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