utf8.c

   1 /*
   2  * Copyright (C) 2012, 2013
   3  *     Wolfgang Bumiller
   4  *
   5  * Permission is hereby granted, free of charge, to any person obtaining a copy of
   6  * this software and associated documentation files (the "Software"), to deal in
   7  * the Software without restriction, including without limitation the rights to
   8  * use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies
   9  * of the Software, and to permit persons to whom the Software is furnished to do
  10  * so, subject to the following conditions:
  11  *
  12  * The above copyright notice and this permission notice shall be included in all
  13  * copies or substantial portions of the Software.
  14  *
  15  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  16  * IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  17  * FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
  18  * AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  19  * LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
  20  * OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
  21  * SOFTWARE.
  22  */
  23 #include "gmqcc.h"
  24
  25 static unsigned char utf8_lengths[256] = {
  26     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, /* ascii characters */
  27     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
  28     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
  29     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
  30     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
  31     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
  32     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
  33     1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
  34     0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* 0x80 - 0xBF are within multibyte sequences        */
  35     0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* they could be interpreted as 2-byte starts but    */
  36     0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /* the codepoint would be < 127                      */
  37     0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, /*                                                   */
  38     0, 0, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, /* C0 and C1 would also result in overlong encodings */
  39     2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, /*                                                   */
  40     3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,
  41     4, 4, 4, 4, 4, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0
  42     /* with F5 the codepoint is above 0x10FFFF,
  43      * F8-FB would start 5-byte sequences
  44      * FC-FD would start 6-byte sequences
  45      * ...
  46      */
  47 };
  48
  49 static uchar_t utf8_range[5] = {
  50     1,       /* invalid - let's not allow the creation of 0-bytes :P */
  51     1,       /* ascii minimum                                        */
  52     0x80,    /* 2-byte minimum                                       */
  53     0x800,   /* 3-byte minimum                                       */
  54     0x10000, /* 4-byte minimum                                       */
  55 };
  56
  57 /** Analyze the next character and return various information if requested.
  58  * @param _s      An utf-8 string.
  59  * @param _start  Filled with the start byte-offset of the next valid character
  60  * @param _len    Filled with the length of the next valid character
  61  * @param _ch     Filled with the unicode value of the next character
  62  * @param _maxlen Maximum number of bytes to read from _s
  63  * @return        Whether or not another valid character is in the string
  64  */
  65 bool u8_analyze(const char *_s, size_t *_start, size_t *_len, uchar_t *_ch, size_t _maxlen)
  66 {
  67     const unsigned char *s = (const unsigned char*)_s;
  68     size_t i, j;
  69     size_t bits = 0;
  70     uchar_t ch;
  71
  72     i = 0;
  73 /* findchar: */
  74     while (i < _maxlen && s[i] && (bits = utf8_lengths[s[i]]) == 0)
  75         ++i;
  76
  77     if (i >= _maxlen || !s[i]) {
  78         if (_start) *_start = i;
  79         if (_len) *_len = 0;
  80         return false;
  81     }
  82
  83     if (bits == 1) { /* ascii */
  84         if (_start) *_start = i;
  85         if (_len) *_len = 1;
  86         if (_ch) *_ch = (uchar_t)s[i];
  87         return true;
  88     }
  89
  90     ch = (s[i] & (0xFF >> bits));
  91     for (j = 1; j < bits; ++j)
  92     {
  93         if ( (s[i+j] & 0xC0) != 0x80 )
  94         {
  95             i += j;
  96             /* in gmqcc, invalid / overlong encodings are considered an error
  97              * goto findchar;
  98              */
  99             if (!s[i]) goto done;
 100             return false;
 101         }
 102         ch = (ch << 6) | (s[i+j] & 0x3F);
 103     }
 104     if (ch < utf8_range[bits] || ch >= 0x10FFFF)
 105     {
 106         /* same: error
 107          * i += bits;
 108          * goto findchar;
 109          */
 110         return false;
 111     }
 112
 113 done:
 114     if (_start)
 115         *_start = i;
 116     if (_len)
 117         *_len = bits;
 118     if (_ch)
 119         *_ch = ch;
 120     return true;
 121 }
 122
 123 /* might come in handy */
 124 size_t u8_strlen(const char *_s)
 125 {
 126     size_t st, ln;
 127     size_t len = 0;
 128     const unsigned char *s = (const unsigned char*)_s;
 129
 130     while (*s)
 131     {
 132         /* ascii char, skip u8_analyze */
 133         if (*s < 0x80)
 134         {
 135             ++len;
 136             ++s;
 137             continue;
 138         }
 139
 140         /* invalid, skip u8_analyze */
 141         if (*s < 0xC2)
 142         {
 143             ++s;
 144             continue;
 145         }
 146
 147         if (!u8_analyze((const char*)s, &st, &ln, NULL, 0x10))
 148             break;
 149         /* valid character, skip after it */
 150         s += st + ln;
 151         ++len;
 152     }
 153     return len;
 154 }
 155
 156 size_t u8_strnlen(const char *_s, size_t n)
 157 {
 158     size_t st, ln;
 159     size_t len = 0;
 160     const unsigned char *s = (const unsigned char*)_s;
 161
 162     while (*s && n)
 163     {
 164         /* ascii char, skip u8_analyze */
 165         if (*s < 0x80)
 166         {
 167             ++len;
 168             ++s;
 169             --n;
 170             continue;
 171         }
 172
 173         /* invalid, skip u8_analyze */
 174         if (*s < 0xC2)
 175         {
 176             ++s;
 177             --n;
 178             continue;
 179         }
 180
 181         if (!u8_analyze((const char*)s, &st, &ln, NULL, n))
 182             break;
 183         /* valid character, see if it's still inside the range specified by n: */
 184         if (n < st + ln)
 185             return len;
 186         ++len;
 187         n -= st + ln;
 188         s += st + ln;
 189     }
 190     return len;
 191 }
 192
 193 /* Required for character constants */
 194 uchar_t u8_getchar(const char *_s, const char **_end)
 195 {
 196     size_t st, ln;
 197     uchar_t ch;
 198
 199     if (!u8_analyze(_s, &st, &ln, &ch, 0x10))
 200         ch = 0;
 201     if (_end)
 202         *_end = _s + st + ln;
 203     return ch;
 204 }
 205
 206 uchar_t u8_getnchar(const char *_s, const char **_end, size_t _maxlen)
 207 {
 208     size_t st, ln;
 209     uchar_t ch;
 210
 211     if (!u8_analyze(_s, &st, &ln, &ch, _maxlen))
 212         ch = 0;
 213     if (_end)
 214         *_end = _s + st + ln;
 215     return ch;
 216 }
 217
 218 /* required for \x{asdf}-like string escape sequences */
 219 int u8_fromchar(uchar_t w, char *to, size_t maxlen)
 220 {
 221     if (maxlen < 1)
 222         return 0;
 223
 224     if (!w)
 225         return 0;
 226
 227 /* We may want an -f flag for this behaviour...
 228     if (w >= 0xE000)
 229         w -= 0xE000;
 230 */
 231
 232     if (w < 0x80)
 233     {
 234         to[0] = (char)w;
 235         if (maxlen < 2)
 236             return -1;
 237         to[1] = 0;
 238         return 1;
 239     }
 240     /* for a little speedup */
 241     if (w < 0x800)
 242     {
 243         if (maxlen < 3)
 244         {
 245             to[0] = 0;
 246             return -1;
 247         }
 248         to[2] = 0;
 249         to[1] = 0x80 | (w & 0x3F); w >>= 6;
 250         to[0] = 0xC0 | w;
 251         return 2;
 252     }
 253     if (w < 0x10000)
 254     {
 255         if (maxlen < 4)
 256         {
 257             to[0] = 0;
 258             return -1;
 259         }
 260         to[3] = 0;
 261         to[2] = 0x80 | (w & 0x3F); w >>= 6;
 262         to[1] = 0x80 | (w & 0x3F); w >>= 6;
 263         to[0] = 0xE0 | w;
 264         return 3;
 265     }
 266
 267     /* RFC 3629 */
 268     if (w <= 0x10FFFF)
 269     {
 270         if (maxlen < 5)
 271         {
 272             to[0] = 0;
 273             return -1;
 274         }
 275         to[4] = 0;
 276         to[3] = 0x80 | (w & 0x3F); w >>= 6;
 277         to[2] = 0x80 | (w & 0x3F); w >>= 6;
 278         to[1] = 0x80 | (w & 0x3F); w >>= 6;
 279         to[0] = 0xF0 | w;
 280         return 4;
 281     }
 282     return 0;
 283 }