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 "config.h"
  28
  29 #include <stddef.h>
  30 #include <stdbool.h>
  31 #include <inttypes.h>
  32
  33 #include "utf8.h"
  34
  35 int
  36 utf32_to_utf8(uint32_t unichar, char *buffer)
  37 {
  38     int count, shift, length;
  39     uint8_t head;
  40
  41     if (unichar <= 0x007f) {
  42         buffer[0] = unichar;
  43         buffer[1] = '\0';
  44         return 2;
  45     }
  46     else if (unichar <= 0x07FF) {
  47         length = 2;
  48         head = 0xc0;
  49     }
  50     else if (unichar <= 0xffff) {
  51         length = 3;
  52         head = 0xe0;
  53     }
  54     else if (unichar <= 0x10ffff) {
  55         length = 4;
  56         head = 0xf0;
  57     }
  58     else {
  59         buffer[0] = '\0';
  60         return 0;
  61     }
  62
  63     for (count = length - 1, shift = 0; count > 0; count--, shift += 6)
  64         buffer[count] = 0x80 | ((unichar >> shift) & 0x3f);
  65
  66     buffer[0] = head | ((unichar >> shift) & 0x3f);
  67     buffer[length] = '\0';
  68
  69     return length + 1;
  70 }
  71
  72 bool
  73 is_valid_utf8(const char *ss, size_t len)
  74 {
  75     size_t i = 0;
  76     size_t tail_bytes = 0;
  77     const uint8_t *s = (const uint8_t *) ss;
  78
  79     /* This beauty is from:
  80      *  The Unicode Standard Version 6.2 - Core Specification, Table 3.7
  81      *  https://www.unicode.org/versions/Unicode6.2.0/ch03.pdf#G7404
  82      * We can optimize if needed. */
  83     while (i < len)
  84     {
  85         if (s[i] <= 0x7F) {
  86             tail_bytes = 0;
  87         }
  88         else if (s[i] >= 0xC2 && s[i] <= 0xDF) {
  89             tail_bytes = 1;
  90         }
  91         else if (s[i] == 0xE0) {
  92             i++;
  93             if (i >= len || !(s[i] >= 0xA0 && s[i] <= 0xBF))
  94                 return false;
  95             tail_bytes = 1;
  96         }
  97         else if (s[i] >= 0xE1 && s[i] <= 0xEC) {
  98             tail_bytes = 2;
  99         }
 100         else if (s[i] == 0xED) {
 101             i++;
 102             if (i >= len || !(s[i] >= 0x80 && s[i] <= 0x9F))
 103                 return false;
 104             tail_bytes = 1;
 105         }
 106         else if (s[i] >= 0xEE && s[i] <= 0xEF) {
 107             tail_bytes = 2;
 108         }
 109         else if (s[i] == 0xF0) {
 110             i++;
 111             if (i >= len || !(s[i] >= 0x90 && s[i] <= 0xBF))
 112                 return false;
 113             tail_bytes = 2;
 114         }
 115         else if (s[i] >= 0xF1 && s[i] <= 0xF3) {
 116             tail_bytes = 3;
 117         }
 118         else if (s[i] == 0xF4) {
 119             i++;
 120             if (i >= len || !(s[i] >= 0x80 && s[i] <= 0x8F))
 121                 return false;
 122             tail_bytes = 2;
 123         }
 124         else {
 125             return false;
 126         }
 127
 128         i++;
 129
 130         while (i < len && tail_bytes > 0 && s[i] >= 0x80 && s[i] <= 0xBF) {
 131             i++;
 132             tail_bytes--;
 133         }
 134
 135         if (tail_bytes != 0)
 136             return false;
 137     }
 138
 139     return true;
 140 }