src/utf8.c

   1 /*
   2  * Copyright © 2012 Intel Corporation
   3  * Copyright © 2014 Ran Benita <ran234@gmail.com>
   4  *
   5  * Permission is hereby granted, free of charge, to any person obtaining a
   6  * copy of this software and associated documentation files (the "Software"),
   7  * to deal in the Software without restriction, including without limitation
   8  * the rights to use, copy, modify, merge, publish, distribute, sublicense,
   9  * and/or sell copies of the Software, and to permit persons to whom the
  10  * Software is furnished to do so, subject to the following conditions:
  11  *
  12  * The above copyright notice and this permission notice (including the next
  13  * paragraph) shall be included in all copies or substantial portions of the
  14  * Software.
  15  *
  16  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
  17  * IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
  18  * FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT.  IN NO EVENT SHALL
  19  * THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
  20  * LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING
  21  * FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER
  22  * DEALINGS IN THE SOFTWARE.
  23  *
  24  * Author: Rob Bradford <rob@linux.intel.com>
  25  */
  26
  27 #include <stddef.h>
  28 #include <stdbool.h>
  29 #include <inttypes.h>
  30
  31 #include "utf8.h"
  32
  33 int
  34 utf32_to_utf8(uint32_t unichar, char *buffer)
  35 {
  36     int count, shift, length;
  37     uint8_t head;
  38
  39     if (unichar <= 0x007f) {
  40         buffer[0] = unichar;
  41         buffer[1] = '\0';
  42         return 2;
  43     }
  44     else if (unichar <= 0x07FF) {
  45         length = 2;
  46         head = 0xc0;
  47     }
  48     else if (unichar <= 0xffff) {
  49         length = 3;
  50         head = 0xe0;
  51     }
  52     else if (unichar <= 0x10ffff) {
  53         length = 4;
  54         head = 0xf0;
  55     }
  56     else {
  57         buffer[0] = '\0';
  58         return 0;
  59     }
  60
  61     for (count = length - 1, shift = 0; count > 0; count--, shift += 6)
  62         buffer[count] = 0x80 | ((unichar >> shift) & 0x3f);
  63
  64     buffer[0] = head | ((unichar >> shift) & 0x3f);
  65     buffer[length] = '\0';
  66
  67     return length + 1;
  68 }
  69
  70 bool
  71 is_valid_utf8(const char *ss, size_t len)
  72 {
  73     size_t i = 0;
  74     size_t tail_bytes = 0;
  75     const uint8_t *s = (const uint8_t *) ss;
  76
  77     /* This beauty is from:
  78      *  The Unicode Standard Version 6.2 - Core Specification, Table 3.7
  79      *  https://www.unicode.org/versions/Unicode6.2.0/ch03.pdf#G7404
  80      * We can optimize if needed. */
  81     while (i < len)
  82     {
  83         if (s[i] <= 0x7F) {
  84             tail_bytes = 0;
  85         }
  86         else if (s[i] >= 0xC2 && s[i] <= 0xDF) {
  87             tail_bytes = 1;
  88         }
  89         else if (s[i] == 0xE0) {
  90             i++;
  91             if (i >= len || !(s[i] >= 0xA0 && s[i] <= 0xBF))
  92                 return false;
  93             tail_bytes = 1;
  94         }
  95         else if (s[i] >= 0xE1 && s[i] <= 0xEC) {
  96             tail_bytes = 2;
  97         }
  98         else if (s[i] == 0xED) {
  99             i++;
 100             if (i >= len || !(s[i] >= 0x80 && s[i] <= 0x9F))
 101                 return false;
 102             tail_bytes = 1;
 103         }
 104         else if (s[i] >= 0xEE && s[i] <= 0xEF) {
 105             tail_bytes = 2;
 106         }
 107         else if (s[i] == 0xF0) {
 108             i++;
 109             if (i >= len || !(s[i] >= 0x90 && s[i] <= 0xBF))
 110                 return false;
 111             tail_bytes = 2;
 112         }
 113         else if (s[i] >= 0xF1 && s[i] <= 0xF3) {
 114             tail_bytes = 3;
 115         }
 116         else if (s[i] == 0xF4) {
 117             i++;
 118             if (i >= len || !(s[i] >= 0x80 && s[i] <= 0x8F))
 119                 return false;
 120             tail_bytes = 2;
 121         }
 122         else {
 123             return false;
 124         }
 125
 126         i++;
 127
 128         while (i < len && tail_bytes > 0 && s[i] >= 0x80 && s[i] <= 0xBF) {
 129             i++;
 130             tail_bytes--;
 131         }
 132
 133         if (tail_bytes != 0)
 134             return false;
 135     }
 136
 137     return true;
 138 }