include/llvm/Support/ConvertUTF.h

   1 /*===--- ConvertUTF.h - Universal Character Names conversions ---------------===
   2  *
   3  *                     The LLVM Compiler Infrastructure
   4  *
   5  * This file is distributed under the University of Illinois Open Source
   6  * License. See LICENSE.TXT for details.
   7  *
   8  *==------------------------------------------------------------------------==*/
   9 /*
  10  * Copyright 2001-2004 Unicode, Inc.
  11  *
  12  * Disclaimer
  13  *
  14  * This source code is provided as is by Unicode, Inc. No claims are
  15  * made as to fitness for any particular purpose. No warranties of any
  16  * kind are expressed or implied. The recipient agrees to determine
  17  * applicability of information provided. If this file has been
  18  * purchased on magnetic or optical media from Unicode, Inc., the
  19  * sole remedy for any claim will be exchange of defective media
  20  * within 90 days of receipt.
  21  *
  22  * Limitations on Rights to Redistribute This Code
  23  *
  24  * Unicode, Inc. hereby grants the right to freely use the information
  25  * supplied in this file in the creation of products supporting the
  26  * Unicode Standard, and to make copies of this file in any form
  27  * for internal or external distribution as long as this notice
  28  * remains attached.
  29  */
  30
  31 /* ---------------------------------------------------------------------
  32
  33     Conversions between UTF32, UTF-16, and UTF-8.  Header file.
  34
  35     Several funtions are included here, forming a complete set of
  36     conversions between the three formats.  UTF-7 is not included
  37     here, but is handled in a separate source file.
  38
  39     Each of these routines takes pointers to input buffers and output
  40     buffers.  The input buffers are const.
  41
  42     Each routine converts the text between *sourceStart and sourceEnd,
  43     putting the result into the buffer between *targetStart and
  44     targetEnd. Note: the end pointers are *after* the last item: e.g.
  45     *(sourceEnd - 1) is the last item.
  46
  47     The return result indicates whether the conversion was successful,
  48     and if not, whether the problem was in the source or target buffers.
  49     (Only the first encountered problem is indicated.)
  50
  51     After the conversion, *sourceStart and *targetStart are both
  52     updated to point to the end of last text successfully converted in
  53     the respective buffers.
  54
  55     Input parameters:
  56         sourceStart - pointer to a pointer to the source buffer.
  57                 The contents of this are modified on return so that
  58                 it points at the next thing to be converted.
  59         targetStart - similarly, pointer to pointer to the target buffer.
  60         sourceEnd, targetEnd - respectively pointers to the ends of the
  61                 two buffers, for overflow checking only.
  62
  63     These conversion functions take a ConversionFlags argument. When this
  64     flag is set to strict, both irregular sequences and isolated surrogates
  65     will cause an error.  When the flag is set to lenient, both irregular
  66     sequences and isolated surrogates are converted.
  67
  68     Whether the flag is strict or lenient, all illegal sequences will cause
  69     an error return. This includes sequences such as: <F4 90 80 80>, <C0 80>,
  70     or <A0> in UTF-8, and values above 0x10FFFF in UTF-32. Conformant code
  71     must check for illegal sequences.
  72
  73     When the flag is set to lenient, characters over 0x10FFFF are converted
  74     to the replacement character; otherwise (when the flag is set to strict)
  75     they constitute an error.
  76
  77     Output parameters:
  78         The value "sourceIllegal" is returned from some routines if the input
  79         sequence is malformed.  When "sourceIllegal" is returned, the source
  80         value will point to the illegal value that caused the problem. E.g.,
  81         in UTF-8 when a sequence is malformed, it points to the start of the
  82         malformed sequence.
  83
  84     Author: Mark E. Davis, 1994.
  85     Rev History: Rick McGowan, fixes & updates May 2001.
  86          Fixes & updates, Sept 2001.
  87
  88 ------------------------------------------------------------------------ */
  89
  90 #ifndef CLANG_BASIC_CONVERTUTF_H
  91 #define CLANG_BASIC_CONVERTUTF_H
  92
  93 /* ---------------------------------------------------------------------
  94     The following 4 definitions are compiler-specific.
  95     The C standard does not guarantee that wchar_t has at least
  96     16 bits, so wchar_t is no less portable than unsigned short!
  97     All should be unsigned values to avoid sign extension during
  98     bit mask & shift operations.
  99 ------------------------------------------------------------------------ */
 100
 101 typedef unsigned int    UTF32;  /* at least 32 bits */
 102 typedef unsigned short  UTF16;  /* at least 16 bits */
 103 typedef unsigned char   UTF8;   /* typically 8 bits */
 104 typedef unsigned char   Boolean; /* 0 or 1 */
 105
 106 /* Some fundamental constants */
 107 #define UNI_REPLACEMENT_CHAR (UTF32)0x0000FFFD
 108 #define UNI_MAX_BMP (UTF32)0x0000FFFF
 109 #define UNI_MAX_UTF16 (UTF32)0x0010FFFF
 110 #define UNI_MAX_UTF32 (UTF32)0x7FFFFFFF
 111 #define UNI_MAX_LEGAL_UTF32 (UTF32)0x0010FFFF
 112
 113 #define UNI_MAX_UTF8_BYTES_PER_CODE_POINT 4
 114
 115 typedef enum {
 116   conversionOK,           /* conversion successful */
 117   sourceExhausted,        /* partial character in source, but hit end */
 118   targetExhausted,        /* insuff. room in target for conversion */
 119   sourceIllegal           /* source sequence is illegal/malformed */
 120 } ConversionResult;
 121
 122 typedef enum {
 123   strictConversion = 0,
 124   lenientConversion
 125 } ConversionFlags;
 126
 127 /* This is for C++ and does no harm in C */
 128 #ifdef __cplusplus
 129 extern "C" {
 130 #endif
 131
 132 ConversionResult ConvertUTF8toUTF16 (
 133   const UTF8** sourceStart, const UTF8* sourceEnd,
 134   UTF16** targetStart, UTF16* targetEnd, ConversionFlags flags);
 135
 136 ConversionResult ConvertUTF8toUTF32 (
 137   const UTF8** sourceStart, const UTF8* sourceEnd,
 138   UTF32** targetStart, UTF32* targetEnd, ConversionFlags flags);
 139
 140 ConversionResult ConvertUTF16toUTF8 (
 141   const UTF16** sourceStart, const UTF16* sourceEnd,
 142   UTF8** targetStart, UTF8* targetEnd, ConversionFlags flags);
 143
 144 ConversionResult ConvertUTF32toUTF8 (
 145   const UTF32** sourceStart, const UTF32* sourceEnd,
 146   UTF8** targetStart, UTF8* targetEnd, ConversionFlags flags);
 147
 148 ConversionResult ConvertUTF16toUTF32 (
 149   const UTF16** sourceStart, const UTF16* sourceEnd,
 150   UTF32** targetStart, UTF32* targetEnd, ConversionFlags flags);
 151
 152 ConversionResult ConvertUTF32toUTF16 (
 153   const UTF32** sourceStart, const UTF32* sourceEnd,
 154   UTF16** targetStart, UTF16* targetEnd, ConversionFlags flags);
 155
 156 Boolean isLegalUTF8Sequence(const UTF8 *source, const UTF8 *sourceEnd);
 157
 158 Boolean isLegalUTF8String(const UTF8 **source, const UTF8 *sourceEnd);
 159
 160 unsigned getNumBytesForUTF8(UTF8 firstByte);
 161
 162 #ifdef __cplusplus
 163 }
 164
 165 /*************************************************************************/
 166 /* Below are LLVM-specific wrappers of the functions above. */
 167
 168 #include "llvm/ADT/StringRef.h"
 169
 170 namespace llvm {
 171
 172 /**
 173  * Convert an UTF8 StringRef to UTF8, UTF16, or UTF32 depending on
 174  * WideCharWidth. The converted data is written to ResultPtr, which needs to
 175  * point to at least WideCharWidth * (Source.Size() + 1) bytes. On success,
 176  * ResultPtr will point one after the end of the copied string. On failure,
 177  * ResultPtr will not be changed, and ErrorPtr will be set to the location of
 178  * the first character which could not be converted.
 179  * \return true on success.
 180  */
 181 bool ConvertUTF8toWide(unsigned WideCharWidth, llvm::StringRef Source,
 182                        char *&ResultPtr, const UTF8 *&ErrorPtr);
 183
 184 /**
 185  * Convert an Unicode code point to UTF8 sequence.
 186  *
 187  * \param Source a Unicode code point.
 188  * \param [in,out] ResultPtr pointer to the output buffer, needs to be at least
 189  * \c UNI_MAX_UTF8_BYTES_PER_CODE_POINT bytes.  On success \c ResultPtr is
 190  * updated one past end of the converted sequence.
 191  *
 192  * \returns true on success.
 193  */
 194 bool ConvertCodePointToUTF8(unsigned Source, char *&ResultPtr);
 195
 196 /**
 197  * Convert the first UTF8 sequence in the given source buffer to a UTF32
 198  * code point.
 199  *
 200  * \param [in,out] source A pointer to the source buffer. If the conversion
 201  * succeeds, this pointer will be updated to point to the byte just past the
 202  * end of the converted sequence.
 203  * \param sourceEnd A pointer just past the end of the source buffer.
 204  * \param [out] target The converted code
 205  * \param flags Whether the conversion is strict or lenient.
 206  *
 207  * \returns conversionOK on success
 208  *
 209  * \sa ConvertUTF8toUTF32
 210  */
 211 static inline ConversionResult convertUTF8Sequence(const UTF8 **source,
 212                                                    const UTF8 *sourceEnd,
 213                                                    UTF32 *target,
 214                                                    ConversionFlags flags) {
 215   if (*source == sourceEnd)
 216     return sourceExhausted;
 217   unsigned size = getNumBytesForUTF8(**source);
 218   if ((ptrdiff_t)size > sourceEnd - *source)
 219     return sourceExhausted;
 220   return ConvertUTF8toUTF32(source, *source + size, &target, target + 1, flags);
 221 }
 222 } // end namespace llvm
 223
 224 #endif
 225
 226 /* --------------------------------------------------------------------- */
 227
 228 #endif