src/unicode/ConvertUTF.c

   1 /*
   2  * Copyright 2001-2004 Unicode, Inc.
   3  *
   4  * Disclaimer
   5  *
   6  * This source code is provided as is by Unicode, Inc. No claims are
   7  * made as to fitness for any particular purpose. No warranties of any
   8  * kind are expressed or implied. The recipient agrees to determine
   9  * applicability of information provided. If this file has been
  10  * purchased on magnetic or optical media from Unicode, Inc., the
  11  * sole remedy for any claim will be exchange of defective media
  12  * within 90 days of receipt.
  13  *
  14  * Limitations on Rights to Redistribute This Code
  15  *
  16  * Unicode, Inc. hereby grants the right to freely use the information
  17  * supplied in this file in the creation of products supporting the
  18  * Unicode Standard, and to make copies of this file in any form
  19  * for internal or external distribution as long as this notice
  20  * remains attached.
  21  */
  22
  23 /* ---------------------------------------------------------------------
  24
  25     Conversions between UTF32, UTF-16, and UTF-8. Source code file.
  26     Author: Mark E. Davis, 1994.
  27     Rev History: Rick McGowan, fixes & updates May 2001.
  28     Sept 2001: fixed const & error conditions per
  29         mods suggested by S. Parent & A. Lillich.
  30     June 2002: Tim Dodd added detection and handling of incomplete
  31         source sequences, enhanced error detection, added casts
  32         to eliminate compiler warnings.
  33     July 2003: slight mods to back out aggressive FFFE detection.
  34     Jan 2004: updated switches in from-UTF8 conversions.
  35     Oct 2004: updated to use UNI_MAX_LEGAL_UTF32 in UTF-32 conversions.
  36
  37     See the header file "ConvertUTF.h" for complete documentation.
  38
  39 ------------------------------------------------------------------------ */
  40
  41
  42 #include "../../include/unicode/ConvertUTF.h"
  43 #ifdef CVTUTF_DEBUG
  44 #include <stdio.h>
  45 #endif
  46
  47 static const int halfShift  = 10; /* used for shifting by 10 bits */
  48
  49 static const UTF32 halfBase = 0x0010000UL;
  50 static const UTF32 halfMask = 0x3FFUL;
  51
  52 #define UNI_SUR_HIGH_START  (UTF32)0xD800
  53 #define UNI_SUR_HIGH_END    (UTF32)0xDBFF
  54 #define UNI_SUR_LOW_START   (UTF32)0xDC00
  55 #define UNI_SUR_LOW_END     (UTF32)0xDFFF
  56 #define false      0
  57 #define true        1
  58
  59 /* --------------------------------------------------------------------- */
  60
  61 ConversionResult ConvertUTF32toUTF16 (
  62         const UTF32** sourceStart, const UTF32* sourceEnd,
  63         UTF16** targetStart, UTF16* targetEnd, ConversionFlags flags) {
  64     ConversionResult result = conversionOK;
  65     const UTF32* source = *sourceStart;
  66     UTF16* target = *targetStart;
  67     while (source < sourceEnd) {
  68         UTF32 ch;
  69         if (target >= targetEnd) {
  70             result = targetExhausted; break;
  71         }
  72         ch = *source++;
  73         if (ch <= UNI_MAX_BMP) { /* Target is a character <= 0xFFFF */
  74             /* UTF-16 surrogate values are illegal in UTF-32; 0xffff or 0xfffe are both reserved values */
  75             if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
  76                 if (flags == strictConversion) {
  77                     --source; /* return to the illegal value itself */
  78                     result = sourceIllegal;
  79                     break;
  80                 } else {
  81                     *target++ = UNI_REPLACEMENT_CHAR;
  82                 }
  83             } else {
  84                 *target++ = (UTF16)ch; /* normal case */
  85             }
  86         } else if (ch > UNI_MAX_LEGAL_UTF32) {
  87             if (flags == strictConversion) {
  88                 result = sourceIllegal;
  89             } else {
  90                 *target++ = UNI_REPLACEMENT_CHAR;
  91             }
  92         } else {
  93             /* target is a character in range 0xFFFF - 0x10FFFF. */
  94             if (target + 1 >= targetEnd) {
  95                 --source; /* Back up source pointer! */
  96                 result = targetExhausted; break;
  97             }
  98             ch -= halfBase;
  99             *target++ = (UTF16)((ch >> halfShift) + UNI_SUR_HIGH_START);
 100             *target++ = (UTF16)((ch & halfMask) + UNI_SUR_LOW_START);
 101         }
 102     }
 103     *sourceStart = source;
 104     *targetStart = target;
 105     return result;
 106 }
 107
 108 /* --------------------------------------------------------------------- */
 109
 110 ConversionResult ConvertUTF16toUTF32 (
 111         const UTF16** sourceStart, const UTF16* sourceEnd,
 112         UTF32** targetStart, UTF32* targetEnd, ConversionFlags flags) {
 113     ConversionResult result = conversionOK;
 114     const UTF16* source = *sourceStart;
 115     UTF32* target = *targetStart;
 116     UTF32 ch, ch2;
 117     while (source < sourceEnd) {
 118         const UTF16* oldSource = source; /*  In case we have to back up because of target overflow. */
 119         ch = *source++;
 120         /* If we have a surrogate pair, convert to UTF32 first. */
 121         if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_HIGH_END) {
 122             /* If the 16 bits following the high surrogate are in the source buffer... */
 123             if (source < sourceEnd) {
 124                 ch2 = *source;
 125                 /* If it's a low surrogate, convert to UTF32. */
 126                 if (ch2 >= UNI_SUR_LOW_START && ch2 <= UNI_SUR_LOW_END) {
 127                     ch = ((ch - UNI_SUR_HIGH_START) << halfShift)
 128                         + (ch2 - UNI_SUR_LOW_START) + halfBase;
 129                     ++source;
 130                 } else if (flags == strictConversion) { /* it's an unpaired high surrogate */
 131                     --source; /* return to the illegal value itself */
 132                     result = sourceIllegal;
 133                     break;
 134                 }
 135             } else { /* We don't have the 16 bits following the high surrogate. */
 136                 --source; /* return to the high surrogate */
 137                 result = sourceExhausted;
 138                 break;
 139             }
 140         } else if (flags == strictConversion) {
 141             /* UTF-16 surrogate values are illegal in UTF-32 */
 142             if (ch >= UNI_SUR_LOW_START && ch <= UNI_SUR_LOW_END) {
 143                 --source; /* return to the illegal value itself */
 144                 result = sourceIllegal;
 145                 break;
 146             }
 147         }
 148         if (target >= targetEnd) {
 149             source = oldSource; /* Back up source pointer! */
 150             result = targetExhausted; break;
 151         }
 152         *target++ = ch;
 153     }
 154     *sourceStart = source;
 155     *targetStart = target;
 156 #ifdef CVTUTF_DEBUG
 157 if (result == sourceIllegal) {
 158     fprintf(stderr, "ConvertUTF16toUTF32 illegal seq 0x%04x,%04x\n", ch, ch2);
 159     fflush(stderr);
 160 }
 161 #endif
 162     return result;
 163 }
 164
 165 /* --------------------------------------------------------------------- */
 166
 167 /*
 168  * Index into the table below with the first byte of a UTF-8 sequence to
 169  * get the number of trailing bytes that are supposed to follow it.
 170  * Note that *legal* UTF-8 values can't have 4 or 5-bytes. The table is
 171  * left as-is for anyone who may want to do such conversion, which was
 172  * allowed in earlier algorithms.
 173  */
 174 static const char trailingBytesForUTF8[256] = {
 175     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 176     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 177     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 178     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 179     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 180     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 181     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,
 182     2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, 3,3,3,3,3,3,3,3,4,4,4,4,5,5,5,5
 183 };
 184
 185 /*
 186  * Magic values subtracted from a buffer value during UTF8 conversion.
 187  * This table contains as many values as there might be trailing bytes
 188  * in a UTF-8 sequence.
 189  */
 190 static const UTF32 offsetsFromUTF8[6] = { 0x00000000UL, 0x00003080UL, 0x000E2080UL,
 191                      0x03C82080UL, 0xFA082080UL, 0x82082080UL };
 192
 193 /*
 194  * Once the bits are split out into bytes of UTF-8, this is a mask OR-ed
 195  * into the first byte, depending on how many bytes follow.  There are
 196  * as many entries in this table as there are UTF-8 sequence types.
 197  * (I.e., one byte sequence, two byte... etc.). Remember that sequencs
 198  * for *legal* UTF-8 will be 4 or fewer bytes total.
 199  */
 200 static const UTF8 firstByteMark[7] = { 0x00, 0x00, 0xC0, 0xE0, 0xF0, 0xF8, 0xFC };
 201
 202 /* --------------------------------------------------------------------- */
 203
 204 /* The interface converts a whole buffer to avoid function-call overhead.
 205  * Constants have been gathered. Loops & conditionals have been removed as
 206  * much as possible for efficiency, in favor of drop-through switches.
 207  * (See "Note A" at the bottom of the file for equivalent code.)
 208  * If your compiler supports it, the "isLegalUTF8" call can be turned
 209  * into an inline function.
 210  */
 211
 212 /* --------------------------------------------------------------------- */
 213
 214 ConversionResult ConvertUTF16toUTF8 (
 215         const UTF16** sourceStart, const UTF16* sourceEnd,
 216         UTF8** targetStart, UTF8* targetEnd, ConversionFlags flags) {
 217     ConversionResult result = conversionOK;
 218     const UTF16* source = *sourceStart;
 219     UTF8* target = *targetStart;
 220     while (source < sourceEnd) {
 221         UTF32 ch;
 222         unsigned short bytesToWrite = 0;
 223         const UTF32 byteMask = 0xBF;
 224         const UTF32 byteMark = 0x80;
 225         const UTF16* oldSource = source; /* In case we have to back up because of target overflow. */
 226         ch = *source++;
 227         /* If we have a surrogate pair, convert to UTF32 first. */
 228         if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_HIGH_END) {
 229             /* If the 16 bits following the high surrogate are in the source buffer... */
 230             if (source < sourceEnd) {
 231                 UTF32 ch2 = *source;
 232                 /* If it's a low surrogate, convert to UTF32. */
 233                 if (ch2 >= UNI_SUR_LOW_START && ch2 <= UNI_SUR_LOW_END) {
 234                     ch = ((ch - UNI_SUR_HIGH_START) << halfShift)
 235                         + (ch2 - UNI_SUR_LOW_START) + halfBase;
 236                     ++source;
 237                 } else if (flags == strictConversion) { /* it's an unpaired high surrogate */
 238                     --source; /* return to the illegal value itself */
 239                     result = sourceIllegal;
 240                     break;
 241                 }
 242             } else { /* We don't have the 16 bits following the high surrogate. */
 243                 --source; /* return to the high surrogate */
 244                 result = sourceExhausted;
 245                 break;
 246             }
 247         } else if (flags == strictConversion) {
 248             /* UTF-16 surrogate values are illegal in UTF-32 */
 249             if (ch >= UNI_SUR_LOW_START && ch <= UNI_SUR_LOW_END) {
 250                 --source; /* return to the illegal value itself */
 251                 result = sourceIllegal;
 252                 break;
 253             }
 254         }
 255         /* Figure out how many bytes the result will require */
 256         if (ch < (UTF32)0x80) {      bytesToWrite = 1;
 257         } else if (ch < (UTF32)0x800) {     bytesToWrite = 2;
 258         } else if (ch < (UTF32)0x10000) {   bytesToWrite = 3;
 259         } else if (ch < (UTF32)0x110000) {  bytesToWrite = 4;
 260         } else {                            bytesToWrite = 3;
 261                                             ch = UNI_REPLACEMENT_CHAR;
 262         }
 263
 264         target += bytesToWrite;
 265         if (target > targetEnd) {
 266             source = oldSource; /* Back up source pointer! */
 267             target -= bytesToWrite; result = targetExhausted; break;
 268         }
 269         switch (bytesToWrite) { /* note: everything falls through. */
 270             case 4: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 271             case 3: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 272             case 2: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 273             case 1: *--target =  (UTF8)(ch | firstByteMark[bytesToWrite]);
 274         }
 275         target += bytesToWrite;
 276     }
 277     *sourceStart = source;
 278     *targetStart = target;
 279     return result;
 280 }
 281
 282 /* --------------------------------------------------------------------- */
 283
 284 /*
 285  * Utility routine to tell whether a sequence of bytes is legal UTF-8.
 286  * This must be called with the length pre-determined by the first byte.
 287  * If not calling this from ConvertUTF8to*, then the length can be set by:
 288  *  length = trailingBytesForUTF8[*source]+1;
 289  * and the sequence is illegal right away if there aren't that many bytes
 290  * available.
 291  * If presented with a length > 4, this returns false.  The Unicode
 292  * definition of UTF-8 goes up to 4-byte sequences.
 293  */
 294
 295 static Boolean isLegalUTF8(const UTF8 *source, int length) {
 296     UTF8 a;
 297     const UTF8 *srcptr = source+length;
 298     switch (length) {
 299     default: return false;
 300         /* Everything else falls through when "true"... */
 301     case 4: if ((a = (*--srcptr)) < 0x80 || a > 0xBF) return false;
 302     case 3: if ((a = (*--srcptr)) < 0x80 || a > 0xBF) return false;
 303     case 2: if ((a = (*--srcptr)) > 0xBF) return false;
 304
 305         switch (*source) {
 306             /* no fall-through in this inner switch */
 307             case 0xE0: if (a < 0xA0) return false; break;
 308             case 0xED: if (a > 0x9F) return false; break;
 309             case 0xF0: if (a < 0x90) return false; break;
 310             case 0xF4: if (a > 0x8F) return false; break;
 311             default:   if (a < 0x80) return false;
 312         }
 313
 314     case 1: if (*source >= 0x80 && *source < 0xC2) return false;
 315     }
 316     if (*source > 0xF4) return false;
 317     return true;
 318 }
 319
 320 /* --------------------------------------------------------------------- */
 321
 322 /*
 323  * Exported function to return whether a UTF-8 sequence is legal or not.
 324  * This is not used here; it's just exported.
 325  */
 326 Boolean isLegalUTF8Sequence(const UTF8 *source, const UTF8 *sourceEnd) {
 327     int length = trailingBytesForUTF8[*source]+1;
 328     if (source+length > sourceEnd) {
 329         return false;
 330     }
 331     return isLegalUTF8(source, length);
 332 }
 333
 334 /* --------------------------------------------------------------------- */
 335
 336 ConversionResult ConvertUTF8toUTF16 (
 337         const UTF8** sourceStart, const UTF8* sourceEnd,
 338         UTF16** targetStart, UTF16* targetEnd, ConversionFlags flags) {
 339     ConversionResult result = conversionOK;
 340     const UTF8* source = *sourceStart;
 341     UTF16* target = *targetStart;
 342     while (source < sourceEnd) {
 343         UTF32 ch = 0;
 344         unsigned short extraBytesToRead = trailingBytesForUTF8[*source];
 345         if (source + extraBytesToRead >= sourceEnd) {
 346             result = sourceExhausted; break;
 347         }
 348         /* Do this check whether lenient or strict */
 349         if (! isLegalUTF8(source, extraBytesToRead+1)) {
 350             result = sourceIllegal;
 351             break;
 352         }
 353         /*
 354          * The cases all fall through. See "Note A" below.
 355          */
 356         switch (extraBytesToRead) {
 357             case 5: ch += *source++; ch <<= 6; /* remember, illegal UTF-8 */
 358             case 4: ch += *source++; ch <<= 6; /* remember, illegal UTF-8 */
 359             case 3: ch += *source++; ch <<= 6;
 360             case 2: ch += *source++; ch <<= 6;
 361             case 1: ch += *source++; ch <<= 6;
 362             case 0: ch += *source++;
 363         }
 364         ch -= offsetsFromUTF8[extraBytesToRead];
 365
 366         if (target >= targetEnd) {
 367             source -= (extraBytesToRead+1); /* Back up source pointer! */
 368             result = targetExhausted; break;
 369         }
 370         if (ch <= UNI_MAX_BMP) { /* Target is a character <= 0xFFFF */
 371             /* UTF-16 surrogate values are illegal in UTF-32 */
 372             if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
 373                 if (flags == strictConversion) {
 374                     source -= (extraBytesToRead+1); /* return to the illegal value itself */
 375                     result = sourceIllegal;
 376                     break;
 377                 } else {
 378                     *target++ = UNI_REPLACEMENT_CHAR;
 379                 }
 380             } else {
 381                 *target++ = (UTF16)ch; /* normal case */
 382             }
 383         } else if (ch > UNI_MAX_UTF16) {
 384             if (flags == strictConversion) {
 385                 result = sourceIllegal;
 386                 source -= (extraBytesToRead+1); /* return to the start */
 387                 break; /* Bail out; shouldn't continue */
 388             } else {
 389                 *target++ = UNI_REPLACEMENT_CHAR;
 390             }
 391         } else {
 392             /* target is a character in range 0xFFFF - 0x10FFFF. */
 393             if (target + 1 >= targetEnd) {
 394                 source -= (extraBytesToRead+1); /* Back up source pointer! */
 395                 result = targetExhausted; break;
 396             }
 397             ch -= halfBase;
 398             *target++ = (UTF16)((ch >> halfShift) + UNI_SUR_HIGH_START);
 399             *target++ = (UTF16)((ch & halfMask) + UNI_SUR_LOW_START);
 400         }
 401     }
 402     *sourceStart = source;
 403     *targetStart = target;
 404     return result;
 405 }
 406
 407 /* --------------------------------------------------------------------- */
 408
 409 ConversionResult ConvertUTF32toUTF8 (
 410         const UTF32** sourceStart, const UTF32* sourceEnd,
 411         UTF8** targetStart, UTF8* targetEnd, ConversionFlags flags) {
 412     ConversionResult result = conversionOK;
 413     const UTF32* source = *sourceStart;
 414     UTF8* target = *targetStart;
 415     while (source < sourceEnd) {
 416         UTF32 ch;
 417         unsigned short bytesToWrite = 0;
 418         const UTF32 byteMask = 0xBF;
 419         const UTF32 byteMark = 0x80;
 420         ch = *source++;
 421         if (flags == strictConversion ) {
 422             /* UTF-16 surrogate values are illegal in UTF-32 */
 423             if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
 424                 --source; /* return to the illegal value itself */
 425                 result = sourceIllegal;
 426                 break;
 427             }
 428         }
 429         /*
 430          * Figure out how many bytes the result will require. Turn any
 431          * illegally large UTF32 things (> Plane 17) into replacement chars.
 432          */
 433         if (ch < (UTF32)0x80) {      bytesToWrite = 1;
 434         } else if (ch < (UTF32)0x800) {     bytesToWrite = 2;
 435         } else if (ch < (UTF32)0x10000) {   bytesToWrite = 3;
 436         } else if (ch <= UNI_MAX_LEGAL_UTF32) {  bytesToWrite = 4;
 437         } else {                            bytesToWrite = 3;
 438                                             ch = UNI_REPLACEMENT_CHAR;
 439                                             result = sourceIllegal;
 440         }
 441
 442         target += bytesToWrite;
 443         if (target > targetEnd) {
 444             --source; /* Back up source pointer! */
 445             target -= bytesToWrite; result = targetExhausted; break;
 446         }
 447         switch (bytesToWrite) { /* note: everything falls through. */
 448             case 4: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 449             case 3: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 450             case 2: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 451             case 1: *--target = (UTF8) (ch | firstByteMark[bytesToWrite]);
 452         }
 453         target += bytesToWrite;
 454     }
 455     *sourceStart = source;
 456     *targetStart = target;
 457     return result;
 458 }
 459
 460 /* --------------------------------------------------------------------- */
 461
 462 ConversionResult ConvertUTF8toUTF32 (
 463         const UTF8** sourceStart, const UTF8* sourceEnd,
 464         UTF32** targetStart, UTF32* targetEnd, ConversionFlags flags) {
 465     ConversionResult result = conversionOK;
 466     const UTF8* source = *sourceStart;
 467     UTF32* target = *targetStart;
 468     while (source < sourceEnd) {
 469         UTF32 ch = 0;
 470         unsigned short extraBytesToRead = trailingBytesForUTF8[*source];
 471         if (source + extraBytesToRead >= sourceEnd) {
 472             result = sourceExhausted; break;
 473         }
 474         /* Do this check whether lenient or strict */
 475         if (! isLegalUTF8(source, extraBytesToRead+1)) {
 476             result = sourceIllegal;
 477             break;
 478         }
 479         /*
 480          * The cases all fall through. See "Note A" below.
 481          */
 482         switch (extraBytesToRead) {
 483             case 5: ch += *source++; ch <<= 6;
 484             case 4: ch += *source++; ch <<= 6;
 485             case 3: ch += *source++; ch <<= 6;
 486             case 2: ch += *source++; ch <<= 6;
 487             case 1: ch += *source++; ch <<= 6;
 488             case 0: ch += *source++;
 489         }
 490         ch -= offsetsFromUTF8[extraBytesToRead];
 491
 492         if (target >= targetEnd) {
 493             source -= (extraBytesToRead+1); /* Back up the source pointer! */
 494             result = targetExhausted; break;
 495         }
 496         if (ch <= UNI_MAX_LEGAL_UTF32) {
 497             /*
 498              * UTF-16 surrogate values are illegal in UTF-32, and anything
 499              * over Plane 17 (> 0x10FFFF) is illegal.
 500              */
 501             if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
 502                 if (flags == strictConversion) {
 503                     source -= (extraBytesToRead+1); /* return to the illegal value itself */
 504                     result = sourceIllegal;
 505                     break;
 506                 } else {
 507                     *target++ = UNI_REPLACEMENT_CHAR;
 508                 }
 509             } else {
 510                 *target++ = ch;
 511             }
 512         } else { /* i.e., ch > UNI_MAX_LEGAL_UTF32 */
 513             result = sourceIllegal;
 514             *target++ = UNI_REPLACEMENT_CHAR;
 515         }
 516     }
 517     *sourceStart = source;
 518     *targetStart = target;
 519     return result;
 520 }
 521
 522 /* ---------------------------------------------------------------------
 523
 524     Note A.
 525     The fall-through switches in UTF-8 reading code save a
 526     temp variable, some decrements & conditionals.  The switches
 527     are equivalent to the following loop:
 528         {
 529             int tmpBytesToRead = extraBytesToRead+1;
 530             do {
 531                 ch += *source++;
 532                 --tmpBytesToRead;
 533                 if (tmpBytesToRead) ch <<= 6;
 534             } while (tmpBytesToRead > 0);
 535         }
 536     In UTF-8 writing code, the switches on "bytesToWrite" are
 537     similarly unrolled loops.
 538
 539    --------------------------------------------------------------------- */