git.sesse.net Git - vlc/blob - src/text/charset.c

   1 /*****************************************************************************
   2  * charset.c: Locale's character encoding stuff.
   3  *****************************************************************************
   4  * See also unicode.c for Unicode to locale conversion helpers.
   5  *
   6  * Copyright (C) 2003-2006 the VideoLAN team
   7  * $Id$
   8  *
   9  * Authors: Derk-Jan Hartman <thedj at users.sf.net>
  10  *          Christophe Massiot
  11  *          Rémi Denis-Courmont
  12  *
  13  * vlc_current_charset() an adaption of mp_locale_charset():
  14  *
  15  *  Copyright (C) 2001-2003 The Mape Project
  16  *  Written by Karel Zak  <zakkr@zf.jcu.cz>.
  17  *
  18  * which itself is an adaptation of locale_charset():
  19  *
  20  *  Copyright (C) 2000-2002 Free Software Foundation, Inc.
  21  *  Written by Bruno Haible <bruno@clisp.org>.
  22  *
  23  * This program is free software; you can redistribute it and/or modify
  24  * it under the terms of the GNU General Public License as published by
  25  * the Free Software Foundation; either version 2 of the License, or
  26  * (at your option) any later version.
  27  *
  28  * This program is distributed in the hope that it will be useful,
  29  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  30  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  31  * GNU General Public License for more details.
  32  *
  33  * You should have received a copy of the GNU General Public License
  34  * along with this program; if not, write to the Free Software
  35  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston MA 02110-1301, USA.
  36  *****************************************************************************/
  37
  38 #ifdef HAVE_CONFIG_H
  39 # include "config.h"
  40 #endif
  41
  42 #include <vlc/vlc.h>
  43
  44 #if !defined WIN32
  45 # ifdef HAVE_LANGINFO_CODESET
  46 #  include <langinfo.h>
  47 # endif
  48 # include <locale.h>
  49 #else
  50 # include <windows.h>
  51 #endif
  52
  53 #ifdef __APPLE__
  54 #   include <errno.h>
  55 #   include <string.h>
  56 #endif
  57
  58 #include <vlc_charset.h>
  59
  60 typedef struct VLCCharsetAlias
  61 {
  62     char *psz_alias, *psz_name;
  63 } VLCCharsetAlias;
  64
  65 /*
  66  * The libcharset load all from external text file, but it's strange and
  67  * slow solution, we rather use array(s) compiled into source. In the
  68  * "good" libc this is not needful -- for example in linux.
  69  *
  70  * Please, put to this funtion exotic aliases only. The libc 'iconv' knows
  71  * a lot of basic aliases (check it first by iconv -l).
  72  *
  73  */
  74 #if (defined OS2 || !defined(HAVE_LANGINFO_CODESET)) && !defined WIN32
  75 static const char* vlc_encoding_from_language( const char *l )
  76 {
  77     /* check for language (and perhaps country) codes */
  78     if (strstr(l, "zh_TW")) return "Big5";
  79     if (strstr(l, "zh_HK")) return "Big5HKSCS";   /* no MIME charset */
  80     if (strstr(l, "zh")) return "GB2312";
  81     if (strstr(l, "th")) return "TIS-620";
  82     if (strstr(l, "ja")) return "EUC-JP";
  83     if (strstr(l, "ko")) return "EUC-KR";
  84     if (strstr(l, "ru")) return "KOI8-R";
  85     if (strstr(l, "uk")) return "KOI8-U";
  86     if (strstr(l, "pl") || strstr(l, "hr") ||
  87         strstr(l, "hu") || strstr(l, "cs") ||
  88         strstr(l, "sk") || strstr(l, "sl")) return "ISO-8859-2";
  89     if (strstr(l, "eo") || strstr(l, "mt")) return "ISO-8859-3";
  90     if (strstr(l, "lt") || strstr(l, "la")) return "ISO-8859-4";
  91     if (strstr(l, "bg") || strstr(l, "be") ||
  92         strstr(l, "mk") || strstr(l, "uk")) return "ISO-8859-5";
  93     if (strstr(l, "ar")) return "ISO-8859-6";
  94     if (strstr(l, "el")) return "ISO-8859-7";
  95     if (strstr(l, "he") || strstr(l, "iw")) return "ISO-8859-8";
  96     if (strstr(l, "tr")) return "ISO-8859-9";
  97     if (strstr(l, "th")) return "ISO-8859-11";
  98     if (strstr(l, "lv")) return "ISO-8859-13";
  99     if (strstr(l, "cy")) return "ISO-8859-14";
 100     if (strstr(l, "et")) return "ISO-8859-15"; /* all latin1 could be iso15 as well */
 101     if (strstr(l, "ro")) return "ISO-8859-2";   /* or ISO-8859-16 */
 102     if (strstr(l, "am") || strstr(l, "vi")) return "UTF-8";
 103     /* We don't know. This ain't working go to default. */
 104     return "ISO-8859-1";
 105 }
 106 #endif
 107
 108 static const char* vlc_charset_aliases( const char *psz_name )
 109 {
 110     VLCCharsetAlias     *a;
 111
 112 #if defined WIN32
 113     VLCCharsetAlias aliases[] =
 114     {
 115         { "CP936",      "GBK" },
 116         { "CP1361",     "JOHAB" },
 117         { "CP20127",    "ASCII" },
 118         { "CP20866",    "KOI8-R" },
 119         { "CP21866",    "KOI8-RU" },
 120         { "CP28591",    "ISO-8859-1" },
 121         { "CP28592",    "ISO-8859-2" },
 122         { "CP28593",    "ISO-8859-3" },
 123         { "CP28594",    "ISO-8859-4" },
 124         { "CP28595",    "ISO-8859-5" },
 125         { "CP28596",    "ISO-8859-6" },
 126         { "CP28597",    "ISO-8859-7" },
 127         { "CP28598",    "ISO-8859-8" },
 128         { "CP28599",    "ISO-8859-9" },
 129         { "CP28605",    "ISO-8859-15" },
 130         { NULL,         NULL }
 131     };
 132 #elif defined (SYS_AIX)
 133     VLCCharsetAlias aliases[] =
 134     {
 135         { "IBM-850",    "CP850" },
 136         { "IBM-856",    "CP856" },
 137         { "IBM-921",    "ISO-8859-13" },
 138         { "IBM-922",    "CP922" },
 139         { "IBM-932",    "CP932" },
 140         { "IBM-943",    "CP943" },
 141         { "IBM-1046",   "CP1046" },
 142         { "IBM-1124",   "CP1124" },
 143         { "IBM-1129",   "CP1129" },
 144         { "IBM-1252",   "CP1252" },
 145         { "IBM-EUCCN",  "GB2312" },
 146         { "IBM-EUCJP",  "EUC-JP" },
 147         { "IBM-EUCKR",  "EUC-KR" },
 148         { "IBM-EUCTW",  "EUC-TW" },
 149         { NULL, NULL }
 150     };
 151 #elif defined (SYS_HPUX)
 152     VLCCharsetAlias aliases[] =
 153     {
 154         { "ROMAN8",     "HP-ROMAN8" },
 155         { "ARABIC8",    "HP-ARABIC8" },
 156         { "GREEK8",     "HP-GREEK8" },
 157         { "HEBREW8",    "HP-HEBREW8" },
 158         { "TURKISH8",   "HP-TURKISH8" },
 159         { "KANA8",      "HP-KANA8" },
 160         { "HP15CN",     "GB2312" },
 161         { NULL, NULL }
 162     };
 163 #elif defined (SYS_IRIX)
 164     VLCCharsetAlias aliases[] =
 165     {
 166         { "EUCCN",      "GB2312" },
 167         { NULL, NULL }
 168     };
 169 #elif defined (SYS_OSF)
 170     VLCCharsetAlias aliases[] =
 171     {
 172         { "KSC5601",    "CP949" },
 173         { "SDECKANJI",  "EUC-JP" },
 174         { "TACTIS",     "TIS-620" },
 175         { NULL, NULL }
 176     };
 177 #elif defined (SYS_SOLARIS)
 178     VLCCharsetAlias aliases[] =
 179     {
 180         { "646", "ASCII" },
 181         { "CNS11643",   "EUC-TW" },
 182         { "5601",       "EUC-KR" },
 183         { "JOHAP92",    "JOHAB" },
 184         { "PCK", "SHIFT_JIS" },
 185         { "2533",       "TIS-620" },
 186         { NULL, NULL }
 187     };
 188 #elif defined (SYS_BSD)
 189     VLCCharsetAlias aliases[] =
 190     {
 191         { "646", " ASCII" },
 192         { "EUCCN", "GB2312" },
 193         { NULL, NULL }
 194     };
 195 #else
 196     VLCCharsetAlias aliases[] = {{NULL, NULL}};
 197 #endif
 198
 199     for (a = aliases; a->psz_alias; a++)
 200         if (strcasecmp (a->psz_alias, psz_name) == 0)
 201             return a->psz_name;
 202
 203     /* we return original name beacuse iconv() probably will know
 204      * something better about name if we don't know it :-) */
 205     return psz_name;
 206 }
 207
 208 /* Returns charset from "language_COUNTRY.charset@modifier" string */
 209 #if (defined OS2 || !defined(HAVE_LANGINFO_CODESET)) && !defined WIN32
 210 static void vlc_encoding_from_locale( char *psz_locale, char *psz_charset )
 211 {
 212     char *psz_dot = strchr( psz_locale, '.' );
 213
 214     if( psz_dot != NULL )
 215     {
 216         const char *psz_modifier;
 217
 218         psz_dot++;
 219
 220         /* Look for the possible @... trailer and remove it, if any.  */
 221         psz_modifier = strchr( psz_dot, '@' );
 222
 223         if( psz_modifier == NULL )
 224         {
 225             strcpy( psz_charset, psz_dot );
 226             return;
 227         }
 228         if( 0 < ( psz_modifier - psz_dot )
 229              && ( psz_modifier - psz_dot ) < 2 + 10 + 1 )
 230         {
 231             memcpy( psz_charset, psz_dot, psz_modifier - psz_dot );
 232             psz_charset[ psz_modifier - psz_dot ] = '\0';
 233             return;
 234         }
 235     }
 236     /* try language mapping */
 237     strcpy( psz_charset, vlc_encoding_from_language( psz_locale ) );
 238 }
 239 #endif
 240
 241 vlc_bool_t vlc_current_charset( char **psz_charset )
 242 {
 243     const char *psz_codeset;
 244
 245 #if !(defined WIN32 || defined OS2 || defined __APPLE__)
 246
 247 # ifdef HAVE_LANGINFO_CODESET
 248     /* Most systems support nl_langinfo( CODESET ) nowadays.  */
 249     psz_codeset = nl_langinfo( CODESET );
 250     if( !strcmp( psz_codeset, "ANSI_X3.4-1968" ) )
 251         psz_codeset = "ASCII";
 252 # else
 253     /* On old systems which lack it, use setlocale or getenv.  */
 254     const char *psz_locale = NULL;
 255     char buf[2 + 10 + 1];
 256
 257     /* But most old systems don't have a complete set of locales.  Some
 258      * (like SunOS 4 or DJGPP) have only the C locale.  Therefore we don't
 259      * use setlocale here; it would return "C" when it doesn't support the
 260      * locale name the user has set. Darwin's setlocale is broken. */
 261 #  if defined (HAVE_SETLOCALE) && !defined (__APPLE__)
 262     psz_locale = setlocale( LC_ALL, NULL );
 263 #  endif
 264     if( psz_locale == NULL || psz_locale[0] == '\0' )
 265     {
 266         psz_locale = getenv( "LC_ALL" );
 267         if( psz_locale == NULL || psz_locale[0] == '\0' )
 268         {
 269             psz_locale = getenv( "LC_CTYPE" );
 270             if( psz_locale == NULL || psz_locale[0] == '\0')
 271                 psz_locale = getenv( "LANG" );
 272         }
 273     }
 274
 275     /* On some old systems, one used to set locale = "iso8859_1". On others,
 276      * you set it to "language_COUNTRY.charset". Darwin only has LANG :( */
 277     vlc_encoding_from_locale( (char *)psz_locale, buf );
 278     psz_codeset =  buf;
 279 # endif /* HAVE_LANGINFO_CODESET */
 280
 281 #elif defined __APPLE__
 282
 283     /* Darwin is always using UTF-8 internally. */
 284     psz_codeset = "UTF-8";
 285
 286 #elif defined WIN32
 287
 288     char buf[2 + 10 + 1];
 289
 290     /* Woe32 has a function returning the locale's codepage as a number.  */
 291     snprintf( buf, sizeof( buf ), "CP%u", GetACP() );
 292     psz_codeset = buf;
 293
 294 #elif defined OS2
 295
 296     const char *psz_locale;
 297     char buf[2 + 10 + 1];
 298     ULONG cp[3];
 299     ULONG cplen;
 300
 301     /* Allow user to override the codeset, as set in the operating system,
 302      * with standard language environment variables. */
 303     psz_locale = getenv( "LC_ALL" );
 304     if( psz_locale == NULL || psz_locale[0] == '\0' )
 305     {
 306         psz+locale = getenv( "LC_CTYPE" );
 307         if( psz_locale == NULL || locale[0] == '\0' )
 308             locale = getenv( "LANG" );
 309     }
 310     if( psz_locale != NULL && psz_locale[0] != '\0' )
 311         vlc_encoding_from_locale( psz_locale, buf );
 312         psz_codeset = buf;
 313     else
 314     {
 315         /* OS/2 has a function returning the locale's codepage as a number. */
 316         if( DosQueryCp( sizeof( cp ), cp, &cplen ) )
 317             psz_codeset = "";
 318         else
 319         {
 320             snprintf( buf, sizeof( buf ), "CP%u", cp[0] );
 321             psz_codeset = buf;
 322         }
 323     }
 324 #endif
 325     if( psz_codeset == NULL )
 326         /* The canonical name cannot be determined. */
 327         psz_codeset = "";
 328     else
 329         psz_codeset = vlc_charset_aliases( psz_codeset );
 330
 331     /* Don't return an empty string.  GNU libc and GNU libiconv interpret
 332      * the empty string as denoting "the locale's character encoding",
 333      * thus GNU libiconv would call this function a second time. */
 334     if( psz_codeset[0] == '\0' )
 335     {
 336         /* Last possibility is 'CHARSET' enviroment variable */
 337         if( !( psz_codeset = getenv( "CHARSET" ) ) )
 338             psz_codeset = "ISO-8859-1";
 339     }
 340
 341     if( psz_charset )
 342         *psz_charset = strdup(psz_codeset);
 343
 344     if( !strcasecmp(psz_codeset, "UTF8") || !strcasecmp(psz_codeset, "UTF-8") )
 345         return VLC_TRUE;
 346
 347     return VLC_FALSE;
 348 }
 349
 350
 351 char *vlc_fix_readdir( const char *psz_string )
 352 {
 353 #ifdef __APPLE__
 354     vlc_iconv_t hd = vlc_iconv_open( "UTF-8", "UTF-8-MAC" );
 355
 356     if (hd != (vlc_iconv_t)(-1))
 357     {
 358         const char *psz_in = psz_string;
 359         size_t i_in = strlen(psz_in);
 360         size_t i_out = i_in * 2;
 361         char *psz_utf8 = malloc(i_out + 1);
 362         char *psz_out = psz_utf8;
 363
 364         size_t i_ret = vlc_iconv (hd, &psz_in, &i_in, &psz_out, &i_out);
 365         vlc_iconv_close (hd);
 366         if( i_ret == (size_t)(-1) || i_in )
 367         {
 368             free( psz_utf8 );
 369             return strdup( psz_string );
 370         }
 371
 372         *psz_out = '\0';
 373         return psz_utf8;
 374     }
 375 #endif
 376     return strdup( psz_string );
 377 }
 378
 379
 380 /**
 381  * There are two decimal separators in the computer world-wide locales:
 382  * dot (which is the american default), and comma (which is used in France,
 383  * the country with the most VLC developers, among others).
 384  *
 385  * i18n_strtod() has the same prototype as ANSI C strtod() but it accepts
 386  * either decimal separator when deserializing the string to a float number,
 387  * independant of the local computer setting.
 388  */
 389 double i18n_strtod( const char *str, char **end )
 390 {
 391     char *end_buf, e;
 392     double d;
 393
 394     if( end == NULL )
 395         end = &end_buf;
 396     d = strtod( str, end );
 397
 398     e = **end;
 399     if(( e == ',' ) || ( e == '.' ))
 400     {
 401         char dup[strlen( str ) + 1];
 402         strcpy( dup, str );
 403
 404         if( dup == NULL )
 405             return d;
 406
 407         dup[*end - str] = ( e == ',' ) ? '.' : ',';
 408         d = strtod( dup, end );
 409     }
 410     return d;
 411 }
 412
 413 /**
 414  * i18n_atof() has the same prototype as ANSI C atof() but it accepts
 415  * either decimal separator when deserializing the string to a float number,
 416  * independant of the local computer setting.
 417  */
 418 double i18n_atof( const char *str )
 419 {
 420     return i18n_strtod( str, NULL );
 421 }
 422
 423
 424 /**
 425  * us_strtod() has the same prototype as ANSI C strtod() but it expects
 426  * a dot as decimal separator regardless of the system locale.
 427  */
 428 double us_strtod( const char *str, char **end )
 429 {
 430     char dup[strlen( str ) + 1], *ptr;
 431     double d;
 432     strcpy( dup, str );
 433
 434     ptr = strchr( dup, ',' );
 435     if( ptr != NULL )
 436         *ptr = '\0';
 437
 438     d = strtod( dup, &ptr );
 439     if( end != NULL )
 440         *end = (char *)&str[ptr - dup];
 441
 442     return d;
 443 }
 444
 445 /**
 446  * us_atof() has the same prototype as ANSI C atof() but it expects a dot
 447  * as decimal separator, regardless of the system locale.
 448  */
 449 double us_atof( const char *str )
 450 {
 451     return us_strtod( str, NULL );
 452 }
 453