Branch data Line data Source code
1 : : /*
2 : : ** $Id: lutf8lib.c $
3 : : ** Standard library for UTF-8 manipulation
4 : : ** See Copyright Notice in lua.h
5 : : */
6 : :
7 : : #define lutf8lib_c
8 : : #define LUA_LIB
9 : :
10 : : #include "lprefix.h"
11 : :
12 : :
13 : : #include <assert.h>
14 : : #include <limits.h>
15 : : #include <stdlib.h>
16 : : #include <string.h>
17 : :
18 : : #include "lua.h"
19 : :
20 : : #include "lauxlib.h"
21 : : #include "lualib.h"
22 : :
23 : :
24 : : #define MAXUNICODE 0x10FFFFu
25 : :
26 : : #define MAXUTF 0x7FFFFFFFu
27 : :
28 : : /*
29 : : ** Integer type for decoded UTF-8 values; MAXUTF needs 31 bits.
30 : : */
31 : : #if (UINT_MAX >> 30) >= 1
32 : : typedef unsigned int utfint;
33 : : #else
34 : : typedef unsigned long utfint;
35 : : #endif
36 : :
37 : :
38 : : #define iscont(p) ((*(p) & 0xC0) == 0x80)
39 : :
40 : :
41 : : /* from strlib */
42 : : /* translate a relative string position: negative means back from end */
43 : 0 : static lua_Integer u_posrelat (lua_Integer pos, size_t len) {
44 [ # # ]: 0 : if (pos >= 0) return pos;
45 [ # # ]: 0 : else if (0u - (size_t)pos > len) return 0;
46 : 0 : else return (lua_Integer)len + pos + 1;
47 : 0 : }
48 : :
49 : :
50 : : /*
51 : : ** Decode one UTF-8 sequence, returning NULL if byte sequence is
52 : : ** invalid. The array 'limits' stores the minimum value for each
53 : : ** sequence length, to check for overlong representations. Its first
54 : : ** entry forces an error for non-ascii bytes with no continuation
55 : : ** bytes (count == 0).
56 : : */
57 : 0 : static const char *utf8_decode (const char *s, utfint *val, int strict) {
58 : : static const utfint limits[] =
59 : : {~(utfint)0, 0x80, 0x800, 0x10000u, 0x200000u, 0x4000000u};
60 : 0 : unsigned int c = (unsigned char)s[0];
61 : 0 : utfint res = 0; /* final result */
62 [ # # ]: 0 : if (c < 0x80) /* ascii? */
63 : 0 : res = c;
64 : : else {
65 : 0 : int count = 0; /* to count number of continuation bytes */
66 [ # # ]: 0 : for (; c & 0x40; c <<= 1) { /* while it needs continuation bytes... */
67 : 0 : unsigned int cc = (unsigned char)s[++count]; /* read next byte */
68 [ # # ]: 0 : if ((cc & 0xC0) != 0x80) /* not a continuation byte? */
69 : 0 : return NULL; /* invalid byte sequence */
70 : 0 : res = (res << 6) | (cc & 0x3F); /* add lower 6 bits from cont. byte */
71 : 0 : }
72 : 0 : res |= ((utfint)(c & 0x7F) << (count * 5)); /* add first byte */
73 [ # # # # : 0 : if (count > 5 || res > MAXUTF || res < limits[count])
# # ]
74 : 0 : return NULL; /* invalid byte sequence */
75 : 0 : s += count; /* skip continuation bytes read */
76 : : }
77 [ # # ]: 0 : if (strict) {
78 : : /* check for invalid code points; too large or surrogates */
79 [ # # # # : 0 : if (res > MAXUNICODE || (0xD800u <= res && res <= 0xDFFFu))
# # ]
80 : 0 : return NULL;
81 : 0 : }
82 [ # # ]: 0 : if (val) *val = res;
83 : 0 : return s + 1; /* +1 to include first byte */
84 : 0 : }
85 : :
86 : :
87 : : /*
88 : : ** utf8len(s [, i [, j [, lax]]]) --> number of characters that
89 : : ** start in the range [i,j], or nil + current position if 's' is not
90 : : ** well formed in that interval
91 : : */
92 : 0 : static int utflen (lua_State *L) {
93 : 0 : lua_Integer n = 0; /* counter for the number of characters */
94 : : size_t len; /* string length in bytes */
95 : 0 : const char *s = luaL_checklstring(L, 1, &len);
96 : 0 : lua_Integer posi = u_posrelat(luaL_optinteger(L, 2, 1), len);
97 : 0 : lua_Integer posj = u_posrelat(luaL_optinteger(L, 3, -1), len);
98 : 0 : int lax = lua_toboolean(L, 4);
99 [ # # # # ]: 0 : luaL_argcheck(L, 1 <= posi && --posi <= (lua_Integer)len, 2,
100 : : "initial position out of bounds");
101 [ # # ]: 0 : luaL_argcheck(L, --posj < (lua_Integer)len, 3,
102 : : "final position out of bounds");
103 [ # # ]: 0 : while (posi <= posj) {
104 : 0 : const char *s1 = utf8_decode(s + posi, NULL, !lax);
105 [ # # ]: 0 : if (s1 == NULL) { /* conversion error? */
106 : 0 : luaL_pushfail(L); /* return fail ... */
107 : 0 : lua_pushinteger(L, posi + 1); /* ... and current position */
108 : 0 : return 2;
109 : : }
110 : 0 : posi = s1 - s;
111 : 0 : n++;
112 : : }
113 : 0 : lua_pushinteger(L, n);
114 : 0 : return 1;
115 : 0 : }
116 : :
117 : :
118 : : /*
119 : : ** codepoint(s, [i, [j [, lax]]]) -> returns codepoints for all
120 : : ** characters that start in the range [i,j]
121 : : */
122 : 0 : static int codepoint (lua_State *L) {
123 : : size_t len;
124 : 0 : const char *s = luaL_checklstring(L, 1, &len);
125 : 0 : lua_Integer posi = u_posrelat(luaL_optinteger(L, 2, 1), len);
126 : 0 : lua_Integer pose = u_posrelat(luaL_optinteger(L, 3, posi), len);
127 : 0 : int lax = lua_toboolean(L, 4);
128 : : int n;
129 : : const char *se;
130 [ # # ]: 0 : luaL_argcheck(L, posi >= 1, 2, "out of bounds");
131 [ # # ]: 0 : luaL_argcheck(L, pose <= (lua_Integer)len, 3, "out of bounds");
132 [ # # ]: 0 : if (posi > pose) return 0; /* empty interval; return no values */
133 [ # # ]: 0 : if (pose - posi >= INT_MAX) /* (lua_Integer -> int) overflow? */
134 : 0 : return luaL_error(L, "string slice too long");
135 : 0 : n = (int)(pose - posi) + 1; /* upper bound for number of returns */
136 : 0 : luaL_checkstack(L, n, "string slice too long");
137 : 0 : n = 0; /* count the number of returns */
138 : 0 : se = s + pose; /* string end */
139 [ # # ]: 0 : for (s += posi - 1; s < se;) {
140 : : utfint code;
141 : 0 : s = utf8_decode(s, &code, !lax);
142 [ # # ]: 0 : if (s == NULL)
143 : 0 : return luaL_error(L, "invalid UTF-8 code");
144 : 0 : lua_pushinteger(L, code);
145 : 0 : n++;
146 : : }
147 : 0 : return n;
148 : 0 : }
149 : :
150 : :
151 : 0 : static void pushutfchar (lua_State *L, int arg) {
152 : 0 : lua_Unsigned code = (lua_Unsigned)luaL_checkinteger(L, arg);
153 [ # # ]: 0 : luaL_argcheck(L, code <= MAXUTF, arg, "value out of range");
154 : 0 : lua_pushfstring(L, "%U", (long)code);
155 : 0 : }
156 : :
157 : :
158 : : /*
159 : : ** utfchar(n1, n2, ...) -> char(n1)..char(n2)...
160 : : */
161 : 0 : static int utfchar (lua_State *L) {
162 : 0 : int n = lua_gettop(L); /* number of arguments */
163 [ # # ]: 0 : if (n == 1) /* optimize common case of single char */
164 : 0 : pushutfchar(L, 1);
165 : : else {
166 : : int i;
167 : : luaL_Buffer b;
168 : 0 : luaL_buffinit(L, &b);
169 [ # # ]: 0 : for (i = 1; i <= n; i++) {
170 : 0 : pushutfchar(L, i);
171 : 0 : luaL_addvalue(&b);
172 : 0 : }
173 : 0 : luaL_pushresult(&b);
174 : : }
175 : 0 : return 1;
176 : : }
177 : :
178 : :
179 : : /*
180 : : ** offset(s, n, [i]) -> index where n-th character counting from
181 : : ** position 'i' starts; 0 means character at 'i'.
182 : : */
183 : 0 : static int byteoffset (lua_State *L) {
184 : : size_t len;
185 : 0 : const char *s = luaL_checklstring(L, 1, &len);
186 : 0 : lua_Integer n = luaL_checkinteger(L, 2);
187 [ # # ]: 0 : lua_Integer posi = (n >= 0) ? 1 : len + 1;
188 : 0 : posi = u_posrelat(luaL_optinteger(L, 3, posi), len);
189 [ # # # # ]: 0 : luaL_argcheck(L, 1 <= posi && --posi <= (lua_Integer)len, 3,
190 : : "position out of bounds");
191 [ # # ]: 0 : if (n == 0) {
192 : : /* find beginning of current byte sequence */
193 [ # # # # ]: 0 : while (posi > 0 && iscont(s + posi)) posi--;
194 : 0 : }
195 : : else {
196 [ # # ]: 0 : if (iscont(s + posi))
197 : 0 : return luaL_error(L, "initial position is a continuation byte");
198 [ # # ]: 0 : if (n < 0) {
199 [ # # # # ]: 0 : while (n < 0 && posi > 0) { /* move back */
200 : 0 : do { /* find beginning of previous character */
201 : 0 : posi--;
202 [ # # # # ]: 0 : } while (posi > 0 && iscont(s + posi));
203 : 0 : n++;
204 : : }
205 : 0 : }
206 : : else {
207 : 0 : n--; /* do not move for 1st character */
208 [ # # # # ]: 0 : while (n > 0 && posi < (lua_Integer)len) {
209 : 0 : do { /* find beginning of next character */
210 : 0 : posi++;
211 [ # # ]: 0 : } while (iscont(s + posi)); /* (cannot pass final '\0') */
212 : 0 : n--;
213 : : }
214 : : }
215 : : }
216 [ # # ]: 0 : if (n == 0) /* did it find given character? */
217 : 0 : lua_pushinteger(L, posi + 1);
218 : : else /* no such character */
219 : 0 : luaL_pushfail(L);
220 : 0 : return 1;
221 : 0 : }
222 : :
223 : :
224 : 0 : static int iter_aux (lua_State *L, int strict) {
225 : : size_t len;
226 : 0 : const char *s = luaL_checklstring(L, 1, &len);
227 : 0 : lua_Integer n = lua_tointeger(L, 2) - 1;
228 [ # # ]: 0 : if (n < 0) /* first iteration? */
229 : 0 : n = 0; /* start from here */
230 [ # # ]: 0 : else if (n < (lua_Integer)len) {
231 : 0 : n++; /* skip current byte */
232 [ # # ]: 0 : while (iscont(s + n)) n++; /* and its continuations */
233 : 0 : }
234 [ # # ]: 0 : if (n >= (lua_Integer)len)
235 : 0 : return 0; /* no more codepoints */
236 : : else {
237 : : utfint code;
238 : 0 : const char *next = utf8_decode(s + n, &code, strict);
239 [ # # ]: 0 : if (next == NULL)
240 : 0 : return luaL_error(L, "invalid UTF-8 code");
241 : 0 : lua_pushinteger(L, n + 1);
242 : 0 : lua_pushinteger(L, code);
243 : 0 : return 2;
244 : : }
245 : 0 : }
246 : :
247 : :
248 : 0 : static int iter_auxstrict (lua_State *L) {
249 : 0 : return iter_aux(L, 1);
250 : : }
251 : :
252 : 0 : static int iter_auxlax (lua_State *L) {
253 : 0 : return iter_aux(L, 0);
254 : : }
255 : :
256 : :
257 : 0 : static int iter_codes (lua_State *L) {
258 : 0 : int lax = lua_toboolean(L, 2);
259 : 0 : luaL_checkstring(L, 1);
260 : 0 : lua_pushcfunction(L, lax ? iter_auxlax : iter_auxstrict);
261 : 0 : lua_pushvalue(L, 1);
262 : 0 : lua_pushinteger(L, 0);
263 : 0 : return 3;
264 : : }
265 : :
266 : :
267 : : /* pattern to match a single UTF-8 character */
268 : : #define UTF8PATT "[\0-\x7F\xC2-\xFD][\x80-\xBF]*"
269 : :
270 : :
271 : : static const luaL_Reg funcs[] = {
272 : : {"offset", byteoffset},
273 : : {"codepoint", codepoint},
274 : : {"char", utfchar},
275 : : {"len", utflen},
276 : : {"codes", iter_codes},
277 : : /* placeholders */
278 : : {"charpattern", NULL},
279 : : {NULL, NULL}
280 : : };
281 : :
282 : :
283 : 810 : LUAMOD_API int luaopen_utf8 (lua_State *L) {
284 : 810 : luaL_newlib(L, funcs);
285 : 810 : lua_pushlstring(L, UTF8PATT, sizeof(UTF8PATT)/sizeof(char) - 1);
286 : 810 : lua_setfield(L, -2, "charpattern");
287 : 810 : return 1;
288 : : }
289 : :
|
