utf8.cpp

   1 #include "gmqcc.h"
   2
   3 /*
   4  * Based on the flexible and economical utf8 decoder:
   5  * http://bjoern.hoehrmann.de/utf-8/decoder/dfa/
   6  *
   7  * This is slightly more economical, the fastest way to decode utf8 is
   8  * with a lookup table as in:
   9  *
  10  * first 1-byte lookup
  11  * if that fails, 2-byte lookup
  12  * if that fails, 3-byte lookup
  13  * if that fails, 4-byte lookup
  14  *
  15  * The following table can be generated with some interval trickery.
  16  * consider an interval [a, b):
  17  *
  18  *      a must be 0x80 or b must be 0xc0, lower 3 bits
  19  *      are clear, thus:
  20  *          interval(a,b) = ((uint32_t)((a==0x80?0x40-b:-a)<<23))
  21  *
  22  * The failstate can be represented as interval(0x80,0x80), it's
  23  * odd to see but this is a full state machine.
  24  *
  25  * The table than maps the corresponding sections as a serise of
  26  * intervals.
  27  *
  28  * In this table the transition values are pre-multiplied with 16 to
  29  * save a shift instruction for every byte, we throw away fillers
  30  * which makes the table smaller.
  31  *
  32  * The first section of the table handles bytes with leading C
  33  * The second section of the table handles bytes with leading D
  34  * The third section of the table handles bytes with leading E
  35  * The last section of the table handles bytes with leading F
  36  *
  37  * The values themselfs in the table are arranged so that when you
  38  * left shift them by 6 to shift continuation characters into place, the
  39  * new top bits tell you:
  40  *
  41  *  1 - if you keep going
  42  *  2 - the range of valid values for the next byte
  43  */
  44 static const uint32_t utf8_tab[] = {
  45     0xC0000002, 0xC0000003, 0xC0000004, 0xC0000005, 0xC0000006,
  46     0xC0000007, 0xC0000008, 0xC0000009, 0xC000000A, 0xC000000B,
  47     0xC000000C, 0xC000000D, 0xC000000E, 0xC000000F, 0xC0000010,
  48     0xC0000011, 0xC0000012, 0xC0000013, 0xC0000014, 0xC0000015,
  49     0xC0000016, 0xC0000017, 0xC0000018, 0xC0000019, 0xC000001A,
  50     0xC000001B, 0xC000001C, 0xC000001D, 0xC000001E, 0xC000001F,
  51     0xB3000000, 0xC3000001, 0xC3000002, 0xC3000003, 0xC3000004,
  52     0xC3000005, 0xC3000006, 0xC3000007, 0xC3000008, 0xC3000009,
  53     0xC300000A, 0xC300000B, 0xC300000C, 0xD300000D, 0xC300000E,
  54     0xC300000F, 0xBB0C0000, 0xC30C0001, 0xC30C0002, 0xC30C0003,
  55     0xD30C0004
  56 };
  57
  58 int utf8_from(char *s, utf8ch_t ch) {
  59     if (!s)
  60         return 0;
  61
  62     if ((unsigned)ch < 0x80) {
  63         *s = ch;
  64         return 1;
  65     } else if ((unsigned)ch < 0x800) {
  66         *s++ = 0xC0 | (ch >> 6);
  67         *s   = 0x80 | (ch & 0x3F);
  68         return 2;
  69     } else if ((unsigned)ch < 0xD800 || (unsigned)ch - 0xE000 < 0x2000) {
  70         *s++ = 0xE0 | (ch >> 12);
  71         *s++ = 0x80 | ((ch >> 6) & 0x3F);
  72         *s   = 0x80 | (ch & 0x3F);
  73         return 3;
  74     } else if ((unsigned)ch - 0x10000 < 0x100000) {
  75         *s++ = 0xF0 | (ch >> 18);
  76         *s++ = 0x80 | ((ch >> 12) & 0x3F);
  77         *s++ = 0x80 | ((ch >> 6) & 0x3F);
  78         *s   = 0x80 | (ch & 0x3F);
  79         return 4;
  80     }
  81     return 0;
  82 }
  83
  84 int utf8_to(utf8ch_t *i, const unsigned char *s, size_t n) {
  85     unsigned c,j;
  86
  87     if (!s || !n)
  88         return 0;
  89
  90     /* This is consistent with mbtowc behaviour. */
  91     if (!i)
  92         i = (utf8ch_t*)(void*)&i;
  93
  94     if (*s < 0x80)
  95         return !!(*i = *s);
  96     if (*s-0xC2U > 0x32)
  97         return 0;
  98
  99     c = utf8_tab[*s++-0xC2U];
 100
 101     /*
 102      * Avoid excessive checks against n.
 103      *
 104      * When shifting state `n-1` times does not clear the high bit,
 105      * then the value of `n` won't satisfy the condition to read a
 106      * character as it will be insufficent.
 107      */
 108     if (n < 4 && ((c<<(6*n-6)) & (1U << 31)))
 109         return 0;
 110
 111     /*
 112      * The upper 6 state bits are negitive integer offset to a bound-check
 113      * next byte equivlant to: ((b-0x80)+(b+offset))&~0x3f
 114      */
 115     if ((((*s>>3)-0x10)|((*s>>3)+((int32_t)c>>26))) & ~7)
 116         return 0;
 117
 118     for (j=2; j<3; j++) {
 119         if (!((c = c<<6 | (*s++-0x80))&(1U<<31))) {
 120             *i = c;
 121             return j;
 122         }
 123         if (*s-0x80U >= 0x40)
 124             return 0;
 125     }
 126
 127     *i = c<<6 | (*s++-0x80);
 128     return 4;
 129 }