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 <= 0x1fffff) {
  53         length = 4;
  54         head = 0xf0;
  55     }
  56     else if (unichar <= 0x3ffffff) {
  57         length = 5;
  58         head = 0xf8;
  59     }
  60     else {
  61         length = 6;
  62         head = 0xfc;
  63     }
  64
  65     for (count = length - 1, shift = 0; count > 0; count--, shift += 6)
  66         buffer[count] = 0x80 | ((unichar >> shift) & 0x3f);
  67
  68     buffer[0] = head | ((unichar >> shift) & 0x3f);
  69     buffer[length] = '\0';
  70
  71     return length + 1;
  72 }
  73
  74 bool
  75 is_valid_utf8(const char *ss, size_t len)
  76 {
  77     size_t i = 0;
  78     size_t tail_bytes = 0;
  79     const uint8_t *s = (const uint8_t *) ss;
  80
  81     /* This beauty is from:
  82      *  The Unicode Standard Version 6.2 - Core Specification, Table 3.7
  83      *  https://www.unicode.org/versions/Unicode6.2.0/ch03.pdf#G7404
  84      * We can optimize if needed. */
  85     while (i < len)
  86     {
  87         if (s[i] <= 0x7F) {
  88             tail_bytes = 0;
  89         }
  90         else if (s[i] >= 0xC2 && s[i] <= 0xDF) {
  91             tail_bytes = 1;
  92         }
  93         else if (s[i] == 0xE0) {
  94             i++;
  95             if (i >= len || !(s[i] >= 0xA0 && s[i] <= 0xBF))
  96                 return false;
  97             tail_bytes = 1;
  98         }
  99         else if (s[i] >= 0xE1 && s[i] <= 0xEC) {
 100             tail_bytes = 2;
 101         }
 102         else if (s[i] == 0xED) {
 103             i++;
 104             if (i >= len || !(s[i] >= 0x80 && s[i] <= 0x9F))
 105                 return false;
 106             tail_bytes = 1;
 107         }
 108         else if (s[i] >= 0xEE && s[i] <= 0xEF) {
 109             tail_bytes = 2;
 110         }
 111         else if (s[i] == 0xF0) {
 112             i++;
 113             if (i >= len || !(s[i] >= 0x90 && s[i] <= 0xBF))
 114                 return false;
 115             tail_bytes = 2;
 116         }
 117         else if (s[i] >= 0xF1 && s[i] <= 0xF3) {
 118             tail_bytes = 3;
 119         }
 120         else if (s[i] == 0xF4) {
 121             i++;
 122             if (i >= len || !(s[i] >= 0x80 && s[i] <= 0x8F))
 123                 return false;
 124             tail_bytes = 2;
 125         }
 126         else {
 127             return false;
 128         }
 129
 130         i++;
 131
 132         while (i < len && tail_bytes > 0 && s[i] >= 0x80 && s[i] <= 0xBF) {
 133             i++;
 134             tail_bytes--;
 135         }
 136
 137         if (tail_bytes != 0)
 138             return false;
 139     }
 140
 141     return true;
 142 }