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

   1 /*****************************************************************************
   2  * unicode.c: Unicode <-> locale functions
   3  *****************************************************************************
   4  * Copyright (C) 2005-2006 the VideoLAN team
   5  * Copyright © 2005-2010 Rémi Denis-Courmont
   6  *
   7  * Authors: Rémi Denis-Courmont <rem # videolan.org>
   8  *
   9  * This program is free software; you can redistribute it and/or modify
  10  * it under the terms of the GNU General Public License as published by
  11  * the Free Software Foundation; either version 2 of the License, or
  12  * (at your option) any later version.
  13  *
  14  * This program is distributed in the hope that it will be useful,
  15  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  16  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  17  * GNU General Public License for more details.
  18  *
  19  * You should have received a copy of the GNU General Public License
  20  * along with this program; if not, write to the Free Software
  21  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston MA 02110-1301, USA.
  22  *****************************************************************************/
  23
  24 /*****************************************************************************
  25  * Preamble
  26  *****************************************************************************/
  27 #ifdef HAVE_CONFIG_H
  28 # include "config.h"
  29 #endif
  30
  31 #include <vlc_common.h>
  32
  33 #include "libvlc.h"
  34 #include <vlc_charset.h>
  35
  36 #include <assert.h>
  37
  38 #include <stdio.h>
  39 #include <stdarg.h>
  40 #include <stdlib.h>
  41 #include <sys/types.h>
  42 #ifdef UNDER_CE
  43 #  include <tchar.h>
  44 #elif defined(WIN32)
  45 #  include <io.h>
  46 #endif
  47 #include <errno.h>
  48 #include <wctype.h>
  49
  50 /**
  51  * Releases (if needed) a localized or uniformized string.
  52  * @param str non-NULL return value from FromLocale() or ToLocale().
  53  */
  54 void LocaleFree (const char *str)
  55 {
  56 #ifdef ASSUME_UTF8
  57     (void) str;
  58 #else
  59     free ((char *)str);
  60 #endif
  61 }
  62
  63
  64 /**
  65  * Converts a string from the system locale character encoding to UTF-8.
  66  *
  67  * @param locale nul-terminated string to convert
  68  *
  69  * @return a nul-terminated UTF-8 string, or NULL in case of error.
  70  * To avoid memory leak, you have to pass the result to LocaleFree()
  71  * when it is no longer needed.
  72  */
  73 char *FromLocale (const char *locale)
  74 {
  75 #ifdef ASSUME_UTF8
  76     return (char *)locale;
  77 #else
  78     return locale ? FromCharset ("", locale, strlen(locale)) : NULL;
  79 #endif
  80 }
  81
  82 /**
  83  * converts a string from the system locale character encoding to utf-8,
  84  * the result is always allocated on the heap.
  85  *
  86  * @param locale nul-terminated string to convert
  87  *
  88  * @return a nul-terminated utf-8 string, or null in case of error.
  89  * The result must be freed using free() - as with the strdup() function.
  90  */
  91 char *FromLocaleDup (const char *locale)
  92 {
  93 #ifdef ASSUME_UTF8
  94     return strdup (locale);
  95 #else
  96     return FromCharset ("", locale, strlen(locale));
  97 #endif
  98 }
  99
 100
 101 /**
 102  * ToLocale: converts an UTF-8 string to local system encoding.
 103  *
 104  * @param utf8 nul-terminated string to be converted
 105  *
 106  * @return a nul-terminated string, or NULL in case of error.
 107  * To avoid memory leak, you have to pass the result to LocaleFree()
 108  * when it is no longer needed.
 109  */
 110 char *ToLocale (const char *utf8)
 111 {
 112 #ifdef ASSUME_UTF8
 113     return (char *)utf8;
 114 #else
 115     size_t outsize;
 116     return utf8 ? ToCharset ("", utf8, &outsize) : NULL;
 117 #endif
 118 }
 119
 120
 121 /**
 122  * converts a string from UTF-8 to the system locale character encoding,
 123  * the result is always allocated on the heap.
 124  *
 125  * @param utf8 nul-terminated string to convert
 126  *
 127  * @return a nul-terminated string, or null in case of error.
 128  * The result must be freed using free() - as with the strdup() function.
 129  */
 130 char *ToLocaleDup (const char *utf8)
 131 {
 132 #ifdef ASSUME_UTF8
 133     return strdup (utf8);
 134 #else
 135     size_t outsize;
 136     return ToCharset ("", utf8, &outsize);
 137 #endif
 138 }
 139
 140 /**
 141  * Formats an UTF-8 string as vfprintf(), then print it, with
 142  * appropriate conversion to local encoding.
 143  */
 144 int utf8_vfprintf( FILE *stream, const char *fmt, va_list ap )
 145 {
 146 #ifdef ASSUME_UTF8
 147     return vfprintf (stream, fmt, ap);
 148 #else
 149     char *str;
 150     int res;
 151
 152 # if defined( WIN32 ) && !defined( UNDER_CE )
 153     /* Writing to the console is a lot of fun on Microsoft Windows.
 154      * If you use the standard I/O functions, you must use the OEM code page,
 155      * which is different from the usual ANSI code page. Or maybe not, if the
 156      * user called "chcp". Anyway, we prefer Unicode. */
 157     int fd = _fileno (stream);
 158     if (likely(fd != -1) && _isatty (fd))
 159     {
 160         res = vasprintf (&str, fmt, ap);
 161         if (unlikely(res == -1))
 162             return -1;
 163
 164         size_t wlen = 2 * (res + 1);
 165         wchar_t *wide = malloc (wlen);
 166         if (likely(wide != NULL))
 167         {
 168             wlen = MultiByteToWideChar (CP_UTF8, 0, str, res + 1, wide, wlen);
 169             if (wlen > 0)
 170             {
 171                 HANDLE h = (HANDLE)(intptr_t)_get_osfhandle (fd);
 172                 DWORD out;
 173
 174                 WriteConsoleW (h, wide, wlen - 1, &out, NULL);
 175             }
 176             else
 177                 res = -1;
 178             free (wide);
 179         }
 180         else
 181             res = -1;
 182         free (str);
 183         return res;
 184     }
 185 # endif
 186
 187     res = vasprintf (&str, fmt, ap);
 188     if (unlikely(res == -1))
 189         return -1;
 190
 191     char *ansi = ToLocaleDup (str);
 192     free (str);
 193
 194     if (ansi == NULL)
 195         return -1;
 196     fputs (ansi, stream);
 197     free (ansi);
 198     return res;
 199 #endif
 200 }
 201
 202 /**
 203  * Formats an UTF-8 string as fprintf(), then print it, with
 204  * appropriate conversion to local encoding.
 205  */
 206 int utf8_fprintf( FILE *stream, const char *fmt, ... )
 207 {
 208     va_list ap;
 209     int res;
 210
 211     va_start( ap, fmt );
 212     res = utf8_vfprintf( stream, fmt, ap );
 213     va_end( ap );
 214     return res;
 215 }
 216
 217
 218 /**
 219  * Converts the first character from a UTF-8 sequence into a code point.
 220  *
 221  * @param str an UTF-8 bytes sequence
 222  * @return 0 if str points to an empty string, i.e. the first character is NUL;
 223  * number of bytes that the first character occupies (from 1 to 4) otherwise;
 224  * -1 if the byte sequence was not a valid UTF-8 sequence.
 225  */
 226 size_t vlc_towc (const char *str, uint32_t *restrict pwc)
 227 {
 228     uint8_t *ptr = (uint8_t *)str, c;
 229     uint32_t cp;
 230
 231     assert (str != NULL);
 232
 233     c = *ptr;
 234     if (unlikely(c > 0xF4))
 235         return -1;
 236
 237     int charlen = clz8 (c ^ 0xFF);
 238     switch (charlen)
 239     {
 240         case 0: // 7-bit ASCII character -> short cut
 241             *pwc = c;
 242             return c != '\0';
 243
 244         case 1: // continuation byte -> error
 245             return -1;
 246
 247         case 2:
 248             if (unlikely(c < 0xC2)) // ASCII overlong
 249                 return -1;
 250             cp = (c & 0x1F) << 6;
 251             break;
 252
 253         case 3:
 254             cp = (c & 0x0F) << 12;
 255             break;
 256
 257         case 4:
 258             cp = (c & 0x07) << 16;
 259             break;
 260
 261         default:
 262             assert (0);
 263     }
 264
 265     /* Unrolled continuation bytes decoding */
 266     switch (charlen)
 267     {
 268         case 4:
 269             c = *++ptr;
 270             if (unlikely((c >> 6) != 2)) // not a continuation byte
 271                 return -1;
 272             cp |= (c & 0x3f) << 12;
 273
 274             if (unlikely(cp >= 0x110000)) // beyond Unicode range
 275                 return -1;
 276             /* fall through */
 277         case 3:
 278             c = *++ptr;
 279             if (unlikely((c >> 6) != 2)) // not a continuation byte
 280                 return -1;
 281             cp |= (c & 0x3f) << 6;
 282
 283             if (unlikely(cp >= 0xD800 && cp < 0xC000)) // UTF-16 surrogate
 284                 return -1;
 285             if (unlikely(cp < (1u << (5 * charlen - 4)))) // non-ASCII overlong
 286                 return -1;
 287             /* fall through */
 288         case 2:
 289             c = *++ptr;
 290             if (unlikely((c >> 6) != 2)) // not a continuation byte
 291                 return -1;
 292             cp |= (c & 0x3f);
 293             break;
 294     }
 295
 296     *pwc = cp;
 297     return charlen;
 298 }
 299
 300 /**
 301  * Look for an UTF-8 string within another one in a case-insensitive fashion.
 302  * Beware that this is quite slow. Contrary to strcasestr(), this function
 303  * works regardless of the system character encoding, and handles multibyte
 304  * code points correctly.
 305
 306  * @param haystack string to look into
 307  * @param needle string to look for
 308  * @return a pointer to the first occurence of the needle within the haystack,
 309  * or NULL if no occurence were found.
 310  */
 311 char *vlc_strcasestr (const char *haystack, const char *needle)
 312 {
 313     ssize_t s;
 314
 315     do
 316     {
 317         const char *h = haystack, *n = needle;
 318
 319         for (;;)
 320         {
 321             uint32_t cph, cpn;
 322
 323             s = vlc_towc (n, &cpn);
 324             if (s == 0)
 325                 return (char *)haystack;
 326             if (unlikely(s < 0))
 327                 return NULL;
 328             n += s;
 329
 330             s = vlc_towc (h, &cph);
 331             if (s <= 0 || towlower (cph) != towlower (cpn))
 332                 break;
 333             h += s;
 334         }
 335
 336         s = vlc_towc (haystack, &(uint32_t) { 0 });
 337         haystack += s;
 338     }
 339     while (s != 0);
 340
 341     return NULL;
 342 }
 343
 344 /**
 345  * Replaces invalid/overlong UTF-8 sequences with question marks.
 346  * Note that it is not possible to convert from Latin-1 to UTF-8 on the fly,
 347  * so we don't try that, even though it would be less disruptive.
 348  *
 349  * @return str if it was valid UTF-8, NULL if not.
 350  */
 351 char *EnsureUTF8( char *str )
 352 {
 353     char *ret = str;
 354     size_t n;
 355     uint32_t cp;
 356
 357     while ((n = vlc_towc (str, &cp)) != 0)
 358         if (likely(n != (size_t)-1))
 359             str += n;
 360         else
 361         {
 362             *str++ = '?';
 363             ret = NULL;
 364         }
 365     return ret;
 366 }
 367
 368
 369 /**
 370  * Checks whether a string is a valid UTF-8 byte sequence.
 371  *
 372  * @param str nul-terminated string to be checked
 373  *
 374  * @return str if it was valid UTF-8, NULL if not.
 375  */
 376 const char *IsUTF8( const char *str )
 377 {
 378     size_t n;
 379     uint32_t cp;
 380
 381     while ((n = vlc_towc (str, &cp)) != 0)
 382         if (likely(n != (size_t)-1))
 383             str += n;
 384         else
 385             return NULL;
 386     return str;
 387 }
 388
 389 /**
 390  * Converts a string from the given character encoding to utf-8.
 391  *
 392  * @return a nul-terminated utf-8 string, or null in case of error.
 393  * The result must be freed using free().
 394  */
 395 char *FromCharset(const char *charset, const void *data, size_t data_size)
 396 {
 397     vlc_iconv_t handle = vlc_iconv_open ("UTF-8", charset);
 398     if (handle == (vlc_iconv_t)(-1))
 399         return NULL;
 400
 401     char *out = NULL;
 402     for(unsigned mul = 4; mul < 8; mul++ )
 403     {
 404         size_t in_size = data_size;
 405         const char *in = data;
 406         size_t out_max = mul * data_size;
 407         char *tmp = out = malloc (1 + out_max);
 408         if (!out)
 409             break;
 410
 411         if (vlc_iconv (handle, &in, &in_size, &tmp, &out_max) != (size_t)(-1)) {
 412             *tmp = '\0';
 413             break;
 414         }
 415         free(out);
 416         out = NULL;
 417
 418         if (errno != E2BIG)
 419             break;
 420     }
 421     vlc_iconv_close(handle);
 422     return out;
 423 }
 424
 425 /**
 426  * Converts a nul-terminated UTF-8 string to a given character encoding.
 427  * @param charset iconv name of the character set
 428  * @param in nul-terminated UTF-8 string
 429  * @param outsize pointer to hold the byte size of result
 430  *
 431  * @return A pointer to the result, which must be released using free().
 432  * The UTF-8 nul terminator is included in the conversion if the target
 433  * character encoding supports it. However it is not included in the returned
 434  * byte size.
 435  * In case of error, NULL is returned and the byte size is undefined.
 436  */
 437 void *ToCharset(const char *charset, const char *in, size_t *outsize)
 438 {
 439     vlc_iconv_t hd = vlc_iconv_open (charset, "UTF-8");
 440     if (hd == (vlc_iconv_t)(-1))
 441         return NULL;
 442
 443     const size_t inlen = strlen (in);
 444     void *res;
 445
 446     for (unsigned mul = 4; mul < 16; mul++)
 447     {
 448         size_t outlen = mul * (inlen + 1);
 449         res = malloc (outlen);
 450         if (unlikely(res == NULL))
 451             break;
 452
 453         const char *inp = in;
 454         char *outp = res;
 455         size_t inb = inlen;
 456         size_t outb = outlen - mul;
 457
 458         if (vlc_iconv (hd, &inp, &inb, &outp, &outb) != (size_t)(-1))
 459         {
 460             *outsize = outlen - mul - outb;
 461             outb += mul;
 462             inb = 1; /* append nul terminator if possible */
 463             if (vlc_iconv (hd, &inp, &inb, &outp, &outb) != (size_t)(-1))
 464                 break;
 465             if (errno == EILSEQ) /* cannot translate nul terminator!? */
 466                 break;
 467         }
 468
 469         free (res);
 470         res = NULL;
 471         if (errno != E2BIG) /* conversion failure */
 472             break;
 473     }
 474     vlc_iconv_close (hd);
 475     return res;
 476 }
 477