base/i18n/icu_string_conversions_unittest.cc

   1 // Copyright 2011 The Chromium Authors
   2 // Use of this source code is governed by a BSD-style license that can be
   3 // found in the LICENSE file.
   4
   5 #include "base/i18n/icu_string_conversions.h"
   6
   7 #include <math.h>
   8 #include <stdarg.h>
   9 #include <stddef.h>
  10
  11 #include <limits>
  12 #include <sstream>
  13
  14 #include "base/check_op.h"
  15 #include "base/format_macros.h"
  16 #include "base/strings/string_piece.h"
  17 #include "base/strings/stringprintf.h"
  18 #include "base/strings/utf_string_conversions.h"
  19 #include "build/build_config.h"
  20 #include "testing/gtest/include/gtest/gtest.h"
  21
  22 namespace base {
  23
  24 namespace {
  25
  26 // Given a null-terminated string of wchar_t with each wchar_t representing
  27 // a UTF-16 code unit, returns a std::u16string made up of wchar_t's in the
  28 // input. Each wchar_t should be <= 0xFFFF and a non-BMP character (> U+FFFF)
  29 // should be represented as a surrogate pair (two UTF-16 units)
  30 // *even* where wchar_t is 32-bit (Linux and Mac).
  31 //
  32 // This is to help write tests for functions with std::u16string params until
  33 // the C++ 0x UTF-16 literal is well-supported by compilers.
  34 std::u16string BuildString16(const wchar_t* s) {
  35 #if defined(WCHAR_T_IS_UTF16)
  36   return WideToUTF16(s);
  37 #elif defined(WCHAR_T_IS_UTF32)
  38   std::u16string u16;
  39   while (*s != 0) {
  40     DCHECK_LE(static_cast<unsigned int>(*s), 0xFFFFu);
  41     u16.push_back(*s++);
  42   }
  43   return u16;
  44 #endif
  45 }
  46
  47 }  // namespace
  48
  49 // kConverterCodepageCases is not comprehensive. There are a number of cases
  50 // to add if we really want to have a comprehensive coverage of various
  51 // codepages and their 'idiosyncrasies'. Currently, the only implementation
  52 // for CodepageTo* and *ToCodepage uses ICU, which has a very extensive
  53 // set of tests for the charset conversion. So, we can get away with a
  54 // relatively small number of cases listed below.
  55 //
  56 // Note about |u16_wide| in the following struct.
  57 // On Windows, the field is always identical to |wide|. On Mac and Linux,
  58 // it's identical as long as there's no character outside the
  59 // BMP (<= U+FFFF). When there is, it is different from |wide| and
  60 // is not a real wide string (UTF-32 string) in that each wchar_t in
  61 // the string is a UTF-16 code unit zero-extended to be 32-bit
  62 // even when the code unit belongs to a surrogate pair.
  63 // For instance, a Unicode string (U+0041 U+010000) is represented as
  64 // L"\x0041\xD800\xDC00" instead of L"\x0041\x10000".
  65 // To avoid the clutter, |u16_wide| will be set to NULL
  66 // if it's identical to |wide| on *all* platforms.
  67
  68 static const struct {
  69   const char* codepage_name;
  70   const char* encoded;
  71   OnStringConversionError::Type on_error;
  72   bool success;
  73   const wchar_t* wide;
  74   const wchar_t* u16_wide;
  75 } kConvertCodepageCases[] = {
  76     // Test a case where the input cannot be decoded, using SKIP, FAIL
  77     // and SUBSTITUTE error handling rules. "A7 41" is valid, but "A6" isn't.
  78     {"big5", "\xA7\x41\xA6", OnStringConversionError::FAIL, false, L"",
  79      nullptr},
  80     {"big5", "\xA7\x41\xA6", OnStringConversionError::SKIP, true, L"\x4F60",
  81      nullptr},
  82     {"big5", "\xA7\x41\xA6", OnStringConversionError::SUBSTITUTE, true,
  83      L"\x4F60\xFFFD", nullptr},
  84     // Arabic (ISO-8859)
  85     {"iso-8859-6",
  86      "\xC7\xEE\xE4\xD3\xF1\xEE\xE4\xC7\xE5\xEF"
  87      " "
  88      "\xD9\xEE\xE4\xEE\xEA\xF2\xE3\xEF\xE5\xF2",
  89      OnStringConversionError::FAIL, true,
  90      L"\x0627\x064E\x0644\x0633\x0651\x064E\x0644\x0627\x0645\x064F"
  91      L" "
  92      L"\x0639\x064E\x0644\x064E\x064A\x0652\x0643\x064F\x0645\x0652",
  93      nullptr},
  94     // Chinese Simplified (GB2312)
  95     {"gb2312", "\xC4\xE3\xBA\xC3", OnStringConversionError::FAIL, true,
  96      L"\x4F60\x597D", nullptr},
  97     // Chinese (GB18030) : 4 byte sequences mapped to BMP characters
  98     {"gb18030", "\x81\x30\x84\x36\xA1\xA7", OnStringConversionError::FAIL, true,
  99      L"\x00A5\x00A8", nullptr},
 100     // Chinese (GB18030) : A 4 byte sequence mapped to plane 2 (U+20000)
 101     {"gb18030", "\x95\x32\x82\x36\xD2\xBB", OnStringConversionError::FAIL, true,
 102 #if defined(WCHAR_T_IS_UTF16)
 103      L"\xD840\xDC00\x4E00",
 104 #elif defined(WCHAR_T_IS_UTF32)
 105      L"\x20000\x4E00",
 106 #endif
 107      L"\xD840\xDC00\x4E00"},
 108     {"big5", "\xA7\x41\xA6\x6E", OnStringConversionError::FAIL, true,
 109      L"\x4F60\x597D", nullptr},
 110     // Greek (ISO-8859)
 111     {"iso-8859-7",
 112      "\xE3\xE5\xE9\xDC"
 113      " "
 114      "\xF3\xEF\xF5",
 115      OnStringConversionError::FAIL, true,
 116      L"\x03B3\x03B5\x03B9\x03AC"
 117      L" "
 118      L"\x03C3\x03BF\x03C5",
 119      nullptr},
 120     // Hebrew (Windows)
 121     {"windows-1255", "\xF9\xD1\xC8\xEC\xE5\xC9\xED",
 122      OnStringConversionError::FAIL, true,
 123      L"\x05E9\x05C1\x05B8\x05DC\x05D5\x05B9\x05DD", nullptr},
 124     // Korean (EUC)
 125     {"euc-kr", "\xBE\xC8\xB3\xE7\xC7\xCF\xBC\xBC\xBF\xE4",
 126      OnStringConversionError::FAIL, true, L"\xC548\xB155\xD558\xC138\xC694",
 127      nullptr},
 128     // Japanese (EUC)
 129     {"euc-jp", "\xA4\xB3\xA4\xF3\xA4\xCB\xA4\xC1\xA4\xCF\xB0\xEC\x8E\xA6",
 130      OnStringConversionError::FAIL, true,
 131      L"\x3053\x3093\x306B\x3061\x306F\x4E00\xFF66", nullptr},
 132     // Japanese (ISO-2022)
 133     {"iso-2022-jp",
 134      "\x1B$B"
 135      "\x24\x33\x24\x73\x24\x4B\x24\x41\x24\x4F\x30\x6C"
 136      "\x1B(B"
 137      "ab"
 138      "\x1B(J"
 139      "\x5C\x7E#$"
 140      "\x1B(B",
 141      OnStringConversionError::FAIL, true,
 142      L"\x3053\x3093\x306B\x3061\x306F\x4E00"
 143      L"ab\x00A5\x203E#$",
 144      nullptr},
 145     // Japanese (Shift-JIS)
 146     {"sjis", "\x82\xB1\x82\xF1\x82\xC9\x82\xBF\x82\xCD\x88\xEA\xA6",
 147      OnStringConversionError::FAIL, true,
 148      L"\x3053\x3093\x306B\x3061\x306F\x4E00\xFF66", nullptr},
 149     // Russian (KOI8)
 150     {"koi8-r", "\xDA\xC4\xD2\xC1\xD7\xD3\xD4\xD7\xD5\xCA\xD4\xC5",
 151      OnStringConversionError::FAIL, true,
 152      L"\x0437\x0434\x0440\x0430\x0432\x0441\x0442\x0432"
 153      L"\x0443\x0439\x0442\x0435",
 154      nullptr},
 155     // Thai (windows-874)
 156     {"windows-874",
 157      "\xCA\xC7\xD1\xCA\xB4\xD5"
 158      "\xA4\xC3\xD1\xBA",
 159      OnStringConversionError::FAIL, true,
 160      L"\x0E2A\x0E27\x0E31\x0E2A\x0E14\x0E35"
 161      L"\x0E04\x0E23\x0e31\x0E1A",
 162      nullptr},
 163 };
 164
 165 TEST(ICUStringConversionsTest, ConvertBetweenCodepageAndUTF16) {
 166   for (size_t i = 0; i < std::size(kConvertCodepageCases); ++i) {
 167     SCOPED_TRACE(base::StringPrintf(
 168                      "Test[%" PRIuS "]: <encoded: %s> <codepage: %s>", i,
 169                      kConvertCodepageCases[i].encoded,
 170                      kConvertCodepageCases[i].codepage_name));
 171
 172     std::u16string utf16;
 173     bool success = CodepageToUTF16(kConvertCodepageCases[i].encoded,
 174                                    kConvertCodepageCases[i].codepage_name,
 175                                    kConvertCodepageCases[i].on_error,
 176                                    &utf16);
 177     std::u16string utf16_expected;
 178     if (kConvertCodepageCases[i].u16_wide == nullptr)
 179       utf16_expected = BuildString16(kConvertCodepageCases[i].wide);
 180     else
 181       utf16_expected = BuildString16(kConvertCodepageCases[i].u16_wide);
 182     EXPECT_EQ(kConvertCodepageCases[i].success, success);
 183     EXPECT_EQ(utf16_expected, utf16);
 184
 185     // When decoding was successful and nothing was skipped, we also check the
 186     // reverse conversion. See also the corresponding comment in
 187     // ConvertBetweenCodepageAndWide.
 188     if (success &&
 189         kConvertCodepageCases[i].on_error == OnStringConversionError::FAIL) {
 190       std::string encoded;
 191       success = UTF16ToCodepage(utf16, kConvertCodepageCases[i].codepage_name,
 192                                 kConvertCodepageCases[i].on_error, &encoded);
 193       EXPECT_EQ(kConvertCodepageCases[i].success, success);
 194       EXPECT_EQ(kConvertCodepageCases[i].encoded, encoded);
 195     }
 196   }
 197 }
 198
 199 static const struct {
 200   const char* encoded;
 201   const char* codepage_name;
 202   bool expected_success;
 203   const char* expected_value;
 204 } kConvertAndNormalizeCases[] = {
 205   {"foo-\xe4.html", "iso-8859-1", true, "foo-\xc3\xa4.html"},
 206   {"foo-\xe4.html", "iso-8859-7", true, "foo-\xce\xb4.html"},
 207   {"foo-\xe4.html", "foo-bar", false, ""},
 208   // HTML Encoding spec treats US-ASCII as synonymous with windows-1252
 209   {"foo-\xff.html", "ascii", true, "foo-\xc3\xbf.html"},
 210   {"foo.html", "ascii", true, "foo.html"},
 211   {"foo-a\xcc\x88.html", "utf-8", true, "foo-\xc3\xa4.html"},
 212   {"\x95\x32\x82\x36\xD2\xBB", "gb18030", true, "\xF0\xA0\x80\x80\xE4\xB8\x80"},
 213   {"\xA7\x41\xA6\x6E", "big5", true, "\xE4\xBD\xA0\xE5\xA5\xBD"},
 214   // Windows-1258 does have a combining character at xD2 (which is U+0309).
 215   // The sequence of (U+00E2, U+0309) is also encoded as U+1EA9.
 216   {"foo\xE2\xD2", "windows-1258", true, "foo\xE1\xBA\xA9"},
 217   {"", "iso-8859-1", true, ""},
 218 };
 219 TEST(ICUStringConversionsTest, ConvertToUtf8AndNormalize) {
 220   std::string result;
 221   for (size_t i = 0; i < std::size(kConvertAndNormalizeCases); ++i) {
 222     SCOPED_TRACE(base::StringPrintf(
 223                      "Test[%" PRIuS "]: <encoded: %s> <codepage: %s>", i,
 224                      kConvertAndNormalizeCases[i].encoded,
 225                      kConvertAndNormalizeCases[i].codepage_name));
 226
 227     bool success = ConvertToUtf8AndNormalize(
 228         kConvertAndNormalizeCases[i].encoded,
 229         kConvertAndNormalizeCases[i].codepage_name, &result);
 230     EXPECT_EQ(kConvertAndNormalizeCases[i].expected_success, success);
 231     EXPECT_EQ(kConvertAndNormalizeCases[i].expected_value, result);
 232   }
 233 }
 234
 235 }  // namespace base