glib/gunicollate.c

   1 /* gunicollate.c - Collation
   2  *
   3  *  Copyright 2001,2005 Red Hat, Inc.
   4  *
   5  * The Gnome Library is free software; you can redistribute it and/or
   6  * modify it under the terms of the GNU Lesser General Public License as
   7  * published by the Free Software Foundation; either version 2 of the
   8  * License, or (at your option) any later version.
   9  *
  10  * The Gnome Library is distributed in the hope that it will be useful,
  11  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  12  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  13  * Lesser General Public License for more details.
  14  *
  15  * You should have received a copy of the GNU Lesser General Public
  16  * License along with the Gnome Library; see the file COPYING.LIB.  If not,
  17  * write to the Free Software Foundation, Inc., 59 Temple Place - Suite 330,
  18  *   Boston, MA 02111-1307, USA.
  19  */
  20
  21 #include "config.h"
  22
  23 #include <locale.h>
  24 #include <string.h>
  25 #ifdef __STDC_ISO_10646__
  26 #include <wchar.h>
  27 #endif
  28
  29 #ifdef HAVE_CARBON
  30 #include <CoreServices/CoreServices.h>
  31 #endif
  32
  33 #include "gmem.h"
  34 #include "gunicode.h"
  35 #include "gunicodeprivate.h"
  36 #include "gstring.h"
  37 #include "gstrfuncs.h"
  38 #include "gtestutils.h"
  39 #ifndef __STDC_ISO_10646__
  40 #include "gconvert.h"
  41 #endif
  42
  43
  44 #ifdef _MSC_VER
  45 /* Workaround for bug in MSVCR80.DLL */
  46 static gsize
  47 msc_strxfrm_wrapper (char       *string1,
  48                      const char *string2,
  49                      gsize       count)
  50 {
  51   if (!string1 || count <= 0)
  52     {
  53       char tmp;
  54
  55       return strxfrm (&tmp, string2, 1);
  56     }
  57   return strxfrm (string1, string2, count);
  58 }
  59 #define strxfrm msc_strxfrm_wrapper
  60 #endif
  61
  62 /**
  63  * g_utf8_collate:
  64  * @str1: a UTF-8 encoded string
  65  * @str2: a UTF-8 encoded string
  66  *
  67  * Compares two strings for ordering using the linguistically
  68  * correct rules for the <link linkend="setlocale">current locale</link>.
  69  * When sorting a large number of strings, it will be significantly
  70  * faster to obtain collation keys with g_utf8_collate_key() and
  71  * compare the keys with strcmp() when sorting instead of sorting
  72  * the original strings.
  73  *
  74  * Return value: &lt; 0 if @str1 compares before @str2,
  75  *   0 if they compare equal, &gt; 0 if @str1 compares after @str2.
  76  **/
  77 gint
  78 g_utf8_collate (const gchar *str1,
  79                 const gchar *str2)
  80 {
  81   gint result;
  82
  83 #ifdef HAVE_CARBON
  84
  85   UniChar *str1_utf16;
  86   UniChar *str2_utf16;
  87   glong len1;
  88   glong len2;
  89   SInt32 retval = 0;
  90
  91   g_return_val_if_fail (str1 != NULL, 0);
  92   g_return_val_if_fail (str2 != NULL, 0);
  93
  94   str1_utf16 = g_utf8_to_utf16 (str1, -1, NULL, &len1, NULL);
  95   str2_utf16 = g_utf8_to_utf16 (str2, -1, NULL, &len2, NULL);
  96
  97   UCCompareTextDefault (kUCCollateStandardOptions,
  98                         str1_utf16, len1, str2_utf16, len2,
  99                         NULL, &retval);
 100   result = retval;
 101
 102   g_free (str2_utf16);
 103   g_free (str1_utf16);
 104
 105 #elif defined(__STDC_ISO_10646__)
 106
 107   gunichar *str1_norm;
 108   gunichar *str2_norm;
 109
 110   g_return_val_if_fail (str1 != NULL, 0);
 111   g_return_val_if_fail (str2 != NULL, 0);
 112
 113   str1_norm = _g_utf8_normalize_wc (str1, -1, G_NORMALIZE_ALL_COMPOSE);
 114   str2_norm = _g_utf8_normalize_wc (str2, -1, G_NORMALIZE_ALL_COMPOSE);
 115
 116   result = wcscoll ((wchar_t *)str1_norm, (wchar_t *)str2_norm);
 117
 118   g_free (str1_norm);
 119   g_free (str2_norm);
 120
 121 #else /* !__STDC_ISO_10646__ */
 122
 123   const gchar *charset;
 124   gchar *str1_norm;
 125   gchar *str2_norm;
 126
 127   g_return_val_if_fail (str1 != NULL, 0);
 128   g_return_val_if_fail (str2 != NULL, 0);
 129
 130   str1_norm = g_utf8_normalize (str1, -1, G_NORMALIZE_ALL_COMPOSE);
 131   str2_norm = g_utf8_normalize (str2, -1, G_NORMALIZE_ALL_COMPOSE);
 132
 133   if (g_get_charset (&charset))
 134     {
 135       result = strcoll (str1_norm, str2_norm);
 136     }
 137   else
 138     {
 139       gchar *str1_locale = g_convert (str1_norm, -1, charset, "UTF-8", NULL, NULL, NULL);
 140       gchar *str2_locale = g_convert (str2_norm, -1, charset, "UTF-8", NULL, NULL, NULL);
 141
 142       if (str1_locale && str2_locale)
 143         result =  strcoll (str1_locale, str2_locale);
 144       else if (str1_locale)
 145         result = -1;
 146       else if (str2_locale)
 147         result = 1;
 148       else
 149         result = strcmp (str1_norm, str2_norm);
 150
 151       g_free (str1_locale);
 152       g_free (str2_locale);
 153     }
 154
 155   g_free (str1_norm);
 156   g_free (str2_norm);
 157
 158 #endif /* __STDC_ISO_10646__ */
 159
 160   return result;
 161 }
 162
 163 #if defined(__STDC_ISO_10646__) || defined(HAVE_CARBON)
 164 /* We need UTF-8 encoding of numbers to encode the weights if
 165  * we are using wcsxfrm. However, we aren't encoding Unicode
 166  * characters, so we can't simply use g_unichar_to_utf8.
 167  *
 168  * The following routine is taken (with modification) from GNU
 169  * libc's strxfrm routine:
 170  *
 171  * Copyright (C) 1995-1999,2000,2001 Free Software Foundation, Inc.
 172  * Written by Ulrich Drepper <drepper@cygnus.com>, 1995.
 173  */
 174 static inline int
 175 utf8_encode (char *buf, wchar_t val)
 176 {
 177   int retval;
 178
 179   if (val < 0x80)
 180     {
 181       if (buf)
 182         *buf++ = (char) val;
 183       retval = 1;
 184     }
 185   else
 186     {
 187       int step;
 188
 189       for (step = 2; step < 6; ++step)
 190         if ((val & (~(guint32)0 << (5 * step + 1))) == 0)
 191           break;
 192       retval = step;
 193
 194       if (buf)
 195         {
 196           *buf = (unsigned char) (~0xff >> step);
 197           --step;
 198           do
 199             {
 200               buf[step] = 0x80 | (val & 0x3f);
 201               val >>= 6;
 202             }
 203           while (--step > 0);
 204           *buf |= val;
 205         }
 206     }
 207
 208   return retval;
 209 }
 210 #endif /* __STDC_ISO_10646__ || HAVE_CARBON */
 211
 212 #ifdef HAVE_CARBON
 213
 214 static gchar *
 215 collate_key_to_string (UCCollationValue *key,
 216                        gsize             key_len)
 217 {
 218   gchar *result;
 219   gsize result_len;
 220   gsize i;
 221
 222   /* Pretty smart algorithm here: ignore first eight bytes of the
 223    * collation key. It doesn't produce results equivalent to
 224    * UCCompareCollationKeys's, but the difference seems to be only
 225    * that UCCompareCollationKeys in some cases produces 0 where our
 226    * comparison gets -1 or 1. */
 227
 228   if (key_len * sizeof (UCCollationValue) <= 8)
 229     return g_strdup ("");
 230
 231   result_len = 0;
 232   for (i = 8; i < key_len * sizeof (UCCollationValue); i++)
 233     /* there may be nul bytes, encode byteval+1 */
 234     result_len += utf8_encode (NULL, *((guchar*)key + i) + 1);
 235
 236   result = g_malloc (result_len + 1);
 237   result_len = 0;
 238   for (i = 8; i < key_len * sizeof (UCCollationValue); i++)
 239     result_len += utf8_encode (result + result_len, *((guchar*)key + i) + 1);
 240
 241   result[result_len] = 0;
 242   return result;
 243 }
 244
 245 static gchar *
 246 carbon_collate_key_with_collator (const gchar *str,
 247                                   gssize       len,
 248                                   CollatorRef  collator)
 249 {
 250   UniChar *str_utf16 = NULL;
 251   glong len_utf16;
 252   OSStatus ret;
 253   UCCollationValue staticbuf[512];
 254   UCCollationValue *freeme = NULL;
 255   UCCollationValue *buf;
 256   ItemCount buf_len;
 257   ItemCount key_len;
 258   ItemCount try_len;
 259   gchar *result = NULL;
 260
 261   str_utf16 = g_utf8_to_utf16 (str, len, NULL, &len_utf16, NULL);
 262   try_len = len_utf16 * 5 + 2;
 263
 264   if (try_len <= sizeof staticbuf)
 265     {
 266       buf = staticbuf;
 267       buf_len = sizeof staticbuf;
 268     }
 269   else
 270     {
 271       freeme = g_new (UCCollationValue, try_len);
 272       buf = freeme;
 273       buf_len = try_len;
 274     }
 275
 276   ret = UCGetCollationKey (collator, str_utf16, len_utf16,
 277                            buf_len, &key_len, buf);
 278
 279   if (ret == kCollateBufferTooSmall)
 280     {
 281       freeme = g_renew (UCCollationValue, freeme, try_len * 2);
 282       buf = freeme;
 283       buf_len = try_len * 2;
 284       ret = UCGetCollationKey (collator, str_utf16, len_utf16,
 285                                buf_len, &key_len, buf);
 286     }
 287
 288   if (ret == 0)
 289     result = collate_key_to_string (buf, key_len);
 290   else
 291     result = g_strdup ("");
 292
 293   g_free (freeme);
 294   g_free (str_utf16);
 295   return result;
 296 }
 297
 298 static gchar *
 299 carbon_collate_key (const gchar *str,
 300                     gssize       len)
 301 {
 302   static CollatorRef collator;
 303
 304   if (G_UNLIKELY (!collator))
 305     {
 306       UCCreateCollator (NULL, 0, kUCCollateStandardOptions, &collator);
 307
 308       if (!collator)
 309         {
 310           static gboolean been_here;
 311           if (!been_here)
 312             g_warning ("%s: UCCreateCollator failed", G_STRLOC);
 313           been_here = TRUE;
 314           return g_strdup ("");
 315         }
 316     }
 317
 318   return carbon_collate_key_with_collator (str, len, collator);
 319 }
 320
 321 static gchar *
 322 carbon_collate_key_for_filename (const gchar *str,
 323                                  gssize       len)
 324 {
 325   static CollatorRef collator;
 326
 327   if (G_UNLIKELY (!collator))
 328     {
 329       /* http://developer.apple.com/qa/qa2004/qa1159.html */
 330       UCCreateCollator (NULL, 0,
 331                         kUCCollateComposeInsensitiveMask
 332                          | kUCCollateWidthInsensitiveMask
 333                          | kUCCollateCaseInsensitiveMask
 334                          | kUCCollateDigitsOverrideMask
 335                          | kUCCollateDigitsAsNumberMask
 336                          | kUCCollatePunctuationSignificantMask,
 337                         &collator);
 338
 339       if (!collator)
 340         {
 341           static gboolean been_here;
 342           if (!been_here)
 343             g_warning ("%s: UCCreateCollator failed", G_STRLOC);
 344           been_here = TRUE;
 345           return g_strdup ("");
 346         }
 347     }
 348
 349   return carbon_collate_key_with_collator (str, len, collator);
 350 }
 351
 352 #endif /* HAVE_CARBON */
 353
 354 /**
 355  * g_utf8_collate_key:
 356  * @str: a UTF-8 encoded string.
 357  * @len: length of @str, in bytes, or -1 if @str is nul-terminated.
 358  *
 359  * Converts a string into a collation key that can be compared
 360  * with other collation keys produced by the same function using
 361  * strcmp().
 362  *
 363  * The results of comparing the collation keys of two strings
 364  * with strcmp() will always be the same as comparing the two
 365  * original keys with g_utf8_collate().
 366  *
 367  * Note that this function depends on the
 368  * <link linkend="setlocale">current locale</link>.
 369  *
 370  * Return value: a newly allocated string. This string should
 371  *   be freed with g_free() when you are done with it.
 372  **/
 373 gchar *
 374 g_utf8_collate_key (const gchar *str,
 375                     gssize       len)
 376 {
 377   gchar *result;
 378
 379 #ifdef HAVE_CARBON
 380
 381   g_return_val_if_fail (str != NULL, NULL);
 382   result = carbon_collate_key (str, len);
 383
 384 #elif defined(__STDC_ISO_10646__)
 385
 386   gsize xfrm_len;
 387   gunichar *str_norm;
 388   wchar_t *result_wc;
 389   gsize i;
 390   gsize result_len = 0;
 391
 392   g_return_val_if_fail (str != NULL, NULL);
 393
 394   str_norm = _g_utf8_normalize_wc (str, len, G_NORMALIZE_ALL_COMPOSE);
 395
 396   xfrm_len = wcsxfrm (NULL, (wchar_t *)str_norm, 0);
 397   result_wc = g_new (wchar_t, xfrm_len + 1);
 398   wcsxfrm (result_wc, (wchar_t *)str_norm, xfrm_len + 1);
 399
 400   for (i=0; i < xfrm_len; i++)
 401     result_len += utf8_encode (NULL, result_wc[i]);
 402
 403   result = g_malloc (result_len + 1);
 404   result_len = 0;
 405   for (i=0; i < xfrm_len; i++)
 406     result_len += utf8_encode (result + result_len, result_wc[i]);
 407
 408   result[result_len] = '\0';
 409
 410   g_free (result_wc);
 411   g_free (str_norm);
 412
 413   return result;
 414 #else /* !__STDC_ISO_10646__ */
 415
 416   gsize xfrm_len;
 417   const gchar *charset;
 418   gchar *str_norm;
 419
 420   g_return_val_if_fail (str != NULL, NULL);
 421
 422   str_norm = g_utf8_normalize (str, len, G_NORMALIZE_ALL_COMPOSE);
 423
 424   result = NULL;
 425
 426   if (g_get_charset (&charset))
 427     {
 428       xfrm_len = strxfrm (NULL, str_norm, 0);
 429       if (xfrm_len >= 0 && xfrm_len < G_MAXINT - 2)
 430         {
 431           result = g_malloc (xfrm_len + 1);
 432           strxfrm (result, str_norm, xfrm_len + 1);
 433         }
 434     }
 435   else
 436     {
 437       gchar *str_locale = g_convert (str_norm, -1, charset, "UTF-8", NULL, NULL, NULL);
 438
 439       if (str_locale)
 440         {
 441           xfrm_len = strxfrm (NULL, str_locale, 0);
 442           if (xfrm_len < 0 || xfrm_len >= G_MAXINT - 2)
 443             {
 444               g_free (str_locale);
 445               str_locale = NULL;
 446             }
 447         }
 448       if (str_locale)
 449         {
 450           result = g_malloc (xfrm_len + 2);
 451           result[0] = 'A';
 452           strxfrm (result + 1, str_locale, xfrm_len + 1);
 453
 454           g_free (str_locale);
 455         }
 456     }
 457
 458   if (!result)
 459     {
 460       xfrm_len = strlen (str_norm);
 461       result = g_malloc (xfrm_len + 2);
 462       result[0] = 'B';
 463       memcpy (result + 1, str_norm, xfrm_len);
 464       result[xfrm_len+1] = '\0';
 465     }
 466
 467   g_free (str_norm);
 468 #endif /* __STDC_ISO_10646__ */
 469
 470   return result;
 471 }
 472
 473 /* This is a collation key that is very very likely to sort before any
 474    collation key that libc strxfrm generates. We use this before any
 475    special case (dot or number) to make sure that its sorted before
 476    anything else.
 477  */
 478 #define COLLATION_SENTINEL "\1\1\1"
 479
 480 /**
 481  * g_utf8_collate_key_for_filename:
 482  * @str: a UTF-8 encoded string.
 483  * @len: length of @str, in bytes, or -1 if @str is nul-terminated.
 484  *
 485  * Converts a string into a collation key that can be compared
 486  * with other collation keys produced by the same function using strcmp().
 487  *
 488  * In order to sort filenames correctly, this function treats the dot '.'
 489  * as a special case. Most dictionary orderings seem to consider it
 490  * insignificant, thus producing the ordering "event.c" "eventgenerator.c"
 491  * "event.h" instead of "event.c" "event.h" "eventgenerator.c". Also, we
 492  * would like to treat numbers intelligently so that "file1" "file10" "file5"
 493  * is sorted as "file1" "file5" "file10".
 494  *
 495  * Note that this function depends on the
 496  * <link linkend="setlocale">current locale</link>.
 497  *
 498  * Return value: a newly allocated string. This string should
 499  *   be freed with g_free() when you are done with it.
 500  *
 501  * Since: 2.8
 502  */
 503 gchar*
 504 g_utf8_collate_key_for_filename (const gchar *str,
 505                                  gssize       len)
 506 {
 507 #ifndef HAVE_CARBON
 508   GString *result;
 509   GString *append;
 510   const gchar *p;
 511   const gchar *prev;
 512   const gchar *end;
 513   gchar *collate_key;
 514   gint digits;
 515   gint leading_zeros;
 516
 517   /*
 518    * How it works:
 519    *
 520    * Split the filename into collatable substrings which do
 521    * not contain [.0-9] and special-cased substrings. The collatable
 522    * substrings are run through the normal g_utf8_collate_key() and the
 523    * resulting keys are concatenated with keys generated from the
 524    * special-cased substrings.
 525    *
 526    * Special cases: Dots are handled by replacing them with '\1' which
 527    * implies that short dot-delimited substrings are before long ones,
 528    * e.g.
 529    *
 530    *   a\1a   (a.a)
 531    *   a-\1a  (a-.a)
 532    *   aa\1a  (aa.a)
 533    *
 534    * Numbers are handled by prepending to each number d-1 superdigits
 535    * where d = number of digits in the number and SUPERDIGIT is a
 536    * character with an integer value higher than any digit (for instance
 537    * ':'). This ensures that single-digit numbers are sorted before
 538    * double-digit numbers which in turn are sorted separately from
 539    * triple-digit numbers, etc. To avoid strange side-effects when
 540    * sorting strings that already contain SUPERDIGITs, a '\2'
 541    * is also prepended, like this
 542    *
 543    *   file\21      (file1)
 544    *   file\25      (file5)
 545    *   file\2:10    (file10)
 546    *   file\2:26    (file26)
 547    *   file\2::100  (file100)
 548    *   file:foo     (file:foo)
 549    *
 550    * This has the side-effect of sorting numbers before everything else (except
 551    * dots), but this is probably OK.
 552    *
 553    * Leading digits are ignored when doing the above. To discriminate
 554    * numbers which differ only in the number of leading digits, we append
 555    * the number of leading digits as a byte at the very end of the collation
 556    * key.
 557    *
 558    * To try avoid conflict with any collation key sequence generated by libc we
 559    * start each switch to a special cased part with a sentinel that hopefully
 560    * will sort before anything libc will generate.
 561    */
 562
 563   if (len < 0)
 564     len = strlen (str);
 565
 566   result = g_string_sized_new (len * 2);
 567   append = g_string_sized_new (0);
 568
 569   end = str + len;
 570
 571   /* No need to use utf8 functions, since we're only looking for ascii chars */
 572   for (prev = p = str; p < end; p++)
 573     {
 574       switch (*p)
 575         {
 576         case '.':
 577           if (prev != p)
 578             {
 579               collate_key = g_utf8_collate_key (prev, p - prev);
 580               g_string_append (result, collate_key);
 581               g_free (collate_key);
 582             }
 583
 584           g_string_append (result, COLLATION_SENTINEL "\1");
 585
 586           /* skip the dot */
 587           prev = p + 1;
 588           break;
 589
 590         case '0':
 591         case '1':
 592         case '2':
 593         case '3':
 594         case '4':
 595         case '5':
 596         case '6':
 597         case '7':
 598         case '8':
 599         case '9':
 600           if (prev != p)
 601             {
 602               collate_key = g_utf8_collate_key (prev, p - prev);
 603               g_string_append (result, collate_key);
 604               g_free (collate_key);
 605             }
 606
 607           g_string_append (result, COLLATION_SENTINEL "\2");
 608
 609           prev = p;
 610
 611           /* write d-1 colons */
 612           if (*p == '0')
 613             {
 614               leading_zeros = 1;
 615               digits = 0;
 616             }
 617           else
 618             {
 619               leading_zeros = 0;
 620               digits = 1;
 621             }
 622
 623           while (++p < end)
 624             {
 625               if (*p == '0' && !digits)
 626                 ++leading_zeros;
 627               else if (g_ascii_isdigit(*p))
 628                 ++digits;
 629               else
 630                 {
 631                   /* count an all-zero sequence as
 632                    * one digit plus leading zeros
 633                    */
 634                   if (!digits)
 635                     {
 636                       ++digits;
 637                       --leading_zeros;
 638                     }
 639                   break;
 640                 }
 641             }
 642
 643           while (digits > 1)
 644             {
 645               g_string_append_c (result, ':');
 646               --digits;
 647             }
 648
 649           if (leading_zeros > 0)
 650             {
 651               g_string_append_c (append, (char)leading_zeros);
 652               prev += leading_zeros;
 653             }
 654
 655           /* write the number itself */
 656           g_string_append_len (result, prev, p - prev);
 657
 658           prev = p;
 659           --p;    /* go one step back to avoid disturbing outer loop */
 660           break;
 661
 662         default:
 663           /* other characters just accumulate */
 664           break;
 665         }
 666     }
 667
 668   if (prev != p)
 669     {
 670       collate_key = g_utf8_collate_key (prev, p - prev);
 671       g_string_append (result, collate_key);
 672       g_free (collate_key);
 673     }
 674
 675   g_string_append (result, append->str);
 676   g_string_free (append, TRUE);
 677
 678   return g_string_free (result, FALSE);
 679 #else /* HAVE_CARBON */
 680   return carbon_collate_key_for_filename (str, len);
 681 #endif
 682 }