_utf8_title(p, p, lenp);
1332 }
1333
1334 UV
1335 Perl_to_uni_lower(pTHX_ UV c, U8* p, STRLEN *lenp)
1336 {
1337     PERL_ARGS_ASSERT_TO_UNI_LOWER;
1338
1339     uvchr_to_utf8(p, c);
1340     return to_utf8_lower(p, p, lenp);
1341 }
1342
1343 UV
1344 Perl__to_uni_fold_flags(pTHX_ UV c, U8* p, STRLEN *lenp, U8 flags)
1345 {
1346     PERL_ARGS_ASSERT__TO_UNI_FOLD_FLAGS;
1347
1348     uvchr_to_utf8(p, c);
1349     return _to_utf8_fold_flags(p, p, lenp, flags);
1350 }
1351
1352 /* for now these all assume no locale info available for Unicode > 255 */
1353
1354 bool
1355 Perl_is_uni_alnum_lc(pTHX_ UV c)
1356 {
1357     return is_uni_alnum(c);     /* XXX no locale support yet */
1358 }
1359
1360 bool
1361 Perl_is_uni_idfirst_lc(pTHX_ UV c)
1362 {
1363     return is_uni_idfirst(c);   /* XXX no locale support yet */
1364 }
1365
1366 bool
1367 Perl_is_uni_alpha_lc(pTHX_ UV c)
1368 {
1369     return is_uni_alpha(c);     /* XXX no locale support yet */
1370 }
1371
1372 bool
1373 Perl_is_uni_ascii_lc(pTHX_ UV c)
1374 {
1375     return is_uni_ascii(c);     /* XXX no locale support yet */
1376 }
1377
1378 bool
1379 Perl_is_uni_space_lc(pTHX_ UV c)
1380 {
1381     return is_uni_space(c);     /* XXX no locale support yet */
1382 }
1383
1384 bool
1385 Perl_is_uni_digit_lc(pTHX_ UV c)
1386 {
1387     return is_uni_digit(c);     /* XXX no locale support yet */
1388 }
1389
1390 bool
1391 Perl_is_uni_upper_lc(pTHX_ UV c)
1392 {
1393     return is_uni_upper(c);     /* XXX no locale support yet */
1394 }
1395
1396 bool
1397 Perl_is_uni_lower_lc(pTHX_ UV c)
1398 {
1399     return is_uni_lower(c);     /* XXX no locale support yet */
1400 }
1401
1402 bool
1403 Perl_is_uni_cntrl_lc(pTHX_ UV c)
1404 {
1405     return is_uni_cntrl(c);     /* XXX no locale support yet */
1406 }
1407
1408 bool
1409 Perl_is_uni_graph_lc(pTHX_ UV c)
1410 {
1411     return is_uni_graph(c);     /* XXX no locale support yet */
1412 }
1413
1414 bool
1415 Perl_is_uni_print_lc(pTHX_ UV c)
1416 {
1417     return is_uni_print(c);     /* XXX no locale support yet */
1418 }
1419
1420 bool
1421 Perl_is_uni_punct_lc(pTHX_ UV c)
1422 {
1423     return is_uni_punct(c);     /* XXX no locale support yet */
1424 }
1425
1426 bool
1427 Perl_is_uni_xdigit_lc(pTHX_ UV c)
1428 {
1429     return is_uni_xdigit(c);    /* XXX no locale support yet */
1430 }
1431
1432 U32
1433 Perl_to_uni_upper_lc(pTHX_ U32 c)
1434 {
1435     /* XXX returns only the first character -- do not use XXX */
1436     /* XXX no locale support yet */
1437     STRLEN len;
1438     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1439     return (U32)to_uni_upper(c, tmpbuf, &len);
1440 }
1441
1442 U32
1443 Perl_to_uni_title_lc(pTHX_ U32 c)
1444 {
1445     /* XXX returns only the first character XXX -- do not use XXX */
1446     /* XXX no locale support yet */
1447     STRLEN len;
1448     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1449     return (U32)to_uni_title(c, tmpbuf, &len);
1450 }
1451
1452 U32
1453 Perl_to_uni_lower_lc(pTHX_ U32 c)
1454 {
1455     /* XXX returns only the first character -- do not use XXX */
1456     /* XXX no locale support yet */
1457     STRLEN len;
1458     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1459     return (U32)to_uni_lower(c, tmpbuf, &len);
1460 }
1461
1462 static bool
1463 S_is_utf8_common(pTHX_ const U8 *const p, SV **swash,
1464                  const char *const swashname)
1465 {
1466     dVAR;
1467
1468     PERL_ARGS_ASSERT_IS_UTF8_COMMON;
1469
1470     if (!is_utf8_char(p))
1471         return FALSE;
1472     if (!*swash)
1473         *swash = swash_init("utf8", swashname, &PL_sv_undef, 1, 0);
1474     return swash_fetch(*swash, p, TRUE) != 0;
1475 }
1476
1477 bool
1478 Perl_is_utf8_alnum(pTHX_ const U8 *p)
1479 {
1480     dVAR;
1481
1482     PERL_ARGS_ASSERT_IS_UTF8_ALNUM;
1483
1484     /* NOTE: "IsWord", not "IsAlnum", since Alnum is a true
1485      * descendant of isalnum(3), in other words, it doesn't
1486      * contain the '_'. --jhi */
1487     return is_utf8_common(p, &PL_utf8_alnum, "IsWord");
1488 }
1489
1490 bool
1491 Perl_is_utf8_idfirst(pTHX_ const U8 *p) /* The naming is historical. */
1492 {
1493     dVAR;
1494
1495     PERL_ARGS_ASSERT_IS_UTF8_IDFIRST;
1496
1497     if (*p == '_')
1498         return TRUE;
1499     /* is_utf8_idstart would be more logical. */
1500     return is_utf8_common(p, &PL_utf8_idstart, "IdStart");
1501 }
1502
1503 bool
1504 Perl_is_utf8_xidfirst(pTHX_ const U8 *p) /* The naming is historical. */
1505 {
1506     dVAR;
1507
1508     PERL_ARGS_ASSERT_IS_UTF8_XIDFIRST;
1509
1510     if (*p == '_')
1511         return TRUE;
1512     /* is_utf8_idstart would be more logical. */
1513     return is_utf8_common(p, &PL_utf8_xidstart, "XIdStart");
1514 }
1515
1516 bool
1517 Perl_is_utf8_idcont(pTHX_ const U8 *p)
1518 {
1519     dVAR;
1520
1521     PERL_ARGS_ASSERT_IS_UTF8_IDCONT;
1522
1523     if (*p == '_')
1524         return TRUE;
1525     return is_utf8_common(p, &PL_utf8_idcont, "IdContinue");
1526 }
1527
1528 bool
1529 Perl_is_utf8_xidcont(pTHX_ const U8 *p)
1530 {
1531     dVAR;
1532
1533     PERL_ARGS_ASSERT_IS_UTF8_XIDCONT;
1534
1535     if (*p == '_')
1536         return TRUE;
1537     return is_utf8_common(p, &PL_utf8_idcont, "XIdContinue");
1538 }
1539
1540 bool
1541 Perl_is_utf8_alpha(pTHX_ const U8 *p)
1542 {
1543     dVAR;
1544
1545     PERL_ARGS_ASSERT_IS_UTF8_ALPHA;
1546
1547     return is_utf8_common(p, &PL_utf8_alpha, "IsAlpha");
1548 }
1549
1550 bool
1551 Perl_is_utf8_ascii(pTHX_ const U8 *p)
1552 {
1553     dVAR;
1554
1555     PERL_ARGS_ASSERT_IS_UTF8_ASCII;
1556
1557     return is_utf8_common(p, &PL_utf8_ascii, "IsAscii");
1558 }
1559
1560 bool
1561 Perl_is_utf8_space(pTHX_ const U8 *p)
1562 {
1563     dVAR;
1564
1565     PERL_ARGS_ASSERT_IS_UTF8_SPACE;
1566
1567     return is_utf8_common(p, &PL_utf8_space, "IsSpacePerl");
1568 }
1569
1570 bool
1571 Perl_is_utf8_perl_space(pTHX_ const U8 *p)
1572 {
1573     dVAR;
1574
1575     PERL_ARGS_ASSERT_IS_UTF8_PERL_SPACE;
1576
1577     return is_utf8_common(p, &PL_utf8_perl_space, "IsPerlSpace");
1578 }
1579
1580 bool
1581 Perl_is_utf8_perl_word(pTHX_ const U8 *p)
1582 {
1583     dVAR;
1584
1585     PERL_ARGS_ASSERT_IS_UTF8_PERL_WORD;
1586
1587     return is_utf8_common(p, &PL_utf8_perl_word, "IsPerlWord");
1588 }
1589
1590 bool
1591 Perl_is_utf8_digit(pTHX_ const U8 *p)
1592 {
1593     dVAR;
1594
1595     PERL_ARGS_ASSERT_IS_UTF8_DIGIT;
1596
1597     return is_utf8_common(p, &PL_utf8_digit, "IsDigit");
1598 }
1599
1600 bool
1601 Perl_is_utf8_posix_digit(pTHX_ const U8 *p)
1602 {
1603     dVAR;
1604
1605     PERL_ARGS_ASSERT_IS_UTF8_POSIX_DIGIT;
1606
1607     return is_utf8_common(p, &PL_utf8_posix_digit, "IsPosixDigit");
1608 }
1609
1610 bool
1611 Perl_is_utf8_upper(pTHX_ const U8 *p)
1612 {
1613     dVAR;
1614
1615     PERL_ARGS_ASSERT_IS_UTF8_UPPER;
1616
1617     return is_utf8_common(p, &PL_utf8_upper, "IsUppercase");
1618 }
1619
1620 bool
1621 Perl_is_utf8_lower(pTHX_ const U8 *p)
1622 {
1623     dVAR;
1624
1625     PERL_ARGS_ASSERT_IS_UTF8_LOWER;
1626
1627     return is_utf8_common(p, &PL_utf8_lower, "IsLowercase");
1628 }
1629
1630 bool
1631 Perl_is_utf8_cntrl(pTHX_ const U8 *p)
1632 {
1633     dVAR;
1634
1635     PERL_ARGS_ASSERT_IS_UTF8_CNTRL;
1636
1637     return is_utf8_common(p, &PL_utf8_cntrl, "IsCntrl");
1638 }
1639
1640 bool
1641 Perl_is_utf8_graph(pTHX_ const U8 *p)
1642 {
1643     dVAR;
1644
1645     PERL_ARGS_ASSERT_IS_UTF8_GRAPH;
1646
1647     return is_utf8_common(p, &PL_utf8_graph, "IsGraph");
1648 }
1649
1650 bool
1651 Perl_is_utf8_print(pTHX_ const U8 *p)
1652 {
1653     dVAR;
1654
1655     PERL_ARGS_ASSERT_IS_UTF8_PRINT;
1656
1657     return is_utf8_common(p, &PL_utf8_print, "IsPrint");
1658 }
1659
1660 bool
1661 Perl_is_utf8_punct(pTHX_ const U8 *p)
1662 {
1663     dVAR;
1664
1665     PERL_ARGS_ASSERT_IS_UTF8_PUNCT;
1666
1667     return is_utf8_common(p, &PL_utf8_punct, "IsPunct");
1668 }
1669
1670 bool
1671 Perl_is_utf8_xdigit(pTHX_ const U8 *p)
1672 {
1673     dVAR;
1674
1675     PERL_ARGS_ASSERT_IS_UTF8_XDIGIT;
1676
1677     return is_utf8_common(p, &PL_utf8_xdigit, "IsXDigit");
1678 }
1679
1680 bool
1681 Perl_is_utf8_mark(pTHX_ const U8 *p)
1682 {
1683     dVAR;
1684
1685     PERL_ARGS_ASSERT_IS_UTF8_MARK;
1686
1687     return is_utf8_common(p, &PL_utf8_mark, "IsM");
1688 }
1689
1690 bool
1691 Perl_is_utf8_X_begin(pTHX_ const U8 *p)
1692 {
1693     dVAR;
1694
1695     PERL_ARGS_ASSERT_IS_UTF8_X_BEGIN;
1696
1697     return is_utf8_common(p, &PL_utf8_X_begin, "_X_Begin");
1698 }
1699
1700 bool
1701 Perl_is_utf8_X_extend(pTHX_ const U8 *p)
1702 {
1703     dVAR;
1704
1705     PERL_ARGS_ASSERT_IS_UTF8_X_EXTEND;
1706
1707     return is_utf8_common(p, &PL_utf8_X_extend, "_X_Extend");
1708 }
1709
1710 bool
1711 Perl_is_utf8_X_prepend(pTHX_ const U8 *p)
1712 {
1713     dVAR;
1714
1715     PERL_ARGS_ASSERT_IS_UTF8_X_PREPEND;
1716
1717     return is_utf8_common(p, &PL_utf8_X_prepend, "GCB=Prepend");
1718 }
1719
1720 bool
1721 Perl_is_utf8_X_non_hangul(pTHX_ const U8 *p)
1722 {
1723     dVAR;
1724
1725     PERL_ARGS_ASSERT_IS_UTF8_X_NON_HANGUL;
1726
1727     return is_utf8_common(p, &PL_utf8_X_non_hangul, "HST=Not_Applicable");
1728 }
1729
1730 bool
1731 Perl_is_utf8_X_L(pTHX_ const U8 *p)
1732 {
1733     dVAR;
1734
1735     PERL_ARGS_ASSERT_IS_UTF8_X_L;
1736
1737     return is_utf8_common(p, &PL_utf8_X_L, "GCB=L");
1738 }
1739
1740 bool
1741 Perl_is_utf8_X_LV(pTHX_ const U8 *p)
1742 {
1743     dVAR;
1744
1745     PERL_ARGS_ASSERT_IS_UTF8_X_LV;
1746
1747     return is_utf8_common(p, &PL_utf8_X_LV, "GCB=LV");
1748 }
1749
1750 bool
1751 Perl_is_utf8_X_LVT(pTHX_ const U8 *p)
1752 {
1753     dVAR;
1754
1755     PERL_ARGS_ASSERT_IS_UTF8_X_LVT;
1756
1757     return is_utf8_common(p, &PL_utf8_X_LVT, "GCB=LVT");
1758 }
1759
1760 bool
1761 Perl_is_utf8_X_T(pTHX_ const U8 *p)
1762 {
1763     dVAR;
1764
1765     PERL_ARGS_ASSERT_IS_UTF8_X_T;
1766
1767     return is_utf8_common(p, &PL_utf8_X_T, "GCB=T");
1768 }
1769
1770 bool
1771 Perl_is_utf8_X_V(pTHX_ const U8 *p)
1772 {
1773     dVAR;
1774
1775     PERL_ARGS_ASSERT_IS_UTF8_X_V;
1776
1777     return is_utf8_common(p, &PL_utf8_X_V, "GCB=V");
1778 }
1779
1780 bool
1781 Perl_is_utf8_X_LV_LVT_V(pTHX_ const U8 *p)
1782 {
1783     dVAR;
1784
1785     PERL_ARGS_ASSERT_IS_UTF8_X_LV_LVT_V;
1786
1787     return is_utf8_common(p, &PL_utf8_X_LV_LVT_V, "_X_LV_LVT_V");
1788 }
1789
1790 /*
1791 =for apidoc to_utf8_case
1792
1793 The "p" contains the pointer to the UTF-8 string encoding
1794 the character that is being converted.
1795
1796 The "ustrp" is a pointer to the character buffer to put the
1797 conversion result to.  The "lenp" is a pointer to the length
1798 of the result.
1799
1800 The "swashp" is a pointer to the swash to use.
1801
1802 Both the special and normal mappings are stored in lib/unicore/To/Foo.pl,
1803 and loaded by SWASHNEW, using lib/utf8_heavy.pl.  The special (usually,
1804 but not always, a multicharacter mapping), is tried first.
1805
1806 The "special" is a string like "utf8::ToSpecLower", which means the
1807 hash %utf8::ToSpecLower.  The access to the hash is through
1808 Perl_to_utf8_case().
1809
1810 The "normal" is a string like "ToLower" which means the swash
1811 %utf8::ToLower.
1812
1813 =cut */
1814
1815 UV
1816 Perl_to_utf8_case(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp,
1817                         SV **swashp, const char *normal, const char *special)
1818 {
1819     dVAR;
1820     U8 tmpbuf[UTF8_MAXBYTES_CASE+1];
1821     STRLEN len = 0;
1822     const UV uv0 = utf8_to_uvchr(p, NULL);
1823     /* The NATIVE_TO_UNI() and UNI_TO_NATIVE() mappings
1824      * are necessary in EBCDIC, they are redundant no-ops
1825      * in ASCII-ish platforms, and hopefully optimized away. */
1826     const UV uv1 = NATIVE_TO_UNI(uv0);
1827
1828     PERL_ARGS_ASSERT_TO_UTF8_CASE;
1829
1830     /* Note that swash_fetch() doesn't output warnings for these because it
1831      * assumes we will */
1832     if (uv1 >= UNICODE_SURROGATE_FIRST) {
1833         if (uv1 <= UNICODE_SURROGATE_LAST) {
1834             if (ckWARN_d(WARN_SURROGATE)) {
1835                 const char* desc = (PL_op) ? OP_DESC(PL_op) : normal;
1836                 Perl_warner(aTHX_ packWARN(WARN_SURROGATE),
1837                     "Operation \"%s\" returns its argument for UTF-16 surrogate U+%04"UVXf"", desc, uv1);
1838             }
1839         }
1840         else if (UNICODE_IS_SUPER(uv1)) {
1841             if (ckWARN_d(WARN_NON_UNICODE)) {
1842                 const char* desc = (PL_op) ? OP_DESC(PL_op) : normal;
1843                 Perl_warner(aTHX_ packWARN(WARN_NON_UNICODE),
1844                     "Operation \"%s\" returns its argument for non-Unicode code point 0x%04"UVXf"", desc, uv1);
1845             }
1846         }
1847
1848         /* Note that non-characters are perfectly legal, so no warning should
1849          * be given */
1850     }
1851
1852     uvuni_to_utf8(tmpbuf, uv1);
1853
1854     if (!*swashp) /* load on-demand */
1855          *swashp = swash_init("utf8", normal, &PL_sv_undef, 4, 0);
1856
1857     if (special) {
1858          /* It might be "special" (sometimes, but not always,
1859           * a multicharacter mapping) */
1860          HV * const hv = get_hv(special, 0);
1861          SV **svp;
1862
1863          if (hv &&
1864              (svp = hv_fetch(hv, (const char*)tmpbuf, UNISKIP(uv1), FALSE)) &&
1865              (*svp)) {
1866              const char *s;
1867
1868               s = SvPV_const(*svp, len);
1869               if (len == 1)
1870                    len = uvuni_to_utf8(ustrp, NATIVE_TO_UNI(*(U8*)s)) - ustrp;
1871               else {
1872 #ifdef EBCDIC
1873                    /* If we have EBCDIC we need to remap the characters
1874                     * since any characters in the low 256 are Unicode
1875                     * code points, not EBCDIC. */
1876                    U8 *t = (U8*)s, *tend = t + len, *d;
1877
1878                    d = tmpbuf;
1879                    if (SvUTF8(*svp)) {
1880                         STRLEN tlen = 0;
1881
1882                         while (t < tend) {
1883                              const UV c = utf8_to_uvchr(t, &tlen);
1884                              if (tlen > 0) {
1885                                   d = uvchr_to_utf8(d, UNI_TO_NATIVE(c));
1886                                   t += tlen;
1887                              }
1888                              else
1889                                   break;
1890                         }
1891                    }
1892                    else {
1893                         while (t < tend) {
1894                              d = uvchr_to_utf8(d, UNI_TO_NATIVE(*t));
1895                              t++;
1896                         }
1897                    }
1898                    len = d - tmpbuf;
1899                    Copy(tmpbuf, ustrp, len, U8);
1900 #else
1901                    Copy(s, ustrp, len, U8);
1902 #endif
1903               }
1904          }
1905     }
1906
1907     if (!len && *swashp) {
1908         const UV uv2 = swash_fetch(*swashp, tmpbuf, TRUE);
1909
1910          if (uv2) {
1911               /* It was "normal" (a single character mapping). */
1912               const UV uv3 = UNI_TO_NATIVE(uv2);
1913               len = uvchr_to_utf8(ustrp, uv3) - ustrp;
1914          }
1915     }
1916
1917     if (!len) /* Neither: just copy.  In other words, there was no mapping
1918                  defined, which means that the code point maps to itself */
1919          len = uvchr_to_utf8(ustrp, uv0) - ustrp;
1920
1921     if (lenp)
1922          *lenp = len;
1923
1924     return len ? utf8_to_uvchr(ustrp, 0) : 0;
1925 }
1926
1927 /*
1928 =for apidoc to_utf8_upper
1929
1930 Convert the UTF-8 encoded character at p to its uppercase version and
1931 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1932 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since
1933 the uppercase version may be longer than the original character.
1934
1935 The first character of the uppercased version is returned
1936 (but note, as explained above, that there may be more.)
1937
1938 =cut */
1939
1940 UV
1941 Perl_to_utf8_upper(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1942 {
1943     dVAR;
1944
1945     PERL_ARGS_ASSERT_TO_UTF8_UPPER;
1946
1947     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1948                              &PL_utf8_toupper, "ToUpper", "utf8::ToSpecUpper");
1949 }
1950
1951 /*
1952 =for apidoc to_utf8_title
1953
1954 Convert the UTF-8 encoded character at p to its titlecase version and
1955 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1956 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1957 titlecase version may be longer than the original character.
1958
1959 The first character of the titlecased version is returned
1960 (but note, as explained above, that there may be more.)
1961
1962 =cut */
1963
1964 UV
1965 Perl_to_utf8_title(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1966 {
1967     dVAR;
1968
1969     PERL_ARGS_ASSERT_TO_UTF8_TITLE;
1970
1971     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1972                              &PL_utf8_totitle, "ToTitle", "utf8::ToSpecTitle");
1973 }
1974
1975 /*
1976 =for apidoc to_utf8_lower
1977
1978 Convert the UTF-8 encoded character at p to its lowercase version and
1979 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
1980 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
1981 lowercase version may be longer than the original character.
1982
1983 The first character of the lowercased version is returned
1984 (but note, as explained above, that there may be more.)
1985
1986 =cut */
1987
1988 UV
1989 Perl_to_utf8_lower(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp)
1990 {
1991     dVAR;
1992
1993     PERL_ARGS_ASSERT_TO_UTF8_LOWER;
1994
1995     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
1996                              &PL_utf8_tolower, "ToLower", "utf8::ToSpecLower");
1997 }
1998
1999 /*
2000 =for apidoc to_utf8_fold
2001
2002 Convert the UTF-8 encoded character at p to its foldcase version and
2003 store that in UTF-8 in ustrp and its length in bytes in lenp.  Note
2004 that the ustrp needs to be at least UTF8_MAXBYTES_CASE+1 bytes since the
2005 foldcase version may be longer than the original character (up to
2006 three characters).
2007
2008 The first character of the foldcased version is returned
2009 (but note, as explained above, that there may be more.)
2010
2011 =cut */
2012
2013 /* Not currently externally documented is 'flags', which currently is non-zero
2014  * if full case folds are to be used; otherwise simple folds */
2015
2016 UV
2017 Perl__to_utf8_fold_flags(pTHX_ const U8 *p, U8* ustrp, STRLEN *lenp, U8 flags)
2018 {
2019     const char *specials = (flags) ? "utf8::ToSpecFold" : NULL;
2020
2021     dVAR;
2022
2023     PERL_ARGS_ASSERT__TO_UTF8_FOLD_FLAGS;
2024
2025     return Perl_to_utf8_case(aTHX_ p, ustrp, lenp,
2026                              &PL_utf8_tofold, "ToFold", specials);
2027 }
2028
2029 /* Note:
2030  * A "swash" is a swatch hash.
2031  * A "swatch" is a bit vector generated by utf8.c:S_swash_get().
2032  * C<pkg> is a pointer to a package name for SWASHNEW, should be "utf8".
2033  * For other parameters, see utf8::SWASHNEW in lib/utf8_heavy.pl.
2034  */
2035 SV*
2036 Perl_swash_init(pTHX_ const char* pkg, const char* name, SV *listsv, I32 minbits, I32 none)
2037 {
2038     dVAR;
2039     SV* retval;
2040     dSP;
2041     const size_t pkg_len = strlen(pkg);
2042     const size_t name_len = strlen(name);
2043     HV * const stash = gv_stashpvn(pkg, pkg_len, 0);
2044     SV* errsv_save;
2045     GV *method;
2046
2047     PERL_ARGS_ASSERT_SWASH_INIT;
2048
2049     PUSHSTACKi(PERLSI_MAGIC);
2050     ENTER;
2051     SAVEHINTS();
2052     save_re_context();
2053     method = gv_fetchmeth(stash, "SWASHNEW", 8, -1);
2054     if (!method) {      /* demand load utf8 */
2055         ENTER;
2056         errsv_save = newSVsv(ERRSV);
2057         /* It is assumed that callers of this routine are not passing in any
2058            user derived data.  */
2059         /* Need to do this after save_re_context() as it will set PL_tainted to
2060            1 while saving $1 etc (see the code after getrx: in Perl_magic_get).
2061            Even line to create errsv_save can turn on PL_tainted.  */
2062         SAVEBOOL(PL_tainted);
2063         PL_tainted = 0;
2064         Perl_load_module(aTHX_ PERL_LOADMOD_NOIMPORT, newSVpvn(pkg,pkg_len),
2065                          NULL);
2066         if (!SvTRUE(ERRSV))
2067             sv_setsv(ERRSV, errsv_save);
2068         SvREFCNT_dec(errsv_save);
2069         LEAVE;
2070     }
2071     SPAGAIN;
2072     PUSHMARK(SP);
2073     EXTEND(SP,5);
2074     mPUSHp(pkg, pkg_len);
2075     mPUSHp(name, name_len);
2076     PUSHs(listsv);
2077     mPUSHi(minbits);
2078     mPUSHi(none);
2079     PUTBACK;
2080     errsv_save = newSVsv(ERRSV);
2081     /* If we already have a pointer to the method, no need to use call_method()
2082        to repeat the lookup.  */
2083     if (method ? call_sv(MUTABLE_SV(method), G_SCALAR)
2084         : call_sv(newSVpvs_flags("SWASHNEW", SVs_TEMP), G_SCALAR | G_METHOD))
2085         retval = newSVsv(*PL_stack_sp--);
2086     else
2087         retval = &PL_sv_undef;
2088     if (!SvTRUE(ERRSV))
2089         sv_setsv(ERRSV, errsv_save);
2090     SvREFCNT_dec(errsv_save);
2091     LEAVE;
2092     POPSTACK;
2093     if (IN_PERL_COMPILETIME) {
2094         CopHINTS_set(PL_curcop, PL_hints);
2095     }
2096     if (!SvROK(retval) || SvTYPE(SvRV(retval)) != SVt_PVHV) {
2097         if (SvPOK(retval))
2098             Perl_croak(aTHX_ "Can't find Unicode property definition \"%"SVf"\"",
2099                        SVfARG(retval));
2100         Perl_croak(aTHX_ "SWASHNEW didn't return an HV ref");
2101     }
2102     return retval;
2103 }
2104
2105
2106 /* This API is wrong for special case conversions since we may need to
2107  * return several Unicode characters for a single Unicode character
2108  * (see lib/unicore/SpecCase.txt) The SWASHGET in lib/utf8_heavy.pl is
2109  * the lower-level routine, and it is similarly broken for returning
2110  * multiple values.  --jhi
2111  * For those, you should use to_utf8_case() instead */
2112 /* Now SWASHGET is recasted into S_swash_get in this file. */
2113
2114 /* Note:
2115  * Returns the value of property/mapping C<swash> for the first character
2116  * of the string C<ptr>. If C<do_utf8> is true, the string C<ptr> is
2117  * assumed to be in utf8. If C<do_utf8> is false, the string C<ptr> is
2118  * assumed to be in native 8-bit encoding. Caches the swatch in C<swash>.
2119  */
2120 UV
2121 Perl_swash_fetch(pTHX_ SV *swash, const U8 *ptr, bool do_utf8)
2122 {
2123     dVAR;
2124     HV *const hv = MUTABLE_HV(SvRV(swash));
2125     U32 klen;
2126     U32 off;
2127     STRLEN slen;
2128     STRLEN needents;
2129     const U8 *tmps = NULL;
2130     U32 bit;
2131     SV *swatch;
2132     U8 tmputf8[2];
2133     const UV c = NATIVE_TO_ASCII(*ptr);
2134
2135     PERL_ARGS_ASSERT_SWASH_FETCH;
2136
2137     if (!do_utf8 && !UNI_IS_INVARIANT(c)) {
2138         tmputf8[0] = (U8)UTF8_EIGHT_BIT_HI(c);
2139         tmputf8[1] = (U8)UTF8_EIGHT_BIT_LO(c);
2140         ptr = tmputf8;
2141     }
2142     /* Given a UTF-X encoded char 0xAA..0xYY,0xZZ
2143      * then the "swatch" is a vec() for all the chars which start
2144      * with 0xAA..0xYY
2145      * So the key in the hash (klen) is length of encoded char -1
2146      */
2147     klen = UTF8SKIP(ptr) - 1;
2148     off  = ptr[klen];
2149
2150     if (klen == 0) {
2151       /* If char is invariant then swatch is for all the invariant chars
2152        * In both UTF-8 and UTF-8-MOD that happens to be UTF_CONTINUATION_MARK
2153        */
2154         needents = UTF_CONTINUATION_MARK;
2155         off      = NATIVE_TO_UTF(ptr[klen]);
2156     }
2157     else {
2158       /* If char is encoded then swatch is for the prefix */
2159         needents = (1 << UTF_ACCUMULATION_SHIFT);
2160         off      = NATIVE_TO_UTF(ptr[klen]) & UTF_CONTINUATION_MASK;
2161         if (UTF8_IS_SUPER(ptr) && ckWARN_d(WARN_NON_UNICODE)) {
2162             const UV code_point = utf8n_to_uvuni(ptr, UTF8_MAXBYTES, 0, 0);
2163
2164             /* This outputs warnings for binary properties only, assuming that
2165              * to_utf8_case() will output any.  Also, surrogates aren't checked
2166              * for, as that would warn on things like /\p{Gc=Cs}/ */
2167             SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2168             if (SvUV(*bitssvp) == 1) {
2169                 Perl_warner(aTHX_ packWARN(WARN_NON_UNICODE),
2170                     "Code point 0x%04"UVXf" is not Unicode, no properties match it; all inverse properties do", code_point);
2171             }
2172         }
2173     }
2174
2175     /*
2176      * This single-entry cache saves about 1/3 of the utf8 overhead in test
2177      * suite.  (That is, only 7-8% overall over just a hash cache.  Still,
2178      * it's nothing to sniff at.)  Pity we usually come through at least
2179      * two function calls to get here...
2180      *
2181      * NB: this code assumes that swatches are never modified, once generated!
2182      */
2183
2184     if (hv   == PL_last_swash_hv &&
2185         klen == PL_last_swash_klen &&
2186         (!klen || memEQ((char *)ptr, (char *)PL_last_swash_key, klen)) )
2187     {
2188         tmps = PL_last_swash_tmps;
2189         slen = PL_last_swash_slen;
2190     }
2191     else {
2192         /* Try our second-level swatch cache, kept in a hash. */
2193         SV** svp = hv_fetch(hv, (const char*)ptr, klen, FALSE);
2194
2195         /* If not cached, generate it via swash_get */
2196         if (!svp || !SvPOK(*svp)
2197                  || !(tmps = (const U8*)SvPV_const(*svp, slen))) {
2198             /* We use utf8n_to_uvuni() as we want an index into
2199                Unicode tables, not a native character number.
2200              */
2201             const UV code_point = utf8n_to_uvuni(ptr, UTF8_MAXBYTES, 0,
2202                                            ckWARN(WARN_UTF8) ?
2203                                            0 : UTF8_ALLOW_ANY);
2204             swatch = swash_get(swash,
2205                     /* On EBCDIC & ~(0xA0-1) isn't a useful thing to do */
2206                                 (klen) ? (code_point & ~(needents - 1)) : 0,
2207                                 needents);
2208
2209             if (IN_PERL_COMPILETIME)
2210                 CopHINTS_set(PL_curcop, PL_hints);
2211
2212             svp = hv_store(hv, (const char *)ptr, klen, swatch, 0);
2213
2214             if (!svp || !(tmps = (U8*)SvPV(*svp, slen))
2215                      || (slen << 3) < needents)
2216                 Perl_croak(aTHX_ "panic: swash_fetch got improper swatch");
2217         }
2218
2219         PL_last_swash_hv = hv;
2220         assert(klen <= sizeof(PL_last_swash_key));
2221         PL_last_swash_klen = (U8)klen;
2222         /* FIXME change interpvar.h?  */
2223         PL_last_swash_tmps = (U8 *) tmps;
2224         PL_last_swash_slen = slen;
2225         if (klen)
2226             Copy(ptr, PL_last_swash_key, klen, U8);
2227     }
2228
2229     switch ((int)((slen << 3) / needents)) {
2230     case 1:
2231         bit = 1 << (off & 7);
2232         off >>= 3;
2233         return (tmps[off] & bit) != 0;
2234     case 8:
2235         return tmps[off];
2236     case 16:
2237         off <<= 1;
2238         return (tmps[off] << 8) + tmps[off + 1] ;
2239     case 32:
2240         off <<= 2;
2241         return (tmps[off] << 24) + (tmps[off+1] << 16) + (tmps[off+2] << 8) + tmps[off + 3] ;
2242     }
2243     Perl_croak(aTHX_ "panic: swash_fetch got swatch of unexpected bit width");
2244     NORETURN_FUNCTION_END;
2245 }
2246
2247 /* Read a single line of the main body of the swash input text.  These are of
2248  * the form:
2249  * 0053 0056    0073
2250  * where each number is hex.  The first two numbers form the minimum and
2251  * maximum of a range, and the third is the value associated with the range.
2252  * Not all swashes should have a third number
2253  *
2254  * On input: l    points to the beginning of the line to be examined; it points
2255  *                to somewhere in the string of the whole input text, and is
2256  *                terminated by a \n or the null string terminator.
2257  *           lend   points to the null terminator of that string
2258  *           wants_value    is non-zero if the swash expects a third number
2259  *           typestr is the name of the swash's mapping, like 'ToLower'
2260  * On output: *min, *max, and *val are set to the values read from the line.
2261  *            returns a pointer just beyond the line examined.  If there was no
2262  *            valid min number on the line, returns lend+1
2263  */
2264
2265 STATIC U8*
2266 S_swash_scan_list_line(pTHX_ U8* l, U8* const lend, UV* min, UV* max, UV* val,
2267                              const bool wants_value, const U8* const typestr)
2268 {
2269     const int  typeto  = typestr[0] == 'T' && typestr[1] == 'o';
2270     STRLEN numlen;          /* Length of the number */
2271     I32 flags = PERL_SCAN_SILENT_ILLDIGIT
2272                 | PERL_SCAN_DISALLOW_PREFIX
2273                 | PERL_SCAN_SILENT_NON_PORTABLE;
2274
2275     /* nl points to the next \n in the scan */
2276     U8* const nl = (U8*)memchr(l, '\n', lend - l);
2277
2278     /* Get the first number on the line: the range minimum */
2279     numlen = lend - l;
2280     *min = grok_hex((char *)l, &numlen, &flags, NULL);
2281     if (numlen)     /* If found a hex number, position past it */
2282         l += numlen;
2283     else if (nl) {          /* Else, go handle next line, if any */
2284         return nl + 1;  /* 1 is length of "\n" */
2285     }
2286     else {              /* Else, no next line */
2287         return lend + 1;        /* to LIST's end at which \n is not found */
2288     }
2289
2290     /* The max range value follows, separated by a BLANK */
2291     if (isBLANK(*l)) {
2292         ++l;
2293         flags = PERL_SCAN_SILENT_ILLDIGIT
2294                 | PERL_SCAN_DISALLOW_PREFIX
2295                 | PERL_SCAN_SILENT_NON_PORTABLE;
2296         numlen = lend - l;
2297         *max = grok_hex((char *)l, &numlen, &flags, NULL);
2298         if (numlen)
2299             l += numlen;
2300         else    /* If no value here, it is a single element range */
2301             *max = *min;
2302
2303         /* Non-binary tables have a third entry: what the first element of the
2304          * range maps to */
2305         if (wants_value) {
2306             if (isBLANK(*l)) {
2307                 ++l;
2308                 flags = PERL_SCAN_SILENT_ILLDIGIT
2309                       | PERL_SCAN_DISALLOW_PREFIX
2310                       | PERL_SCAN_SILENT_NON_PORTABLE;
2311                 numlen = lend - l;
2312                 *val = grok_hex((char *)l, &numlen, &flags, NULL);
2313                 if (numlen)
2314                     l += numlen;
2315                 else
2316                     *val = 0;
2317             }
2318             else {
2319                 *val = 0;
2320                 if (typeto) {
2321                     Perl_croak(aTHX_ "%s: illegal mapping '%s'",
2322                                      typestr, l);
2323                 }
2324             }
2325         }
2326         else
2327             *val = 0; /* bits == 1, then any val should be ignored */
2328     }
2329     else { /* Nothing following range min, should be single element with no
2330               mapping expected */
2331         *max = *min;
2332         if (wants_value) {
2333             *val = 0;
2334             if (typeto) {
2335                 Perl_croak(aTHX_ "%s: illegal mapping '%s'", typestr, l);
2336             }
2337         }
2338         else
2339             *val = 0; /* bits == 1, then val should be ignored */
2340     }
2341
2342     /* Position to next line if any, or EOF */
2343     if (nl)
2344         l = nl + 1;
2345     else
2346         l = lend;
2347
2348     return l;
2349 }
2350
2351 /* Note:
2352  * Returns a swatch (a bit vector string) for a code point sequence
2353  * that starts from the value C<start> and comprises the number C<span>.
2354  * A C<swash> must be an object created by SWASHNEW (see lib/utf8_heavy.pl).
2355  * Should be used via swash_fetch, which will cache the swatch in C<swash>.
2356  */
2357 STATIC SV*
2358 S_swash_get(pTHX_ SV* swash, UV start, UV span)
2359 {
2360     SV *swatch;
2361     U8 *l, *lend, *x, *xend, *s, *send;
2362     STRLEN lcur, xcur, scur;
2363     HV *const hv = MUTABLE_HV(SvRV(swash));
2364
2365     /* The string containing the main body of the table */
2366     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
2367
2368     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
2369     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2370     SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
2371     SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);
2372     SV** const invert_it_svp = hv_fetchs(hv, "INVERT_IT", FALSE);
2373     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
2374     const STRLEN bits  = SvUV(*bitssvp);
2375     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
2376     const UV     none  = SvUV(*nonesvp);
2377     const UV     end   = start + span;
2378
2379     PERL_ARGS_ASSERT_SWASH_GET;
2380
2381     if (bits != 1 && bits != 8 && bits != 16 && bits != 32) {
2382         Perl_croak(aTHX_ "panic: swash_get doesn't expect bits %"UVuf,
2383                                                  (UV)bits);
2384     }
2385
2386     /* create and initialize $swatch */
2387     scur   = octets ? (span * octets) : (span + 7) / 8;
2388     swatch = newSV(scur);
2389     SvPOK_on(swatch);
2390     s = (U8*)SvPVX(swatch);
2391     if (octets && none) {
2392         const U8* const e = s + scur;
2393         while (s < e) {
2394             if (bits == 8)
2395                 *s++ = (U8)(none & 0xff);
2396             else if (bits == 16) {
2397                 *s++ = (U8)((none >>  8) & 0xff);
2398                 *s++ = (U8)( none        & 0xff);
2399             }
2400             else if (bits == 32) {
2401                 *s++ = (U8)((none >> 24) & 0xff);
2402                 *s++ = (U8)((none >> 16) & 0xff);
2403                 *s++ = (U8)((none >>  8) & 0xff);
2404                 *s++ = (U8)( none        & 0xff);
2405             }
2406         }
2407         *s = '\0';
2408     }
2409     else {
2410         (void)memzero((U8*)s, scur + 1);
2411     }
2412     SvCUR_set(swatch, scur);
2413     s = (U8*)SvPVX(swatch);
2414
2415     /* read $swash->{LIST} */
2416     l = (U8*)SvPV(*listsvp, lcur);
2417     lend = l + lcur;
2418     while (l < lend) {
2419         UV min, max, val;
2420         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
2421                                          cBOOL(octets), typestr);
2422         if (l > lend) {
2423             break;
2424         }
2425
2426         /* If looking for something beyond this range, go try the next one */
2427         if (max < start)
2428             continue;
2429
2430         if (octets) {
2431             UV key;
2432             if (min < start) {
2433                 if (!none || val < none) {
2434                     val += start - min;
2435                 }
2436                 min = start;
2437             }
2438             for (key = min; key <= max; key++) {
2439                 STRLEN offset;
2440                 if (key >= end)
2441                     goto go_out_list;
2442                 /* offset must be non-negative (start <= min <= key < end) */
2443                 offset = octets * (key - start);
2444                 if (bits == 8)
2445                     s[offset] = (U8)(val & 0xff);
2446                 else if (bits == 16) {
2447                     s[offset    ] = (U8)((val >>  8) & 0xff);
2448                     s[offset + 1] = (U8)( val        & 0xff);
2449                 }
2450                 else if (bits == 32) {
2451                     s[offset    ] = (U8)((val >> 24) & 0xff);
2452                     s[offset + 1] = (U8)((val >> 16) & 0xff);
2453                     s[offset + 2] = (U8)((val >>  8) & 0xff);
2454                     s[offset + 3] = (U8)( val        & 0xff);
2455                 }
2456
2457                 if (!none || val < none)
2458                     ++val;
2459             }
2460         }
2461         else { /* bits == 1, then val should be ignored */
2462             UV key;
2463             if (min < start)
2464                 min = start;
2465             for (key = min; key <= max; key++) {
2466                 const STRLEN offset = (STRLEN)(key - start);
2467                 if (key >= end)
2468                     goto go_out_list;
2469                 s[offset >> 3] |= 1 << (offset & 7);
2470             }
2471         }
2472     } /* while */
2473   go_out_list:
2474
2475     /* Invert if the data says it should be */
2476     if (invert_it_svp && SvUV(*invert_it_svp)) {
2477         send = s + scur;
2478         while (s < send) {
2479             *s = ~(*s);
2480             s++;
2481         }
2482     }
2483
2484     /* read $swash->{EXTRAS}
2485      * This code also copied to swash_to_invlist() below */
2486     x = (U8*)SvPV(*extssvp, xcur);
2487     xend = x + xcur;
2488     while (x < xend) {
2489         STRLEN namelen;
2490         U8 *namestr;
2491         SV** othersvp;
2492         HV* otherhv;
2493         STRLEN otherbits;
2494         SV **otherbitssvp, *other;
2495         U8 *s, *o, *nl;
2496         STRLEN slen, olen;
2497
2498         const U8 opc = *x++;
2499         if (opc == '\n')
2500             continue;
2501
2502         nl = (U8*)memchr(x, '\n', xend - x);
2503
2504         if (opc != '-' && opc != '+' && opc != '!' && opc != '&') {
2505             if (nl) {
2506                 x = nl + 1; /* 1 is length of "\n" */
2507                 continue;
2508             }
2509             else {
2510                 x = xend; /* to EXTRAS' end at which \n is not found */
2511                 break;
2512             }
2513         }
2514
2515         namestr = x;
2516         if (nl) {
2517             namelen = nl - namestr;
2518             x = nl + 1;
2519         }
2520         else {
2521             namelen = xend - namestr;
2522             x = xend;
2523         }
2524
2525         othersvp = hv_fetch(hv, (char *)namestr, namelen, FALSE);
2526         otherhv = MUTABLE_HV(SvRV(*othersvp));
2527         otherbitssvp = hv_fetchs(otherhv, "BITS", FALSE);
2528         otherbits = (STRLEN)SvUV(*otherbitssvp);
2529         if (bits < otherbits)
2530             Perl_croak(aTHX_ "panic: swash_get found swatch size mismatch");
2531
2532         /* The "other" swatch must be destroyed after. */
2533         other = swash_get(*othersvp, start, span);
2534         o = (U8*)SvPV(other, olen);
2535
2536         if (!olen)
2537             Perl_croak(aTHX_ "panic: swash_get got improper swatch");
2538
2539         s = (U8*)SvPV(swatch, slen);
2540         if (bits == 1 && otherbits == 1) {
2541             if (slen != olen)
2542                 Perl_croak(aTHX_ "panic: swash_get found swatch length mismatch");
2543
2544             switch (opc) {
2545             case '+':
2546                 while (slen--)
2547                     *s++ |= *o++;
2548                 break;
2549             case '!':
2550                 while (slen--)
2551                     *s++ |= ~*o++;
2552                 break;
2553             case '-':
2554                 while (slen--)
2555                     *s++ &= ~*o++;
2556                 break;
2557             case '&':
2558                 while (slen--)
2559                     *s++ &= *o++;
2560                 break;
2561             default:
2562                 break;
2563             }
2564         }
2565         else {
2566             STRLEN otheroctets = otherbits >> 3;
2567             STRLEN offset = 0;
2568             U8* const send = s + slen;
2569
2570             while (s < send) {
2571                 UV otherval = 0;
2572
2573                 if (otherbits == 1) {
2574                     otherval = (o[offset >> 3] >> (offset & 7)) & 1;
2575                     ++offset;
2576                 }
2577                 else {
2578                     STRLEN vlen = otheroctets;
2579                     otherval = *o++;
2580                     while (--vlen) {
2581                         otherval <<= 8;
2582                         otherval |= *o++;
2583                     }
2584                 }
2585
2586                 if (opc == '+' && otherval)
2587                     NOOP;   /* replace with otherval */
2588                 else if (opc == '!' && !otherval)
2589                     otherval = 1;
2590                 else if (opc == '-' && otherval)
2591                     otherval = 0;
2592                 else if (opc == '&' && !otherval)
2593                     otherval = 0;
2594                 else {
2595                     s += octets; /* no replacement */
2596                     continue;
2597                 }
2598
2599                 if (bits == 8)
2600                     *s++ = (U8)( otherval & 0xff);
2601                 else if (bits == 16) {
2602                     *s++ = (U8)((otherval >>  8) & 0xff);
2603                     *s++ = (U8)( otherval        & 0xff);
2604                 }
2605                 else if (bits == 32) {
2606                     *s++ = (U8)((otherval >> 24) & 0xff);
2607                     *s++ = (U8)((otherval >> 16) & 0xff);
2608                     *s++ = (U8)((otherval >>  8) & 0xff);
2609                     *s++ = (U8)( otherval        & 0xff);
2610                 }
2611             }
2612         }
2613         sv_free(other); /* through with it! */
2614     } /* while */
2615     return swatch;
2616 }
2617
2618 HV*
2619 Perl__swash_inversion_hash(pTHX_ SV* const swash)
2620 {
2621
2622    /* Subject to change or removal.  For use only in one place in regcomp.c.
2623     * Can't be used on a property that is subject to user override, as it
2624     * relies on the value of SPECIALS in the swash which would be set by
2625     * utf8_heavy.pl to the hash in the non-overriden file, and hence is not set
2626     * for overridden properties
2627     *
2628     * Returns a hash which is the inversion and closure of a swash mapping.
2629     * For example, consider the input lines:
2630     * 004B              006B
2631     * 004C              006C
2632     * 212A              006B
2633     *
2634     * The returned hash would have two keys, the utf8 for 006B and the utf8 for
2635     * 006C.  The value for each key is an array.  For 006C, the array would
2636     * have a two elements, the utf8 for itself, and for 004C.  For 006B, there
2637     * would be three elements in its array, the utf8 for 006B, 004B and 212A.
2638     *
2639     * Essentially, for any code point, it gives all the code points that map to
2640     * it, or the list of 'froms' for that point.
2641     *
2642     * Currently it ignores any additions or deletions from other swashes,
2643     * looking at just the main body of the swash, and if there are SPECIALS
2644     * in the swash, at that hash
2645     *
2646     * The specials hash can be extra code points, and most likely consists of
2647     * maps from single code points to multiple ones (each expressed as a string
2648     * of utf8 characters).   This function currently returns only 1-1 mappings.
2649     * However consider this possible input in the specials hash:
2650     * "\xEF\xAC\x85" => "\x{0073}\x{0074}",         # U+FB05 => 0073 0074
2651     * "\xEF\xAC\x86" => "\x{0073}\x{0074}",         # U+FB06 => 0073 0074
2652     *
2653     * Both FB05 and FB06 map to the same multi-char sequence, which we don't
2654     * currently handle.  But it also means that FB05 and FB06 are equivalent in
2655     * a 1-1 mapping which we should handle, and this relationship may not be in
2656     * the main table.  Therefore this function examines all the multi-char
2657     * sequences and adds the 1-1 mappings that come out of that.  */
2658
2659     U8 *l, *lend;
2660     STRLEN lcur;
2661     HV *const hv = MUTABLE_HV(SvRV(swash));
2662
2663     /* The string containing the main body of the table */
2664     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
2665
2666     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
2667     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2668     SV** const nonesvp = hv_fetchs(hv, "NONE", FALSE);
2669     /*SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);*/
2670     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
2671     const STRLEN bits  = SvUV(*bitssvp);
2672     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
2673     const UV     none  = SvUV(*nonesvp);
2674     SV **specials_p = hv_fetchs(hv, "SPECIALS", 0);
2675
2676     HV* ret = newHV();
2677
2678     PERL_ARGS_ASSERT__SWASH_INVERSION_HASH;
2679
2680     /* Must have at least 8 bits to get the mappings */
2681     if (bits != 8 && bits != 16 && bits != 32) {
2682         Perl_croak(aTHX_ "panic: swash_inversion_hash doesn't expect bits %"UVuf,
2683                                                  (UV)bits);
2684     }
2685
2686     if (specials_p) { /* It might be "special" (sometimes, but not always, a
2687                         mapping to more than one character */
2688
2689         /* Construct an inverse mapping hash for the specials */
2690         HV * const specials_hv = MUTABLE_HV(SvRV(*specials_p));
2691         HV * specials_inverse = newHV();
2692         char *char_from; /* the lhs of the map */
2693         I32 from_len;   /* its byte length */
2694         char *char_to;  /* the rhs of the map */
2695         I32 to_len;     /* its byte length */
2696         SV *sv_to;      /* and in a sv */
2697         AV* from_list;  /* list of things that map to each 'to' */
2698
2699         hv_iterinit(specials_hv);
2700
2701         /* The keys are the characters (in utf8) that map to the corresponding
2702          * utf8 string value.  Iterate through the list creating the inverse
2703          * list. */
2704         while ((sv_to = hv_iternextsv(specials_hv, &char_from, &from_len))) {
2705             SV** listp;
2706             if (! SvPOK(sv_to)) {
2707                 Perl_croak(aTHX_ "panic: value returned from hv_iternextsv() unexpectedly is not a string");
2708             }
2709             /*DEBUG_U(PerlIO_printf(Perl_debug_log, "Found mapping from %"UVXf", First char of to is %"UVXf"\n", utf8_to_uvchr((U8*) char_from, 0), utf8_to_uvchr((U8*) SvPVX(sv_to), 0)));*/
2710
2711             /* Each key in the inverse list is a mapped-to value, and the key's
2712              * hash value is a list of the strings (each in utf8) that map to
2713              * it.  Those strings are all one character long */
2714             if ((listp = hv_fetch(specials_inverse,
2715                                     SvPVX(sv_to),
2716                                     SvCUR(sv_to), 0)))
2717             {
2718                 from_list = (AV*) *listp;
2719             }
2720             else { /* No entry yet for it: create one */
2721                 from_list = newAV();
2722                 if (! hv_store(specials_inverse,
2723                                 SvPVX(sv_to),
2724                                 SvCUR(sv_to),
2725                                 (SV*) from_list, 0))
2726                 {
2727                     Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
2728                 }
2729             }
2730
2731             /* Here have the list associated with this 'to' (perhaps newly
2732              * created and empty).  Just add to it.  Note that we ASSUME that
2733              * the input is guaranteed to not have duplications, so we don't
2734              * check for that.  Duplications just slow down execution time. */
2735             av_push(from_list, newSVpvn_utf8(char_from, from_len, TRUE));
2736         }
2737
2738         /* Here, 'specials_inverse' contains the inverse mapping.  Go through
2739          * it looking for cases like the FB05/FB06 examples above.  There would
2740          * be an entry in the hash like
2741         *       'st' => [ FB05, FB06 ]
2742         * In this example we will create two lists that get stored in the
2743         * returned hash, 'ret':
2744         *       FB05 => [ FB05, FB06 ]
2745         *       FB06 => [ FB05, FB06 ]
2746         *
2747         * Note that there is nothing to do if the array only has one element.
2748         * (In the normal 1-1 case handled below, we don't have to worry about
2749         * two lists, as everything gets tied to the single list that is
2750         * generated for the single character 'to'.  But here, we are omitting
2751         * that list, ('st' in the example), so must have multiple lists.) */
2752         while ((from_list = (AV *) hv_iternextsv(specials_inverse,
2753                                                  &char_to, &to_len)))
2754         {
2755             if (av_len(from_list) > 0) {
2756                 int i;
2757
2758                 /* We iterate over all combinations of i,j to place each code
2759                  * point on each list */
2760                 for (i = 0; i <= av_len(from_list); i++) {
2761                     int j;
2762                     AV* i_list = newAV();
2763                     SV** entryp = av_fetch(from_list, i, FALSE);
2764                     if (entryp == NULL) {
2765                         Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
2766                     }
2767                     if (hv_fetch(ret, SvPVX(*entryp), SvCUR(*entryp), FALSE)) {
2768                         Perl_croak(aTHX_ "panic: unexpected entry for %s", SvPVX(*entryp));
2769                     }
2770                     if (! hv_store(ret, SvPVX(*entryp), SvCUR(*entryp),
2771                                    (SV*) i_list, FALSE))
2772                     {
2773                         Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
2774                     }
2775
2776                     /* For debugging: UV u = utf8_to_uvchr((U8*) SvPVX(*entryp), 0);*/
2777                     for (j = 0; j <= av_len(from_list); j++) {
2778                         entryp = av_fetch(from_list, j, FALSE);
2779                         if (entryp == NULL) {
2780                             Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
2781                         }
2782
2783                         /* When i==j this adds itself to the list */
2784                         av_push(i_list, newSVuv(utf8_to_uvchr(
2785                                                 (U8*) SvPVX(*entryp), 0)));
2786                         /*DEBUG_U(PerlIO_printf(Perl_debug_log, "Adding %"UVXf" to list for %"UVXf"\n", utf8_to_uvchr((U8*) SvPVX(*entryp), 0), u));*/
2787                     }
2788                 }
2789             }
2790         }
2791         SvREFCNT_dec(specials_inverse); /* done with it */
2792     } /* End of specials */
2793
2794     /* read $swash->{LIST} */
2795     l = (U8*)SvPV(*listsvp, lcur);
2796     lend = l + lcur;
2797
2798     /* Go through each input line */
2799     while (l < lend) {
2800         UV min, max, val;
2801         UV inverse;
2802         l = S_swash_scan_list_line(aTHX_ l, lend, &min, &max, &val,
2803                                          cBOOL(octets), typestr);
2804         if (l > lend) {
2805             break;
2806         }
2807
2808         /* Each element in the range is to be inverted */
2809         for (inverse = min; inverse <= max; inverse++) {
2810             AV* list;
2811             SV** listp;
2812             IV i;
2813             bool found_key = FALSE;
2814             bool found_inverse = FALSE;
2815
2816             /* The key is the inverse mapping */
2817             char key[UTF8_MAXBYTES+1];
2818             char* key_end = (char *) uvuni_to_utf8((U8*) key, val);
2819             STRLEN key_len = key_end - key;
2820
2821             /* Get the list for the map */
2822             if ((listp = hv_fetch(ret, key, key_len, FALSE))) {
2823                 list = (AV*) *listp;
2824             }
2825             else { /* No entry yet for it: create one */
2826                 list = newAV();
2827                 if (! hv_store(ret, key, key_len, (SV*) list, FALSE)) {
2828                     Perl_croak(aTHX_ "panic: hv_store() unexpectedly failed");
2829                 }
2830             }
2831
2832             /* Look through list to see if this inverse mapping already is
2833              * listed, or if there is a mapping to itself already */
2834             for (i = 0; i <= av_len(list); i++) {
2835                 SV** entryp = av_fetch(list, i, FALSE);
2836                 SV* entry;
2837                 if (entryp == NULL) {
2838                     Perl_croak(aTHX_ "panic: av_fetch() unexpectedly failed");
2839                 }
2840                 entry = *entryp;
2841                 /*DEBUG_U(PerlIO_printf(Perl_debug_log, "list for %"UVXf" contains %"UVXf"\n", val, SvUV(entry)));*/
2842                 if (SvUV(entry) == val) {
2843                     found_key = TRUE;
2844                 }
2845                 if (SvUV(entry) == inverse) {
2846                     found_inverse = TRUE;
2847                 }
2848
2849                 /* No need to continue searching if found everything we are
2850                  * looking for */
2851                 if (found_key && found_inverse) {
2852                     break;
2853                 }
2854             }
2855
2856             /* Make sure there is a mapping to itself on the list */
2857             if (! found_key) {
2858                 av_push(list, newSVuv(val));
2859                 /*DEBUG_U(PerlIO_printf(Perl_debug_log, "Adding %"UVXf" to list for %"UVXf"\n", val, val));*/
2860             }
2861
2862
2863             /* Simply add the value to the list */
2864             if (! found_inverse) {
2865                 av_push(list, newSVuv(inverse));
2866                 /*DEBUG_U(PerlIO_printf(Perl_debug_log, "Adding %"UVXf" to list for %"UVXf"\n", inverse, val));*/
2867             }
2868
2869             /* swash_get() increments the value of val for each element in the
2870              * range.  That makes more compact tables possible.  You can
2871              * express the capitalization, for example, of all consecutive
2872              * letters with a single line: 0061\t007A\t0041 This maps 0061 to
2873              * 0041, 0062 to 0042, etc.  I (khw) have never understood 'none',
2874              * and it's not documented; it appears to be used only in
2875              * implementing tr//; I copied the semantics from swash_get(), just
2876              * in case */
2877             if (!none || val < none) {
2878                 ++val;
2879             }
2880         }
2881     }
2882
2883     return ret;
2884 }
2885
2886 SV*
2887 Perl__swash_to_invlist(pTHX_ SV* const swash)
2888 {
2889
2890    /* Subject to change or removal.  For use only in one place in regcomp.c */
2891
2892     U8 *l, *lend;
2893     char *loc;
2894     STRLEN lcur;
2895     HV *const hv = MUTABLE_HV(SvRV(swash));
2896     UV elements = 0;    /* Number of elements in the inversion list */
2897     U8 empty[] = "";
2898
2899     /* The string containing the main body of the table */
2900     SV** const listsvp = hv_fetchs(hv, "LIST", FALSE);
2901     SV** const typesvp = hv_fetchs(hv, "TYPE", FALSE);
2902     SV** const bitssvp = hv_fetchs(hv, "BITS", FALSE);
2903     SV** const extssvp = hv_fetchs(hv, "EXTRAS", FALSE);
2904     SV** const invert_it_svp = hv_fetchs(hv, "INVERT_IT", FALSE);
2905
2906     const U8* const typestr = (U8*)SvPV_nolen(*typesvp);
2907     const STRLEN bits  = SvUV(*bitssvp);
2908     const STRLEN octets = bits >> 3; /* if bits == 1, then octets == 0 */
2909     U8 *x, *xend;
2910     STRLEN xcur;
2911
2912     SV* invlist;
2913
2914     PERL_ARGS_ASSERT__SWASH_TO_INVLIST;
2915
2916     /* read $swash->{LIST} */
2917     if (SvPOK(*listsvp)) {
2918         l = (U8*)SvPV(*listsvp, lcur);
2919     }
2920     else {
2921         /* LIST legitimately doesn't contain a string during compilation phases
2922          * of Perl itself, before the Unicode tables are generated.  In this
2923          * case, just fake things up by creating an empty list */
2924         l = empty;
2925         lcur = 0;
2926     }
2927     loc = (char *) l;
2928     lend = l + lcur;
2929
2930     /* Scan the input to count the number of lines to preallocate array size
2931      * based on worst possible case, which is each line in the input creates 2
2932      * elements in the inversion list: 1) the beginning of a range in the list;
2933      * 2) the beginning of a range not in the list.  */
2934     while ((loc = (strchr(loc, '\n'))) != NULL) {
2935         elements += 2;
2936         loc++;
2937     }
2938
2939     /* If the ending is somehow corrupt and isn't a new line, add another
2940      * element for the final range that isn't in the inversion list */
2941     if (! (*lend == '\n' || (*lend == '\0' && *(lend - 1) == '\n'))) {
2942         elements++;
2943     }
2944
2945     invlist = _new_invlist(elements);
2946
2947     /* Now go through the input again, adding each range to the list */
2948     while (l < lend) {
2949         UV start, end;
2950         UV val;         /* Not used by this function */
2951
2952         l = S_swash_scan_list_line(aTHX_ l, lend, &start, &end, &val,
2953                                          cBOOL(octets), typestr);
2954
2955         if (l > lend) {
2956             break;
2957         }
2958
2959         _append_range_to_invlist(invlist, start, end);
2960     }
2961
2962     /* Invert if the data says it should be */
2963     if (invert_it_svp && SvUV(*invert_it_svp)) {
2964         _invlist_invert(invlist);
2965     }
2966
2967     /* This code is copied from swash_get()
2968      * read $swash->{EXTRAS} */
2969     x = (U8*)SvPV(*extssvp, xcur);
2970     xend = x + xcur;
2971     while (x < xend) {
2972         STRLEN namelen;
2973         U8 *namestr;
2974         SV** othersvp;
2975         HV* otherhv;
2976         STRLEN otherbits;
2977         SV **otherbitssvp, *other;
2978         U8 *nl;
2979
2980         const U8 opc = *x++;
2981         if (opc == '\n')
2982             continue;
2983
2984         nl = (U8*)memchr(x, '\n', xend - x);
2985
2986         if (opc != '-' && opc != '+' && opc != '!' && opc != '&') {
2987             if (nl) {
2988                 x = nl + 1; /* 1 is length of "\n" */
2989                 continue;
2990             }
2991             else {
2992                 x = xend; /* to EXTRAS' end at which \n is not found */
2993                 break;
2994             }
2995         }
2996
2997         namestr = x;
2998         if (nl) {
2999             namelen = nl - namestr;
3000             x = nl + 1;
3001         }
3002         else {
3003             namelen = xend - namestr;
3004             x = xend;
3005         }
3006
3007         othersvp = hv_fetch(hv, (char *)namestr, namelen, FALSE);
3008         otherhv = MUTABLE_HV(SvRV(*othersvp));
3009         otherbitssvp = hv_fetchs(otherhv, "BITS", FALSE);
3010         otherbits = (STRLEN)SvUV(*otherbitssvp);
3011
3012         if (bits != otherbits || bits != 1) {
3013             Perl_croak(aTHX_ "panic: _swash_to_invlist only operates on boolean properties");
3014         }
3015
3016         /* The "other" swatch must be destroyed after. */
3017         other = _swash_to_invlist((SV *)*othersvp);
3018
3019         /* End of code copied from swash_get() */
3020         switch (opc) {
3021         case '+':
3022             _invlist_union(invlist, other, &invlist);
3023             break;
3024         case '!':
3025             _invlist_invert(other);
3026             _invlist_union(invlist, other, &invlist);
3027             break;
3028         case '-':
3029             _invlist_subtract(invlist, other, &invlist);
3030             break;
3031         case '&':
3032             _invlist_intersection(invlist, other, &invlist);
3033             break;
3034         default:
3035             break;
3036         }
3037         sv_free(other); /* through with it! */
3038     }
3039
3040     return invlist;
3041 }
3042
3043 /*
3044 =for apidoc uvchr_to_utf8
3045
3046 Adds the UTF-8 representation of the Native code point C<uv> to the end
3047 of the string C<d>; C<d> should be have at least C<UTF8_MAXBYTES+1> free
3048 bytes available. The return value is the pointer to the byte after the
3049 end of the new character. In other words,
3050
3051     d = uvchr_to_utf8(d, uv);
3052
3053 is the recommended wide native character-aware way of saying
3054
3055     *(d++) = uv;
3056
3057 =cut
3058 */
3059
3060 /* On ASCII machines this is normally a macro but we want a
3061    real function in case XS code wants it
3062 */
3063 U8 *
3064 Perl_uvchr_to_utf8(pTHX_ U8 *d, UV uv)
3065 {
3066     PERL_ARGS_ASSERT_UVCHR_TO_UTF8;
3067
3068     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), 0);
3069 }
3070
3071 U8 *
3072 Perl_uvchr_to_utf8_flags(pTHX_ U8 *d, UV uv, UV flags)
3073 {
3074     PERL_ARGS_ASSERT_UVCHR_TO_UTF8_FLAGS;
3075
3076     return Perl_uvuni_to_utf8_flags(aTHX_ d, NATIVE_TO_UNI(uv), flags);
3077 }
3078
3079 /*
3080 =for apidoc utf8n_to_uvchr
3081
3082 Returns the native character value of the first character in the string
3083 C<s>
3084 which is assumed to be in UTF-8 encoding; C<retlen> will be set to the
3085 length, in bytes, of that character.
3086
3087 length and flags are the same as utf8n_to_uvuni().
3088
3089 =cut
3090 */
3091 /* On ASCII machines this is normally a macro but we want
3092    a real function in case XS code wants it
3093 */
3094 UV
3095 Perl_utf8n_to_uvchr(pTHX_ const U8 *s, STRLEN curlen, STRLEN *retlen,
3096 U32 flags)
3097 {
3098     const UV uv = Perl_utf8n_to_uvuni(aTHX_ s, curlen, retlen, flags);
3099
3100     PERL_ARGS_ASSERT_UTF8N_TO_UVCHR;
3101
3102     return UNI_TO_NATIVE(uv);
3103 }
3104
3105 bool
3106 Perl_check_utf8_print(pTHX_ register const U8* s, const STRLEN len)
3107 {
3108     /* May change: warns if surrogates, non-character code points, or
3109      * non-Unicode code points are in s which has length len.  Returns TRUE if
3110      * none found; FALSE otherwise.  The only other validity check is to make
3111      * sure that this won't exceed the string's length */
3112
3113     const U8* const e = s + len;
3114     bool ok = TRUE;
3115
3116     PERL_ARGS_ASSERT_CHECK_UTF8_PRINT;
3117
3118     while (s < e) {
3119         if (UTF8SKIP(s) > len) {
3120             Perl_ck_warner_d(aTHX_ packWARN(WARN_UTF8),
3121                            "%s in %s", unees, PL_op ? OP_DESC(PL_op) : "print");
3122             return FALSE;
3123         }
3124         if (*s >= UTF8_FIRST_PROBLEMATIC_CODE_POINT_FIRST_BYTE) {
3125             STRLEN char_len;
3126             if (UTF8_IS_SUPER(s)) {
3127                 if (ckWARN_d(WARN_NON_UNICODE)) {
3128                     UV uv = utf8_to_uvchr(s, &char_len);
3129                     Perl_warner(aTHX_ packWARN(WARN_NON_UNICODE),
3130                         "Code point 0x%04"UVXf" is not Unicode, may not be portable", uv);
3131                     ok = FALSE;
3132                 }
3133             }
3134             else if (UTF8_IS_SURROGATE(s)) {
3135                 if (ckWARN_d(WARN_SURROGATE)) {
3136                     UV uv = utf8_to_uvchr(s, &char_len);
3137                     Perl_warner(aTHX_ packWARN(WARN_SURROGATE),
3138                         "Unicode surrogate U+%04"UVXf" is illegal in UTF-8", uv);
3139                     ok = FALSE;
3140                 }
3141             }
3142             else if
3143                 ((UTF8_IS_NONCHAR_GIVEN_THAT_NON_SUPER_AND_GE_PROBLEMATIC(s))
3144                  && (ckWARN_d(WARN_NONCHAR)))
3145             {
3146                 UV uv = utf8_to_uvchr(s, &char_len);
3147                 Perl_warner(aTHX_ packWARN(WARN_NONCHAR),
3148                     "Unicode non-character U+%04"UVXf" is illegal for open interchange", uv);
3149                 ok = FALSE;
3150             }
3151         }
3152         s += UTF8SKIP(s);
3153     }
3154
3155     return ok;
3156 }
3157
3158 /*
3159 =for apidoc pv_uni_display
3160
3161 Build to the scalar dsv a displayable version of the string spv,
3162 length len, the displayable version being at most pvlim bytes long
3163 (if longer, the rest is truncated and "..." will be appended).
3164
3165 The flags argument can have UNI_DISPLAY_ISPRINT set to display
3166 isPRINT()able characters as themselves, UNI_DISPLAY_BACKSLASH
3167 to display the \\[nrfta\\] as the backslashed versions (like '\n')
3168 (UNI_DISPLAY_BACKSLASH is preferred over UNI_DISPLAY_ISPRINT for \\).
3169 UNI_DISPLAY_QQ (and its alias UNI_DISPLAY_REGEX) have both
3170 UNI_DISPLAY_BACKSLASH and UNI_DISPLAY_ISPRINT turned on.
3171
3172 The pointer to the PV of the dsv is returned.
3173
3174 =cut */
3175 char *
3176 Perl_pv_uni_display(pTHX_ SV *dsv, const U8 *spv, STRLEN len, STRLEN pvlim, UV flags)
3177 {
3178     int truncated = 0;
3179     const char *s, *e;
3180
3181     PERL_ARGS_ASSERT_PV_UNI_DISPLAY;
3182
3183     sv_setpvs(dsv, "");
3184     SvUTF8_off(dsv);
3185     for (s = (const char *)spv, e = s + len; s < e; s += UTF8SKIP(s)) {
3186          UV u;
3187           /* This serves double duty as a flag and a character to print after
3188              a \ when flags & UNI_DISPLAY_BACKSLASH is true.
3189           */
3190          char ok = 0;
3191
3192          if (pvlim && SvCUR(dsv) >= pvlim) {
3193               truncated++;
3194               break;
3195          }
3196          u = utf8_to_uvchr((U8*)s, 0);
3197          if (u < 256) {
3198              const unsigned char c = (unsigned char)u & 0xFF;
3199              if (flags & UNI_DISPLAY_BACKSLASH) {
3200                  switch (c) {
3201                  case '\n':
3202                      ok = 'n'; break;
3203                  case '\r':
3204                      ok = 'r'; break;
3205                  case '\t':
3206                      ok = 't'; break;
3207                  case '\f':
3208                      ok = 'f'; break;
3209                  case '\a':
3210                      ok = 'a'; break;
3211                  case '\\':
3212                      ok = '\\'; break;
3213                  default: break;
3214                  }
3215                  if (ok) {
3216                      const char string = ok;
3217                      sv_catpvs(dsv, "\\");
3218                      sv_catpvn(dsv, &string, 1);
3219                  }
3220              }
3221              /* isPRINT() is the locale-blind version. */
3222              if (!ok && (flags & UNI_DISPLAY_ISPRINT) && isPRINT(c)) {
3223                  const char string = c;
3224                  sv_catpvn(dsv, &string, 1);
3225                  ok = 1;
3226              }
3227          }
3228          if (!ok)
3229              Perl_sv_catpvf(aTHX_ dsv, "\\x{%"UVxf"}", u);
3230     }
3231     if (truncated)
3232          sv_catpvs(dsv, "...");
3233
3234     return SvPVX(dsv);
3235 }
3236
3237 /*
3238 =for apidoc sv_uni_display
3239
3240 Build to the scalar dsv a displayable version of the scalar sv,
3241 the displayable version being at most pvlim bytes long
3242 (if longer, the rest is truncated and "..." will be appended).
3243
3244 The flags argument is as in pv_uni_display().
3245
3246 The pointer to the PV of the dsv is returned.
3247
3248 =cut
3249 */
3250 char *
3251 Perl_sv_uni_display(pTHX_ SV *dsv, SV *ssv, STRLEN pvlim, UV flags)
3252 {
3253     PERL_ARGS_ASSERT_SV_UNI_DISPLAY;
3254
3255      return Perl_pv_uni_display(aTHX_ dsv, (const U8*)SvPVX_const(ssv),
3256                                 SvCUR(ssv), pvlim, flags);
3257 }
3258
3259 /*
3260 =for apidoc foldEQ_utf8
3261
3262 Returns true if the leading portions of the strings s1 and s2 (either or both
3263 of which may be in UTF-8) are the same case-insensitively; false otherwise.
3264 How far into the strings to compare is determined by other input parameters.
3265
3266 If u1 is true, the string s1 is assumed to be in UTF-8-encoded Unicode;
3267 otherwise it is assumed to be in native 8-bit encoding.  Correspondingly for u2
3268 with respect to s2.
3269
3270 If the byte length l1 is non-zero, it says how far into s1 to check for fold
3271 equality.  In other words, s1+l1 will be used as a goal to reach.  The
3272 scan will not be considered to be a match unless the goal is reached, and
3273 scanning won't continue past that goal.  Correspondingly for l2 with respect to
3274 s2.
3275
3276 If pe1 is non-NULL and the pointer it points to is not NULL, that pointer is
3277 considered an end pointer beyond which scanning of s1 will not continue under
3278 any circumstances.  This means that if both l1 and pe1 are specified, and pe1
3279 is less than s1+l1, the match will never be successful because it can never
3280 get as far as its goal (and in fact is asserted against).  Correspondingly for
3281 pe2 with respect to s2.
3282
3283 At least one of s1 and s2 must have a goal (at least one of l1 and l2 must be
3284 non-zero), and if both do, both have to be
3285 reached for a successful match.   Also, if the fold of a character is multiple
3286 characters, all of them must be matched (see tr21 reference below for
3287 'folding').
3288
3289 Upon a successful match, if pe1 is non-NULL,
3290 it will be set to point to the beginning of the I<next> character of s1 beyond
3291 what was matched.  Correspondingly for pe2 and s2.
3292
3293 For case-insensitiveness, the "casefolding" of Unicode is used
3294 instead of upper/lowercasing both the characters, see
3295 http://www.unicode.org/unicode/reports/tr21/ (Case Mappings).
3296
3297 =cut */
3298
3299 /* A flags parameter has been added which may change, and hence isn't
3300  * externally documented.  Currently it is:
3301  *  0 for as-documented above
3302  *  FOLDEQ_UTF8_NOMIX_ASCII meaning that if a non-ASCII character folds to an
3303                             ASCII one, to not match
3304  *  FOLDEQ_UTF8_LOCALE      meaning that locale rules are to be used for code
3305  *                          points below 256; unicode rules for above 255; and
3306  *                          folds that cross those boundaries are disallowed,
3307  *                          like the NOMIX_ASCII option
3308  */
3309 I32
3310 Perl_foldEQ_utf8_flags(pTHX_ const char *s1, char **pe1, register UV l1, bool u1, const char *s2, char **pe2, register UV l2, bool u2, U32 flags)
3311 {
3312     dVAR;
3313     register const U8 *p1  = (const U8*)s1; /* Point to current char */
3314     register const U8 *p2  = (const U8*)s2;
3315     register const U8 *g1 = NULL;       /* goal for s1 */
3316     register const U8 *g2 = NULL;
3317     register const U8 *e1 = NULL;       /* Don't scan s1 past this */
3318     register U8 *f1 = NULL;             /* Point to current folded */
3319     register const U8 *e2 = NULL;
3320     register U8 *f2 = NULL;
3321     STRLEN n1 = 0, n2 = 0;              /* Number of bytes in current char */
3322     U8 foldbuf1[UTF8_MAXBYTES_CASE+1];
3323     U8 foldbuf2[UTF8_MAXBYTES_CASE+1];
3324     U8 natbuf[2];               /* Holds native 8-bit char converted to utf8;
3325                                    these always fit in 2 bytes */
3326
3327     PERL_ARGS_ASSERT_FOLDEQ_UTF8_FLAGS;
3328
3329     if (pe1) {
3330         e1 = *(U8**)pe1;
3331     }
3332
3333     if (l1) {
3334         g1 = (const U8*)s1 + l1;
3335     }
3336
3337     if (pe2) {
3338         e2 = *(U8**)pe2;
3339     }
3340
3341     if (l2) {
3342         g2 = (const U8*)s2 + l2;
3343     }
3344
3345     /* Must have at least one goal */
3346     assert(g1 || g2);
3347
3348     if (g1) {
3349
3350         /* Will never match if goal is out-of-bounds */
3351         assert(! e1  || e1 >= g1);
3352
3353         /* Here, there isn't an end pointer, or it is beyond the goal.  We
3354         * only go as far as the goal */
3355         e1 = g1;
3356     }
3357     else {
3358         assert(e1);    /* Must have an end for looking at s1 */
3359     }
3360
3361     /* Same for goal for s2 */
3362     if (g2) {
3363         assert(! e2  || e2 >= g2);
3364         e2 = g2;
3365     }
3366     else {
3367         assert(e2);
3368     }
3369
3370     /* Look through both strings, a character at a time */
3371     while (p1 < e1 && p2 < e2) {
3372
3373         /* If at the beginning of a new character in s1, get its fold to use
3374          * and the length of the fold.  (exception: locale rules just get the
3375          * character to a single byte) */
3376         if (n1 == 0) {
3377
3378             /* If in locale matching, we use two sets of rules, depending on if
3379              * the code point is above or below 255.  Here, we test for and
3380              * handle locale rules */
3381             if ((flags & FOLDEQ_UTF8_LOCALE)
3382                 && (! u1 || UTF8_IS_INVARIANT(*p1) || UTF8_IS_DOWNGRADEABLE_START(*p1)))
3383             {
3384                 /* There is no mixing of code points above and below 255. */
3385                 if (u2 && (! UTF8_IS_INVARIANT(*p2)
3386                     && ! UTF8_IS_DOWNGRADEABLE_START(*p2)))
3387                 {
3388                     return 0;
3389                 }
3390
3391                 /* We handle locale rules by converting, if necessary, the code
3392                  * point to a single byte. */
3393                 if (! u1 || UTF8_IS_INVARIANT(*p1)) {
3394                     *foldbuf1 = *p1;
3395                 }
3396                 else {
3397                     *foldbuf1 = TWO_BYTE_UTF8_TO_UNI(*p1, *(p1 + 1));
3398                 }
3399                 n1 = 1;
3400             }
3401             else if (isASCII(*p1)) {    /* Note, that here won't be both ASCII
3402                                            and using locale rules */
3403
3404                 /* If trying to mix non- with ASCII, and not supposed to, fail */
3405                 if ((flags & FOLDEQ_UTF8_NOMIX_ASCII) && ! isASCII(*p2)) {
3406                     return 0;
3407                 }
3408                 n1 = 1;
3409                 *foldbuf1 = toLOWER(*p1);   /* Folds in the ASCII range are
3410                                                just lowercased */
3411             }
3412             else if (u1) {
3413                 to_utf8_fold(p1, foldbuf1, &n1);
3414             }
3415             else {  /* Not utf8, convert to it first and then get fold */
3416                 uvuni_to_utf8(natbuf, (UV) NATIVE_TO_UNI(((UV)*p1)));
3417                 to_utf8_fold(natbuf, foldbuf1, &n1);
3418             }
3419             f1 = foldbuf1;
3420         }
3421
3422         if (n2 == 0) {    /* Same for s2 */
3423             if ((flags & FOLDEQ_UTF8_LOCALE)
3424                 && (! u2 || UTF8_IS_INVARIANT(*p2) || UTF8_IS_DOWNGRADEABLE_START(*p2)))
3425             {
3426                 /* Here, the next char in s2 is < 256.  We've already worked on
3427                  * s1, and if it isn't also < 256, can't match */
3428                 if (u1 && (! UTF8_IS_INVARIANT(*p1)
3429                     && ! UTF8_IS_DOWNGRADEABLE_START(*p1)))
3430                 {
3431                     return 0;
3432                 }
3433                 if (! u2 || UTF8_IS_INVARIANT(*p2)) {
3434                     *foldbuf2 = *p2;
3435                 }
3436                 else {
3437                     *foldbuf2 = TWO_BYTE_UTF8_TO_UNI(*p2, *(p2 + 1));
3438                 }
3439
3440                 /* Use another function to handle locale rules.  We've made
3441                  * sure that both characters to compare are single bytes */
3442                 if (! foldEQ_locale((char *) f1, (char *) foldbuf2, 1)) {
3443                     return 0;
3444                 }
3445                 n1 = n2 = 0;
3446             }
3447             else if (isASCII(*p2)) {
3448                 if (flags && ! isASCII(*p1)) {
3449                     return 0;
3450                 }
3451                 n2 = 1;
3452                 *foldbuf2 = toLOWER(*p2);
3453             }
3454             else if (u2) {
3455                 to_utf8_fold(p2, foldbuf2, &n2);
3456             }
3457             else {
3458                 uvuni_to_utf8(natbuf, (UV) NATIVE_TO_UNI(((UV)*p2)));
3459                 to_utf8_fold(natbuf, foldbuf2, &n2);
3460             }
3461             f2 = foldbuf2;
3462         }
3463
3464         /* Here f1 and f2 point to the beginning of the strings to compare.
3465          * These strings are the folds of the input characters, stored in utf8.
3466          */
3467
3468         /* While there is more to look for in both folds, see if they
3469         * continue to match */
3470         while (n1 && n2) {
3471             U8 fold_length = UTF8SKIP(f1);
3472             if (fold_length != UTF8SKIP(f2)
3473                 || (fold_length == 1 && *f1 != *f2) /* Short circuit memNE
3474                                                        function call for single
3475                                                        character */
3476                 || memNE((char*)f1, (char*)f2, fold_length))
3477             {
3478                 return 0; /* mismatch */
3479             }
3480
3481             /* Here, they matched, advance past them */
3482             n1 -= fold_length;
3483             f1 += fold_length;
3484             n2 -= fold_length;
3485             f2 += fold_length;
3486         }
3487
3488         /* When reach the end of any fold, advance the input past it */
3489         if (n1 == 0) {
3490             p1 += u1 ? UTF8SKIP(p1) : 1;
3491         }
3492         if (n2 == 0) {
3493             p2 += u2 ? UTF8SKIP(p2) : 1;
3494         }
3495     } /* End of loop through both strings */
3496
3497     /* A match is defined by each scan that specified an explicit length
3498     * reaching its final goal, and the other not having matched a partial
3499     * character (which can happen when the fold of a character is more than one
3500     * character). */
3501     if (! ((g1 == 0 || p1 == g1) && (g2 == 0 || p2 == g2)) || n1 || n2) {
3502         return 0;
3503     }
3504
3505     /* Successful match.  Set output pointers */
3506     if (pe1) {
3507         *pe1 = (char*)p1;
3508     }
3509     if (pe2) {
3510         *pe2 = (char*)p2;
3511     }
3512     return 1;
3513 }
3514
3515 /*
3516  * Local variables:
3517  * c-indentation-style: bsd
3518  * c-basic-offset: 4
3519  * indent-tabs-mode: t
3520  * End:
3521  *
3522  * ex: set ts=8 sts=4 sw=4 noet:
3523  */