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_common.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 #   include <xlocale.h>
  57 #endif
  58
  59 #include "libvlc.h"
  60 #include <vlc_charset.h>
  61
  62 typedef struct VLCCharsetAlias
  63 {
  64     char *psz_alias, *psz_name;
  65 } VLCCharsetAlias;
  66
  67 /*
  68  * The libcharset load all from external text file, but it's strange and
  69  * slow solution, we rather use array(s) compiled into source. In the
  70  * "good" libc this is not needful -- for example in linux.
  71  *
  72  * Please, put to this funtion exotic aliases only. The libc 'iconv' knows
  73  * a lot of basic aliases (check it first by iconv -l).
  74  *
  75  */
  76 #if (defined OS2 || !defined(HAVE_LANGINFO_CODESET)) && !defined WIN32
  77 static const char* vlc_encoding_from_language( const char *l )
  78 {
  79     /* check for language (and perhaps country) codes */
  80     if (strstr(l, "zh_TW")) return "Big5";
  81     if (strstr(l, "zh_HK")) return "Big5HKSCS";   /* no MIME charset */
  82     if (strstr(l, "zh")) return "GB2312";
  83     if (strstr(l, "th")) return "TIS-620";
  84     if (strstr(l, "ja")) return "EUC-JP";
  85     if (strstr(l, "ko")) return "EUC-KR";
  86     if (strstr(l, "ru")) return "KOI8-R";
  87     if (strstr(l, "uk")) return "KOI8-U";
  88     if (strstr(l, "pl") || strstr(l, "hr") ||
  89         strstr(l, "hu") || strstr(l, "cs") ||
  90         strstr(l, "sk") || strstr(l, "sl")) return "ISO-8859-2";
  91     if (strstr(l, "eo") || strstr(l, "mt")) return "ISO-8859-3";
  92     if (strstr(l, "lt") || strstr(l, "la")) return "ISO-8859-4";
  93     if (strstr(l, "bg") || strstr(l, "be") ||
  94         strstr(l, "mk") || strstr(l, "uk")) return "ISO-8859-5";
  95     if (strstr(l, "ar")) return "ISO-8859-6";
  96     if (strstr(l, "el")) return "ISO-8859-7";
  97     if (strstr(l, "he") || strstr(l, "iw")) return "ISO-8859-8";
  98     if (strstr(l, "tr")) return "ISO-8859-9";
  99     if (strstr(l, "th")) return "ISO-8859-11";
 100     if (strstr(l, "lv")) return "ISO-8859-13";
 101     if (strstr(l, "cy")) return "ISO-8859-14";
 102     if (strstr(l, "et")) return "ISO-8859-15"; /* all latin1 could be iso15 as well */
 103     if (strstr(l, "ro")) return "ISO-8859-2";   /* or ISO-8859-16 */
 104     if (strstr(l, "am") || strstr(l, "vi")) return "UTF-8";
 105     /* We don't know. This ain't working go to default. */
 106     return "ISO-8859-1";
 107 }
 108 #endif
 109
 110 static const char* vlc_charset_aliases( const char *psz_name )
 111 {
 112     VLCCharsetAlias     *a;
 113
 114 #if defined WIN32
 115     VLCCharsetAlias aliases[] =
 116     {
 117         { "CP936",      "GBK" },
 118         { "CP1361",     "JOHAB" },
 119         { "CP20127",    "ASCII" },
 120         { "CP20866",    "KOI8-R" },
 121         { "CP21866",    "KOI8-RU" },
 122         { "CP28591",    "ISO-8859-1" },
 123         { "CP28592",    "ISO-8859-2" },
 124         { "CP28593",    "ISO-8859-3" },
 125         { "CP28594",    "ISO-8859-4" },
 126         { "CP28595",    "ISO-8859-5" },
 127         { "CP28596",    "ISO-8859-6" },
 128         { "CP28597",    "ISO-8859-7" },
 129         { "CP28598",    "ISO-8859-8" },
 130         { "CP28599",    "ISO-8859-9" },
 131         { "CP28605",    "ISO-8859-15" },
 132         { NULL,         NULL }
 133     };
 134 #elif defined (SYS_AIX)
 135     VLCCharsetAlias aliases[] =
 136     {
 137         { "IBM-850",    "CP850" },
 138         { "IBM-856",    "CP856" },
 139         { "IBM-921",    "ISO-8859-13" },
 140         { "IBM-922",    "CP922" },
 141         { "IBM-932",    "CP932" },
 142         { "IBM-943",    "CP943" },
 143         { "IBM-1046",   "CP1046" },
 144         { "IBM-1124",   "CP1124" },
 145         { "IBM-1129",   "CP1129" },
 146         { "IBM-1252",   "CP1252" },
 147         { "IBM-EUCCN",  "GB2312" },
 148         { "IBM-EUCJP",  "EUC-JP" },
 149         { "IBM-EUCKR",  "EUC-KR" },
 150         { "IBM-EUCTW",  "EUC-TW" },
 151         { NULL, NULL }
 152     };
 153 #elif defined (SYS_HPUX)
 154     VLCCharsetAlias aliases[] =
 155     {
 156         { "ROMAN8",     "HP-ROMAN8" },
 157         { "ARABIC8",    "HP-ARABIC8" },
 158         { "GREEK8",     "HP-GREEK8" },
 159         { "HEBREW8",    "HP-HEBREW8" },
 160         { "TURKISH8",   "HP-TURKISH8" },
 161         { "KANA8",      "HP-KANA8" },
 162         { "HP15CN",     "GB2312" },
 163         { NULL, NULL }
 164     };
 165 #elif defined (SYS_IRIX)
 166     VLCCharsetAlias aliases[] =
 167     {
 168         { "EUCCN",      "GB2312" },
 169         { NULL, NULL }
 170     };
 171 #elif defined (SYS_OSF)
 172     VLCCharsetAlias aliases[] =
 173     {
 174         { "KSC5601",    "CP949" },
 175         { "SDECKANJI",  "EUC-JP" },
 176         { "TACTIS",     "TIS-620" },
 177         { NULL, NULL }
 178     };
 179 #elif defined (SYS_SOLARIS)
 180     VLCCharsetAlias aliases[] =
 181     {
 182         { "646", "ASCII" },
 183         { "CNS11643",   "EUC-TW" },
 184         { "5601",       "EUC-KR" },
 185         { "JOHAP92",    "JOHAB" },
 186         { "PCK", "SHIFT_JIS" },
 187         { "2533",       "TIS-620" },
 188         { NULL, NULL }
 189     };
 190 #elif defined (SYS_BSD)
 191     VLCCharsetAlias aliases[] =
 192     {
 193         { "646", " ASCII" },
 194         { "EUCCN", "GB2312" },
 195         { NULL, NULL }
 196     };
 197 #else
 198     VLCCharsetAlias aliases[] = {{NULL, NULL}};
 199 #endif
 200
 201     for (a = aliases; a->psz_alias; a++)
 202         if (strcasecmp (a->psz_alias, psz_name) == 0)
 203             return a->psz_name;
 204
 205     /* we return original name beacuse iconv() probably will know
 206      * something better about name if we don't know it :-) */
 207     return psz_name;
 208 }
 209
 210 /* Returns charset from "language_COUNTRY.charset@modifier" string */
 211 #if (defined OS2 || !defined(HAVE_LANGINFO_CODESET)) && !defined WIN32
 212 static void vlc_encoding_from_locale( char *psz_locale, char *psz_charset )
 213 {
 214     char *psz_dot = strchr( psz_locale, '.' );
 215
 216     if( psz_dot != NULL )
 217     {
 218         const char *psz_modifier;
 219
 220         psz_dot++;
 221
 222         /* Look for the possible @... trailer and remove it, if any.  */
 223         psz_modifier = strchr( psz_dot, '@' );
 224
 225         if( psz_modifier == NULL )
 226         {
 227             strcpy( psz_charset, psz_dot );
 228             return;
 229         }
 230         if( 0 < ( psz_modifier - psz_dot )
 231              && ( psz_modifier - psz_dot ) < 2 + 10 + 1 )
 232         {
 233             memcpy( psz_charset, psz_dot, psz_modifier - psz_dot );
 234             psz_charset[ psz_modifier - psz_dot ] = '\0';
 235             return;
 236         }
 237     }
 238     /* try language mapping */
 239     strcpy( psz_charset, vlc_encoding_from_language( psz_locale ) );
 240 }
 241 #endif
 242
 243 bool vlc_current_charset( char **psz_charset )
 244 {
 245     const char *psz_codeset;
 246
 247 #if !(defined WIN32 || defined OS2 || defined __APPLE__)
 248
 249 # ifdef HAVE_LANGINFO_CODESET
 250     /* Most systems support nl_langinfo( CODESET ) nowadays.  */
 251     psz_codeset = nl_langinfo( CODESET );
 252     if( !strcmp( psz_codeset, "ANSI_X3.4-1968" ) )
 253         psz_codeset = "ASCII";
 254 # else
 255     /* On old systems which lack it, use setlocale or getenv.  */
 256     const char *psz_locale = NULL;
 257     char buf[2 + 10 + 1];
 258
 259     /* But most old systems don't have a complete set of locales.  Some
 260      * (like SunOS 4 or DJGPP) have only the C locale.  Therefore we don't
 261      * use setlocale here; it would return "C" when it doesn't support the
 262      * locale name the user has set. Darwin's setlocale is broken. */
 263 #  if defined (HAVE_SETLOCALE) && !defined (__APPLE__)
 264     psz_locale = setlocale( LC_ALL, NULL );
 265 #  endif
 266     if( psz_locale == NULL || psz_locale[0] == '\0' )
 267     {
 268         psz_locale = getenv( "LC_ALL" );
 269         if( psz_locale == NULL || psz_locale[0] == '\0' )
 270         {
 271             psz_locale = getenv( "LC_CTYPE" );
 272             if( psz_locale == NULL || psz_locale[0] == '\0')
 273                 psz_locale = getenv( "LANG" );
 274         }
 275     }
 276
 277     /* On some old systems, one used to set locale = "iso8859_1". On others,
 278      * you set it to "language_COUNTRY.charset". Darwin only has LANG :( */
 279     vlc_encoding_from_locale( (char *)psz_locale, buf );
 280     psz_codeset =  buf;
 281 # endif /* HAVE_LANGINFO_CODESET */
 282
 283 #elif defined __APPLE__
 284
 285     /* Darwin is always using UTF-8 internally. */
 286     psz_codeset = "UTF-8";
 287
 288 #elif defined WIN32
 289
 290     char buf[2 + 10 + 1];
 291
 292     /* Woe32 has a function returning the locale's codepage as a number.  */
 293     snprintf( buf, sizeof( buf ), "CP%u", GetACP() );
 294     psz_codeset = buf;
 295
 296 #elif defined OS2
 297
 298     const char *psz_locale;
 299     char buf[2 + 10 + 1];
 300     ULONG cp[3];
 301     ULONG cplen;
 302
 303     /* Allow user to override the codeset, as set in the operating system,
 304      * with standard language environment variables. */
 305     psz_locale = getenv( "LC_ALL" );
 306     if( psz_locale == NULL || psz_locale[0] == '\0' )
 307     {
 308         psz+locale = getenv( "LC_CTYPE" );
 309         if( psz_locale == NULL || locale[0] == '\0' )
 310             locale = getenv( "LANG" );
 311     }
 312     if( psz_locale != NULL && psz_locale[0] != '\0' )
 313         vlc_encoding_from_locale( psz_locale, buf );
 314         psz_codeset = buf;
 315     else
 316     {
 317         /* OS/2 has a function returning the locale's codepage as a number. */
 318         if( DosQueryCp( sizeof( cp ), cp, &cplen ) )
 319             psz_codeset = "";
 320         else
 321         {
 322             snprintf( buf, sizeof( buf ), "CP%u", cp[0] );
 323             psz_codeset = buf;
 324         }
 325     }
 326 #endif
 327     if( psz_codeset == NULL )
 328         /* The canonical name cannot be determined. */
 329         psz_codeset = "";
 330     else
 331         psz_codeset = vlc_charset_aliases( psz_codeset );
 332
 333     /* Don't return an empty string.  GNU libc and GNU libiconv interpret
 334      * the empty string as denoting "the locale's character encoding",
 335      * thus GNU libiconv would call this function a second time. */
 336     if( psz_codeset[0] == '\0' )
 337     {
 338         /* Last possibility is 'CHARSET' enviroment variable */
 339         if( !( psz_codeset = getenv( "CHARSET" ) ) )
 340             psz_codeset = "ISO-8859-1";
 341     }
 342
 343     if( psz_charset )
 344         *psz_charset = strdup(psz_codeset);
 345
 346     if( !strcasecmp(psz_codeset, "UTF8") || !strcasecmp(psz_codeset, "UTF-8") )
 347         return true;
 348
 349     return false;
 350 }
 351
 352
 353 char *vlc_fix_readdir( const char *psz_string )
 354 {
 355 #ifdef __APPLE__
 356     vlc_iconv_t hd = vlc_iconv_open( "UTF-8", "UTF-8-MAC" );
 357
 358     if (hd != (vlc_iconv_t)(-1))
 359     {
 360         const char *psz_in = psz_string;
 361         size_t i_in = strlen(psz_in);
 362         size_t i_out = i_in * 2;
 363         char *psz_utf8 = malloc(i_out + 1);
 364         char *psz_out = psz_utf8;
 365
 366         size_t i_ret = vlc_iconv (hd, &psz_in, &i_in, &psz_out, &i_out);
 367         vlc_iconv_close (hd);
 368         if( i_ret == (size_t)(-1) || i_in )
 369         {
 370             free( psz_utf8 );
 371             return strdup( psz_string );
 372         }
 373
 374         *psz_out = '\0';
 375         return psz_utf8;
 376     }
 377 #endif
 378     return strdup( psz_string );
 379 }
 380
 381
 382 /**
 383  * us_strtod() has the same prototype as ANSI C strtod() but it uses the
 384  * POSIX/C decimal format, regardless of the current numeric locale.
 385  */
 386 double us_strtod( const char *str, char **end )
 387 {
 388     locale_t loc = newlocale (LC_NUMERIC_MASK, "C", NULL);
 389     locale_t oldloc = uselocale (loc);
 390     double res = strtod (str, end);
 391
 392     if (loc != (locale_t)0)
 393     {
 394         uselocale (oldloc);
 395         freelocale (loc);
 396     }
 397     return res;
 398 }
 399
 400 /**
 401  * us_atof() has the same prototype as ANSI C atof() but it expects a dot
 402  * as decimal separator, regardless of the system locale.
 403  */
 404 double us_atof( const char *str )
 405 {
 406     return us_strtod( str, NULL );
 407 }
 408