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