home *** CD-ROM | disk | FTP | other *** search
/ PC World 2005 December (Special) / PCWorld_2005-12_Special_cd.bin / Bezpecnost / lsti / lsti.exe / framework-2.5.exe / utf8.h < prev    next >
C/C++ Source or Header  |  2005-01-27  |  9KB  |  249 lines
  1. /*    utf8.h
  2.  *
  3.  *    Copyright (C) 2000, 2001, 2002, by Larry Wall and others
  4.  *
  5.  *    You may distribute under the terms of either the GNU General Public
  6.  *    License or the Artistic License, as specified in the README file.
  7.  *
  8.  */
  9.  
  10. /* Use UTF-8 as the default script encoding?
  11.  * Turning this on will break scripts having non-UTF-8 binary
  12.  * data (such as Latin-1) in string literals. */
  13. #ifdef USE_UTF8_SCRIPTS
  14. #    define USE_UTF8_IN_NAMES (!IN_BYTES)
  15. #else
  16. #    define USE_UTF8_IN_NAMES (PL_hints & HINT_UTF8)
  17. #endif
  18.  
  19. #ifdef EBCDIC
  20. /* The equivalent of these macros but implementing UTF-EBCDIC
  21.    are in the following header file:
  22.  */
  23.  
  24. #include "utfebcdic.h"
  25. #else
  26. START_EXTERN_C
  27.  
  28. #ifdef DOINIT
  29. EXTCONST unsigned char PL_utf8skip[] = {
  30. 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  31. 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  32. 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  33. 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* ascii */
  34. 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  35. 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, /* bogus */
  36. 2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, /* scripts */
  37. 3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,3,4,4,4,4,4,4,4,4,5,5,5,5,6,6,     /* cjk etc. */
  38. 7,13, /* Perl extended (not UTF-8).  Up to 72bit allowed (64-bit + reserved). */
  39. };
  40. #else
  41. EXTCONST unsigned char PL_utf8skip[];
  42. #endif
  43.  
  44. END_EXTERN_C
  45. #define UTF8SKIP(s) PL_utf8skip[*(U8*)s]
  46.  
  47. /* Native character to iso-8859-1 */
  48. #define NATIVE_TO_ASCII(ch)      (ch)
  49. #define ASCII_TO_NATIVE(ch)      (ch)
  50. /* Transform after encoding */
  51. #define NATIVE_TO_UTF(ch)        (ch)
  52. #define UTF_TO_NATIVE(ch)        (ch)
  53. /* Transforms in wide UV chars */
  54. #define UNI_TO_NATIVE(ch)        (ch)
  55. #define NATIVE_TO_UNI(ch)        (ch)
  56. /* Transforms in invariant space */
  57. #define NATIVE_TO_NEED(enc,ch)   (ch)
  58. #define ASCII_TO_NEED(enc,ch)    (ch)
  59.  
  60. /* As there are no translations avoid the function wrapper */
  61. #define Perl_utf8n_to_uvchr Perl_utf8n_to_uvuni
  62. #define Perl_uvchr_to_utf8  Perl_uvuni_to_utf8
  63.  
  64. /*
  65.  
  66.  The following table is from Unicode 3.2.
  67.  
  68.  Code Points        1st Byte  2nd Byte  3rd Byte  4th Byte
  69.  
  70.    U+0000..U+007F    00..7F
  71.    U+0080..U+07FF    C2..DF    80..BF
  72.    U+0800..U+0FFF    E0        A0..BF    80..BF
  73.    U+1000..U+CFFF       E1..EC    80..BF    80..BF
  74.    U+D000..U+D7FF       ED        80..9F    80..BF
  75.    U+D800..U+DFFF       ******* ill-formed *******
  76.    U+E000..U+FFFF       EE..EF    80..BF    80..BF
  77.   U+10000..U+3FFFF    F0        90..BF    80..BF    80..BF
  78.   U+40000..U+FFFFF    F1..F3    80..BF    80..BF    80..BF
  79.  U+100000..U+10FFFF    F4        80..8F    80..BF    80..BF
  80.  
  81. Note the A0..BF in U+0800..U+0FFF, the 80..9F in U+D000...U+D7FF,
  82. the 90..BF in U+10000..U+3FFFF, and the 80...8F in U+100000..U+10FFFF.
  83. The "gaps" are caused by legal UTF-8 avoiding non-shortest encodings:
  84. it is technically possible to UTF-8-encode a single code point in different
  85. ways, but that is explicitly forbidden, and the shortest possible encoding
  86. should always be used (and that is what Perl does).
  87.  
  88.  */
  89.  
  90. /*
  91.  Another way to look at it, as bits:
  92.  
  93.  Code Points                    1st Byte   2nd Byte  3rd Byte  4th Byte
  94.  
  95.                     0aaaaaaa     0aaaaaaa
  96.             00000bbbbbaaaaaa     110bbbbb  10aaaaaa
  97.             ccccbbbbbbaaaaaa     1110cccc  10bbbbbb  10aaaaaa
  98.   00000dddccccccbbbbbbaaaaaa     11110ddd  10cccccc  10bbbbbb  10aaaaaa
  99.  
  100. As you can see, the continuation bytes all begin with C<10>, and the
  101. leading bits of the start byte tell how many bytes the are in the
  102. encoded character.
  103.  
  104. */
  105.  
  106.  
  107. #define UNI_IS_INVARIANT(c)        (((UV)c) <  0x80)
  108. #define UTF8_IS_INVARIANT(c)        UNI_IS_INVARIANT(NATIVE_TO_UTF(c))
  109. #define NATIVE_IS_INVARIANT(c)        UNI_IS_INVARIANT(NATIVE_TO_ASCII(c))
  110. #define UTF8_IS_START(c)        (((U8)c) >= 0xc0 && (((U8)c) <= 0xfd))
  111. #define UTF8_IS_CONTINUATION(c)        (((U8)c) >= 0x80 && (((U8)c) <= 0xbf))
  112. #define UTF8_IS_CONTINUED(c)         (((U8)c) &  0x80)
  113. #define UTF8_IS_DOWNGRADEABLE_START(c)    (((U8)c & 0xfc) == 0xc0)
  114.  
  115. #define UTF_START_MARK(len) ((len >  7) ? 0xFF : (0xFE << (7-len)))
  116. #define UTF_START_MASK(len) ((len >= 7) ? 0x00 : (0x1F >> (len-2)))
  117.  
  118. #define UTF_CONTINUATION_MARK        0x80
  119. #define UTF_ACCUMULATION_SHIFT        6
  120. #define UTF_CONTINUATION_MASK        ((U8)0x3f)
  121. #define UTF8_ACCUMULATE(old, new)    (((old) << UTF_ACCUMULATION_SHIFT) | (((U8)new) & UTF_CONTINUATION_MASK))
  122.  
  123. #define UTF8_EIGHT_BIT_HI(c)    ((((U8)(c))>>UTF_ACCUMULATION_SHIFT)|UTF_START_MARK(2))
  124. #define UTF8_EIGHT_BIT_LO(c)    (((((U8)(c)))&UTF_CONTINUATION_MASK)|UTF_CONTINUATION_MARK)
  125.  
  126. #ifdef HAS_QUAD
  127. #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
  128.               (uv) < 0x800          ? 2 : \
  129.               (uv) < 0x10000        ? 3 : \
  130.               (uv) < 0x200000       ? 4 : \
  131.               (uv) < 0x4000000      ? 5 : \
  132.               (uv) < 0x80000000     ? 6 : \
  133.                       (uv) < UTF8_QUAD_MAX ? 7 : 13 )
  134. #else
  135. /* No, I'm not even going to *TRY* putting #ifdef inside a #define */
  136. #define UNISKIP(uv) ( (uv) < 0x80           ? 1 : \
  137.               (uv) < 0x800          ? 2 : \
  138.               (uv) < 0x10000        ? 3 : \
  139.               (uv) < 0x200000       ? 4 : \
  140.               (uv) < 0x4000000      ? 5 : \
  141.               (uv) < 0x80000000     ? 6 : 7 )
  142. #endif
  143.  
  144. /*
  145.  * Note: we try to be careful never to call the isXXX_utf8() functions
  146.  * unless we're pretty sure we've seen the beginning of a UTF-8 character
  147.  * (that is, the two high bits are set).  Otherwise we risk loading in the
  148.  * heavy-duty SWASHINIT and SWASHGET routines unnecessarily.
  149.  */
  150. #define isIDFIRST_lazy_if(p,c) ((IN_BYTES || (!c || (*((U8*)p) < 0xc0))) \
  151.                 ? isIDFIRST(*(p)) \
  152.                 : isIDFIRST_utf8((U8*)p))
  153. #define isALNUM_lazy_if(p,c)   ((IN_BYTES || (!c || (*((U8*)p) < 0xc0))) \
  154.                 ? isALNUM(*(p)) \
  155.                 : isALNUM_utf8((U8*)p))
  156.  
  157.  
  158. #endif /* EBCDIC vs ASCII */
  159.  
  160. /* Rest of these are attributes of Unicode and perl's internals rather than the encoding */
  161.  
  162. #define isIDFIRST_lazy(p)    isIDFIRST_lazy_if(p,1)
  163. #define isALNUM_lazy(p)        isALNUM_lazy_if(p,1)
  164.  
  165. /* how wide can a single UTF-8 encoded character become */
  166. #define UTF8_MAXLEN 13
  167. /* how wide a character can become when upper/lowercased */
  168. #define UTF8_MAXLEN_UCLC_MULT 3
  169. #define UTF8_MAXLEN_UCLC (UTF8_MAXLEN*UTF8_MAXLEN_UCLC_MULT)
  170. /* how wide a character can become when casefolded */
  171. #define UTF8_MAXLEN_FOLD_MULT 3
  172. #define UTF8_MAXLEN_FOLD (UTF8_MAXLEN*UTF8_MAXLEN_FOLD_MULT)
  173.  
  174. #define IN_BYTES (PL_curcop->op_private & HINT_BYTES)
  175. #define DO_UTF8(sv) (SvUTF8(sv) && !IN_BYTES)
  176.  
  177. #define UTF8_ALLOW_EMPTY        0x0001
  178. #define UTF8_ALLOW_CONTINUATION        0x0002
  179. #define UTF8_ALLOW_NON_CONTINUATION    0x0004
  180. #define UTF8_ALLOW_FE_FF        0x0008
  181. #define UTF8_ALLOW_SHORT        0x0010
  182. #define UTF8_ALLOW_SURROGATE        0x0020
  183. #define UTF8_ALLOW_FFFF            0x0040 /* Allows also FFFE. */
  184. #define UTF8_ALLOW_LONG            0x0080
  185. #define UTF8_ALLOW_ANYUV        (UTF8_ALLOW_EMPTY|UTF8_ALLOW_FE_FF|\
  186.                      UTF8_ALLOW_SURROGATE|\
  187.                      UTF8_ALLOW_FFFF|UTF8_ALLOW_LONG)
  188. #define UTF8_ALLOW_ANY            0x00FF
  189. #define UTF8_CHECK_ONLY            0x0200
  190.  
  191. #define UNICODE_SURROGATE_FIRST        0xD800
  192. #define UNICODE_SURROGATE_LAST        0xDFFF
  193. #define UNICODE_REPLACEMENT        0xFFFD
  194. #define UNICODE_BYTE_ORDER_MARK        0xFEFF
  195. #define UNICODE_ILLEGAL            0xFFFF
  196.  
  197. /* Though our UTF-8 encoding can go beyond this,
  198.  * let's be conservative and do as Unicode 3.2 says. */
  199. #define PERL_UNICODE_MAX    0x10FFFF
  200.  
  201. #define UNICODE_ALLOW_SURROGATE 0x0001    /* Allow UTF-16 surrogates (EVIL) */
  202. #define UNICODE_ALLOW_FDD0    0x0002    /* Allow the U+FDD0...U+FDEF */
  203. #define UNICODE_ALLOW_FFFF    0x0004    /* Allow 0xFFF[EF], 0x1FFF[EF], ... */
  204. #define UNICODE_ALLOW_SUPER    0x0008    /* Allow past 10xFFFF */
  205. #define UNICODE_ALLOW_ANY    0x000F
  206.  
  207. #define UNICODE_IS_SURROGATE(c)        ((c) >= UNICODE_SURROGATE_FIRST && \
  208.                      (c) <= UNICODE_SURROGATE_LAST)
  209. #define UNICODE_IS_REPLACEMENT(c)    ((c) == UNICODE_REPLACEMENT)
  210. #define UNICODE_IS_BYTE_ORDER_MARK(c)    ((c) == UNICODE_BYTE_ORDER_MARK)
  211. #define UNICODE_IS_ILLEGAL(c)        ((c) == UNICODE_ILLEGAL)
  212.  
  213. #ifdef HAS_QUAD
  214. #    define UTF8_QUAD_MAX    UINT64_C(0x1000000000)
  215. #endif
  216.  
  217. #define UTF8_IS_ASCII(c) UTF8_IS_INVARIANT(c)
  218.  
  219. #define UNICODE_LATIN_SMALL_LETTER_SHARP_S    0x00DF
  220. #define UNICODE_GREEK_CAPITAL_LETTER_SIGMA    0x03A3
  221. #define UNICODE_GREEK_SMALL_LETTER_FINAL_SIGMA    0x03C2
  222. #define UNICODE_GREEK_SMALL_LETTER_SIGMA    0x03C3
  223.  
  224. #define EBCDIC_LATIN_SMALL_LETTER_SHARP_S    0x0059
  225.  
  226. #define UNI_DISPLAY_ISPRINT    0x0001
  227. #define UNI_DISPLAY_BACKSLASH    0x0002
  228. #define UNI_DISPLAY_QQ        (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
  229. #define UNI_DISPLAY_REGEX    (UNI_DISPLAY_ISPRINT|UNI_DISPLAY_BACKSLASH)
  230.  
  231. #ifdef EBCDIC
  232. #   define ANYOF_FOLD_SHARP_S(node, input, end)    \
  233.     (ANYOF_BITMAP_TEST(node, EBCDIC_LATIN_SMALL_LETTER_SHARP_S) && \
  234.      (ANYOF_FLAGS(node) & ANYOF_UNICODE) && \
  235.      (ANYOF_FLAGS(node) & ANYOF_FOLD) && \
  236.      ((end) > (input) + 1) && \
  237.      toLOWER((input)[0]) == 's' && \
  238.      toLOWER((input)[1]) == 's')
  239. #else
  240. #   define ANYOF_FOLD_SHARP_S(node, input, end)    \
  241.     (ANYOF_BITMAP_TEST(node, UNICODE_LATIN_SMALL_LETTER_SHARP_S) && \
  242.      (ANYOF_FLAGS(node) & ANYOF_UNICODE) && \
  243.      (ANYOF_FLAGS(node) & ANYOF_FOLD) && \
  244.      ((end) > (input) + 1) && \
  245.      toLOWER((input)[0]) == 's' && \
  246.      toLOWER((input)[1]) == 's')
  247. #endif
  248. #define SHARP_S_SKIP 2
  249.