glib/gunidecomp.c

   1 /* decomp.c - Character decomposition.
   2  *
   3  *  Copyright (C) 1999, 2000 Tom Tromey
   4  *  Copyright 2000 Red Hat, Inc.
   5  *
   6  * The Gnome Library is free software; you can redistribute it and/or
   7  * modify it under the terms of the GNU Lesser General Public License as
   8  * published by the Free Software Foundation; either version 2 of the
   9  * License, or (at your option) any later version.
  10  *
  11  * The Gnome Library is distributed in the hope that it will be useful,
  12  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  13  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14  * Lesser General Public License for more details.
  15  *
  16  * You should have received a copy of the GNU Lesser General Public
  17  * License along with the Gnome Library; see the file COPYING.LIB.  If not,
  18  * write to the Free Software Foundation, Inc., 59 Temple Place - Suite 330,
  19  *   Boston, MA 02111-1307, USA.
  20  */
  21
  22 #include "config.h"
  23
  24 #include <stdlib.h>
  25
  26 #include "gunicode.h"
  27 #include "gunidecomp.h"
  28 #include "gmem.h"
  29 #include "gunicomp.h"
  30 #include "gunicodeprivate.h"
  31
  32
  33 #define CC_PART1(Page, Char) \
  34   ((combining_class_table_part1[Page] >= G_UNICODE_MAX_TABLE_INDEX) \
  35    ? (combining_class_table_part1[Page] - G_UNICODE_MAX_TABLE_INDEX) \
  36    : (cclass_data[combining_class_table_part1[Page]][Char]))
  37
  38 #define CC_PART2(Page, Char) \
  39   ((combining_class_table_part2[Page] >= G_UNICODE_MAX_TABLE_INDEX) \
  40    ? (combining_class_table_part2[Page] - G_UNICODE_MAX_TABLE_INDEX) \
  41    : (cclass_data[combining_class_table_part2[Page]][Char]))
  42
  43 #define COMBINING_CLASS(Char) \
  44   (((Char) <= G_UNICODE_LAST_CHAR_PART1) \
  45    ? CC_PART1 ((Char) >> 8, (Char) & 0xff) \
  46    : (((Char) >= 0xe0000 && (Char) <= G_UNICODE_LAST_CHAR) \
  47       ? CC_PART2 (((Char) - 0xe0000) >> 8, (Char) & 0xff) \
  48       : 0))
  49
  50 /**
  51  * g_unichar_combining_class:
  52  * @uc: a Unicode character
  53  *
  54  * Determines the canonical combining class of a Unicode character.
  55  *
  56  * Return value: the combining class of the character
  57  *
  58  * Since: 2.14
  59  **/
  60 gint
  61 g_unichar_combining_class (gunichar uc)
  62 {
  63   return COMBINING_CLASS (uc);
  64 }
  65
  66 /* constants for hangul syllable [de]composition */
  67 #define SBase 0xAC00
  68 #define LBase 0x1100
  69 #define VBase 0x1161
  70 #define TBase 0x11A7
  71 #define LCount 19
  72 #define VCount 21
  73 #define TCount 28
  74 #define NCount (VCount * TCount)
  75 #define SCount (LCount * NCount)
  76
  77 /**
  78  * g_unicode_canonical_ordering:
  79  * @string: a UCS-4 encoded string.
  80  * @len: the maximum length of @string to use.
  81  *
  82  * Computes the canonical ordering of a string in-place.
  83  * This rearranges decomposed characters in the string
  84  * according to their combining classes.  See the Unicode
  85  * manual for more information.
  86  **/
  87 void
  88 g_unicode_canonical_ordering (gunichar *string,
  89                               gsize     len)
  90 {
  91   gsize i;
  92   int swap = 1;
  93
  94   while (swap)
  95     {
  96       int last;
  97       swap = 0;
  98       last = COMBINING_CLASS (string[0]);
  99       for (i = 0; i < len - 1; ++i)
 100         {
 101           int next = COMBINING_CLASS (string[i + 1]);
 102           if (next != 0 && last > next)
 103             {
 104               gsize j;
 105               /* Percolate item leftward through string.  */
 106               for (j = i + 1; j > 0; --j)
 107                 {
 108                   gunichar t;
 109                   if (COMBINING_CLASS (string[j - 1]) <= next)
 110                     break;
 111                   t = string[j];
 112                   string[j] = string[j - 1];
 113                   string[j - 1] = t;
 114                   swap = 1;
 115                 }
 116               /* We're re-entering the loop looking at the old
 117                  character again.  */
 118               next = last;
 119             }
 120           last = next;
 121         }
 122     }
 123 }
 124
 125 /* http://www.unicode.org/unicode/reports/tr15/#Hangul
 126  * r should be null or have sufficient space. Calling with r == NULL will
 127  * only calculate the result_len; however, a buffer with space for three
 128  * characters will always be big enough. */
 129 static void
 130 decompose_hangul (gunichar s,
 131                   gunichar *r,
 132                   gsize *result_len)
 133 {
 134   gint SIndex = s - SBase;
 135
 136   /* not a hangul syllable */
 137   if (SIndex < 0 || SIndex >= SCount)
 138     {
 139       if (r)
 140         r[0] = s;
 141       *result_len = 1;
 142     }
 143   else
 144     {
 145       gunichar L = LBase + SIndex / NCount;
 146       gunichar V = VBase + (SIndex % NCount) / TCount;
 147       gunichar T = TBase + SIndex % TCount;
 148
 149       if (r)
 150         {
 151           r[0] = L;
 152           r[1] = V;
 153         }
 154
 155       if (T != TBase)
 156         {
 157           if (r)
 158             r[2] = T;
 159           *result_len = 3;
 160         }
 161       else
 162         *result_len = 2;
 163     }
 164 }
 165
 166 /* returns a pointer to a null-terminated UTF-8 string */
 167 static const gchar *
 168 find_decomposition (gunichar ch,
 169                     gboolean compat)
 170 {
 171   int start = 0;
 172   int end = G_N_ELEMENTS (decomp_table);
 173
 174   if (ch >= decomp_table[start].ch &&
 175       ch <= decomp_table[end - 1].ch)
 176     {
 177       while (TRUE)
 178         {
 179           int half = (start + end) / 2;
 180           if (ch == decomp_table[half].ch)
 181             {
 182               int offset;
 183
 184               if (compat)
 185                 {
 186                   offset = decomp_table[half].compat_offset;
 187                   if (offset == G_UNICODE_NOT_PRESENT_OFFSET)
 188                     offset = decomp_table[half].canon_offset;
 189                 }
 190               else
 191                 {
 192                   offset = decomp_table[half].canon_offset;
 193                   if (offset == G_UNICODE_NOT_PRESENT_OFFSET)
 194                     return NULL;
 195                 }
 196
 197               return &(decomp_expansion_string[offset]);
 198             }
 199           else if (half == start)
 200             break;
 201           else if (ch > decomp_table[half].ch)
 202             start = half;
 203           else
 204             end = half;
 205         }
 206     }
 207
 208   return NULL;
 209 }
 210
 211 /**
 212  * g_unicode_canonical_decomposition:
 213  * @ch: a Unicode character.
 214  * @result_len: location to store the length of the return value.
 215  *
 216  * Computes the canonical decomposition of a Unicode character.
 217  *
 218  * Return value: a newly allocated string of Unicode characters.
 219  *   @result_len is set to the resulting length of the string.
 220  **/
 221 gunichar *
 222 g_unicode_canonical_decomposition (gunichar ch,
 223                                    gsize   *result_len)
 224 {
 225   const gchar *decomp;
 226   const gchar *p;
 227   gunichar *r;
 228
 229   /* Hangul syllable */
 230   if (ch >= 0xac00 && ch <= 0xd7a3)
 231     {
 232       decompose_hangul (ch, NULL, result_len);
 233       r = g_malloc (*result_len * sizeof (gunichar));
 234       decompose_hangul (ch, r, result_len);
 235     }
 236   else if ((decomp = find_decomposition (ch, FALSE)) != NULL)
 237     {
 238       /* Found it.  */
 239       int i;
 240
 241       *result_len = g_utf8_strlen (decomp, -1);
 242       r = g_malloc (*result_len * sizeof (gunichar));
 243
 244       for (p = decomp, i = 0; *p != '\0'; p = g_utf8_next_char (p), i++)
 245         r[i] = g_utf8_get_char (p);
 246     }
 247   else
 248     {
 249       /* Not in our table.  */
 250       r = g_malloc (sizeof (gunichar));
 251       *r = ch;
 252       *result_len = 1;
 253     }
 254
 255   /* Supposedly following the Unicode 2.1.9 table means that the
 256      decompositions come out in canonical order.  I haven't tested
 257      this, but we rely on it here.  */
 258   return r;
 259 }
 260
 261 /* L,V => LV and LV,T => LVT  */
 262 static gboolean
 263 combine_hangul (gunichar a,
 264                 gunichar b,
 265                 gunichar *result)
 266 {
 267   gint LIndex = a - LBase;
 268   gint SIndex = a - SBase;
 269
 270   gint VIndex = b - VBase;
 271   gint TIndex = b - TBase;
 272
 273   if (0 <= LIndex && LIndex < LCount
 274       && 0 <= VIndex && VIndex < VCount)
 275     {
 276       *result = SBase + (LIndex * VCount + VIndex) * TCount;
 277       return TRUE;
 278     }
 279   else if (0 <= SIndex && SIndex < SCount && (SIndex % TCount) == 0
 280            && 0 < TIndex && TIndex < TCount)
 281     {
 282       *result = a + TIndex;
 283       return TRUE;
 284     }
 285
 286   return FALSE;
 287 }
 288
 289 #define CI(Page, Char) \
 290   ((compose_table[Page] >= G_UNICODE_MAX_TABLE_INDEX) \
 291    ? (compose_table[Page] - G_UNICODE_MAX_TABLE_INDEX) \
 292    : (compose_data[compose_table[Page]][Char]))
 293
 294 #define COMPOSE_INDEX(Char) \
 295      (((Char >> 8) > (COMPOSE_TABLE_LAST)) ? 0 : CI((Char) >> 8, (Char) & 0xff))
 296
 297 static gboolean
 298 combine (gunichar  a,
 299          gunichar  b,
 300          gunichar *result)
 301 {
 302   gushort index_a, index_b;
 303
 304   if (combine_hangul (a, b, result))
 305     return TRUE;
 306
 307   index_a = COMPOSE_INDEX(a);
 308
 309   if (index_a >= COMPOSE_FIRST_SINGLE_START && index_a < COMPOSE_SECOND_START)
 310     {
 311       if (b == compose_first_single[index_a - COMPOSE_FIRST_SINGLE_START][0])
 312         {
 313           *result = compose_first_single[index_a - COMPOSE_FIRST_SINGLE_START][1];
 314           return TRUE;
 315         }
 316       else
 317         return FALSE;
 318     }
 319
 320   index_b = COMPOSE_INDEX(b);
 321
 322   if (index_b >= COMPOSE_SECOND_SINGLE_START)
 323     {
 324       if (a == compose_second_single[index_b - COMPOSE_SECOND_SINGLE_START][0])
 325         {
 326           *result = compose_second_single[index_b - COMPOSE_SECOND_SINGLE_START][1];
 327           return TRUE;
 328         }
 329       else
 330         return FALSE;
 331     }
 332
 333   if (index_a >= COMPOSE_FIRST_START && index_a < COMPOSE_FIRST_SINGLE_START &&
 334       index_b >= COMPOSE_SECOND_START && index_b < COMPOSE_SECOND_SINGLE_START)
 335     {
 336       gunichar res = compose_array[index_a - COMPOSE_FIRST_START][index_b - COMPOSE_SECOND_START];
 337
 338       if (res)
 339         {
 340           *result = res;
 341           return TRUE;
 342         }
 343     }
 344
 345   return FALSE;
 346 }
 347
 348 gunichar *
 349 _g_utf8_normalize_wc (const gchar    *str,
 350                       gssize          max_len,
 351                       GNormalizeMode  mode)
 352 {
 353   gsize n_wc;
 354   gunichar *wc_buffer;
 355   const char *p;
 356   gsize last_start;
 357   gboolean do_compat = (mode == G_NORMALIZE_NFKC ||
 358                         mode == G_NORMALIZE_NFKD);
 359   gboolean do_compose = (mode == G_NORMALIZE_NFC ||
 360                          mode == G_NORMALIZE_NFKC);
 361
 362   n_wc = 0;
 363   p = str;
 364   while ((max_len < 0 || p < str + max_len) && *p)
 365     {
 366       const gchar *decomp;
 367       gunichar wc = g_utf8_get_char (p);
 368
 369       if (wc >= 0xac00 && wc <= 0xd7a3)
 370         {
 371           gsize result_len;
 372           decompose_hangul (wc, NULL, &result_len);
 373           n_wc += result_len;
 374         }
 375       else
 376         {
 377           decomp = find_decomposition (wc, do_compat);
 378
 379           if (decomp)
 380             n_wc += g_utf8_strlen (decomp, -1);
 381           else
 382             n_wc++;
 383         }
 384
 385       p = g_utf8_next_char (p);
 386     }
 387
 388   wc_buffer = g_new (gunichar, n_wc + 1);
 389
 390   last_start = 0;
 391   n_wc = 0;
 392   p = str;
 393   while ((max_len < 0 || p < str + max_len) && *p)
 394     {
 395       gunichar wc = g_utf8_get_char (p);
 396       const gchar *decomp;
 397       int cc;
 398       gsize old_n_wc = n_wc;
 399
 400       if (wc >= 0xac00 && wc <= 0xd7a3)
 401         {
 402           gsize result_len;
 403           decompose_hangul (wc, wc_buffer + n_wc, &result_len);
 404           n_wc += result_len;
 405         }
 406       else
 407         {
 408           decomp = find_decomposition (wc, do_compat);
 409
 410           if (decomp)
 411             {
 412               const char *pd;
 413               for (pd = decomp; *pd != '\0'; pd = g_utf8_next_char (pd))
 414                 wc_buffer[n_wc++] = g_utf8_get_char (pd);
 415             }
 416           else
 417             wc_buffer[n_wc++] = wc;
 418         }
 419
 420       if (n_wc > 0)
 421         {
 422           cc = COMBINING_CLASS (wc_buffer[old_n_wc]);
 423
 424           if (cc == 0)
 425             {
 426               g_unicode_canonical_ordering (wc_buffer + last_start, n_wc - last_start);
 427               last_start = old_n_wc;
 428             }
 429         }
 430
 431       p = g_utf8_next_char (p);
 432     }
 433
 434   if (n_wc > 0)
 435     {
 436       g_unicode_canonical_ordering (wc_buffer + last_start, n_wc - last_start);
 437       last_start = n_wc;
 438     }
 439
 440   wc_buffer[n_wc] = 0;
 441
 442   /* All decomposed and reordered */
 443
 444   if (do_compose && n_wc > 0)
 445     {
 446       gsize i, j;
 447       int last_cc = 0;
 448       last_start = 0;
 449
 450       for (i = 0; i < n_wc; i++)
 451         {
 452           int cc = COMBINING_CLASS (wc_buffer[i]);
 453
 454           if (i > 0 &&
 455               (last_cc == 0 || last_cc < cc) &&
 456               combine (wc_buffer[last_start], wc_buffer[i],
 457                        &wc_buffer[last_start]))
 458             {
 459               for (j = i + 1; j < n_wc; j++)
 460                 wc_buffer[j-1] = wc_buffer[j];
 461               n_wc--;
 462               i--;
 463
 464               if (i == last_start)
 465                 last_cc = 0;
 466               else
 467                 last_cc = COMBINING_CLASS (wc_buffer[i-1]);
 468
 469               continue;
 470             }
 471
 472           if (cc == 0)
 473             last_start = i;
 474
 475           last_cc = cc;
 476         }
 477     }
 478
 479   wc_buffer[n_wc] = 0;
 480
 481   return wc_buffer;
 482 }
 483
 484 /**
 485  * g_utf8_normalize:
 486  * @str: a UTF-8 encoded string.
 487  * @len: length of @str, in bytes, or -1 if @str is nul-terminated.
 488  * @mode: the type of normalization to perform.
 489  *
 490  * Converts a string into canonical form, standardizing
 491  * such issues as whether a character with an accent
 492  * is represented as a base character and combining
 493  * accent or as a single precomposed character. The
 494  * string has to be valid UTF-8, otherwise %NULL is
 495  * returned. You should generally call g_utf8_normalize()
 496  * before comparing two Unicode strings.
 497  *
 498  * The normalization mode %G_NORMALIZE_DEFAULT only
 499  * standardizes differences that do not affect the
 500  * text content, such as the above-mentioned accent
 501  * representation. %G_NORMALIZE_ALL also standardizes
 502  * the "compatibility" characters in Unicode, such
 503  * as SUPERSCRIPT THREE to the standard forms
 504  * (in this case DIGIT THREE). Formatting information
 505  * may be lost but for most text operations such
 506  * characters should be considered the same.
 507  *
 508  * %G_NORMALIZE_DEFAULT_COMPOSE and %G_NORMALIZE_ALL_COMPOSE
 509  * are like %G_NORMALIZE_DEFAULT and %G_NORMALIZE_ALL,
 510  * but returned a result with composed forms rather
 511  * than a maximally decomposed form. This is often
 512  * useful if you intend to convert the string to
 513  * a legacy encoding or pass it to a system with
 514  * less capable Unicode handling.
 515  *
 516  * Return value: a newly allocated string, that is the
 517  *   normalized form of @str, or %NULL if @str is not
 518  *   valid UTF-8.
 519  **/
 520 gchar *
 521 g_utf8_normalize (const gchar    *str,
 522                   gssize          len,
 523                   GNormalizeMode  mode)
 524 {
 525   gunichar *result_wc = _g_utf8_normalize_wc (str, len, mode);
 526   gchar *result;
 527
 528   result = g_ucs4_to_utf8 (result_wc, -1, NULL, NULL, NULL);
 529   g_free (result_wc);
 530
 531   return result;
 532 }