Age Owner Branch data TLA Line data Source code
1 : : /*-------------------------------------------------------------------------
2 : : *
3 : : * wchar.c
4 : : * Functions for working with multibyte characters in various encodings.
5 : : *
6 : : * Portions Copyright (c) 1998-2025, PostgreSQL Global Development Group
7 : : *
8 : : * IDENTIFICATION
9 : : * src/common/wchar.c
10 : : *
11 : : *-------------------------------------------------------------------------
12 : : */
13 : : #include "c.h"
14 : :
15 : : #include <limits.h>
16 : :
17 : : #include "mb/pg_wchar.h"
18 : : #include "utils/ascii.h"
19 : :
20 : :
21 : : /*
22 : : * In today's multibyte encodings other than UTF8, this two-byte sequence
23 : : * ensures pg_encoding_mblen() == 2 && pg_encoding_verifymbstr() == 0.
24 : : *
25 : : * For historical reasons, several verifychar implementations opt to reject
26 : : * this pair specifically. Byte pair range constraints, in encoding
27 : : * originator documentation, always excluded this pair. No core conversion
28 : : * could translate it. However, longstanding verifychar implementations
29 : : * accepted any non-NUL byte. big5_to_euc_tw and big5_to_mic even translate
30 : : * pairs not valid per encoding originator documentation. To avoid tightening
31 : : * core or non-core conversions in a security patch, we sought this one pair.
32 : : *
33 : : * PQescapeString() historically used spaces for BYTE1; many other values
34 : : * could suffice for BYTE1.
35 : : */
36 : : #define NONUTF8_INVALID_BYTE0 (0x8d)
37 : : #define NONUTF8_INVALID_BYTE1 (' ')
38 : :
39 : :
40 : : /*
41 : : * Operations on multi-byte encodings are driven by a table of helper
42 : : * functions.
43 : : *
44 : : * To add an encoding support, define mblen(), dsplen(), verifychar() and
45 : : * verifystr() for the encoding. For server-encodings, also define mb2wchar()
46 : : * and wchar2mb() conversion functions.
47 : : *
48 : : * These functions generally assume that their input is validly formed.
49 : : * The "verifier" functions, further down in the file, have to be more
50 : : * paranoid.
51 : : *
52 : : * We expect that mblen() does not need to examine more than the first byte
53 : : * of the character to discover the correct length. GB18030 is an exception
54 : : * to that rule, though, as it also looks at second byte. But even that
55 : : * behaves in a predictable way, if you only pass the first byte: it will
56 : : * treat 4-byte encoded characters as two 2-byte encoded characters, which is
57 : : * good enough for all current uses.
58 : : *
59 : : * Note: for the display output of psql to work properly, the return values
60 : : * of the dsplen functions must conform to the Unicode standard. In particular
61 : : * the NUL character is zero width and control characters are generally
62 : : * width -1. It is recommended that non-ASCII encodings refer their ASCII
63 : : * subset to the ASCII routines to ensure consistency.
64 : : */
65 : :
66 : : /*
67 : : * SQL/ASCII
68 : : */
69 : : static int
6536 tgl@sss.pgh.pa.us 70 :CBC 420 : pg_ascii2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
71 : : {
8934 bruce@momjian.us 72 : 420 : int cnt = 0;
73 : :
8948 tgl@sss.pgh.pa.us 74 [ + + + - ]: 32191 : while (len > 0 && *from)
75 : : {
9867 bruce@momjian.us 76 : 31771 : *to++ = *from++;
77 : 31771 : len--;
9141 ishii@postgresql.org 78 : 31771 : cnt++;
79 : : }
9867 bruce@momjian.us 80 : 420 : *to = 0;
7196 81 : 420 : return cnt;
82 : : }
83 : :
84 : : static int
9867 85 : 24117 : pg_ascii_mblen(const unsigned char *s)
86 : : {
7196 87 : 24117 : return 1;
88 : : }
89 : :
90 : : static int
7845 ishii@postgresql.org 91 : 22612 : pg_ascii_dsplen(const unsigned char *s)
92 : : {
7148 bruce@momjian.us 93 [ - + ]: 22612 : if (*s == '\0')
7148 bruce@momjian.us 94 :UBC 0 : return 0;
7148 bruce@momjian.us 95 [ + + - + ]:CBC 22612 : if (*s < 0x20 || *s == 0x7f)
96 : 3 : return -1;
97 : :
7196 98 : 22609 : return 1;
99 : : }
100 : :
101 : : /*
102 : : * EUC
103 : : */
104 : : static int
6536 tgl@sss.pgh.pa.us 105 :UBC 0 : pg_euc2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
106 : : {
8934 bruce@momjian.us 107 : 0 : int cnt = 0;
108 : :
8948 tgl@sss.pgh.pa.us 109 [ # # # # ]: 0 : while (len > 0 && *from)
110 : : {
6912 bruce@momjian.us 111 [ # # # # ]: 0 : if (*from == SS2 && len >= 2) /* JIS X 0201 (so called "1 byte
112 : : * KANA") */
113 : : {
9867 114 : 0 : from++;
7196 ishii@postgresql.org 115 : 0 : *to = (SS2 << 8) | *from++;
8948 tgl@sss.pgh.pa.us 116 : 0 : len -= 2;
117 : : }
2999 118 [ # # # # ]: 0 : else if (*from == SS3 && len >= 3) /* JIS X 0212 KANJI */
119 : : {
9867 bruce@momjian.us 120 : 0 : from++;
7196 ishii@postgresql.org 121 : 0 : *to = (SS3 << 16) | (*from++ << 8);
122 : 0 : *to |= *from++;
9867 bruce@momjian.us 123 : 0 : len -= 3;
124 : : }
2999 tgl@sss.pgh.pa.us 125 [ # # # # ]: 0 : else if (IS_HIGHBIT_SET(*from) && len >= 2) /* JIS X 0208 KANJI */
126 : : {
9867 bruce@momjian.us 127 : 0 : *to = *from++ << 8;
128 : 0 : *to |= *from++;
129 : 0 : len -= 2;
130 : : }
131 : : else /* must be ASCII */
132 : : {
133 : 0 : *to = *from++;
134 : 0 : len--;
135 : : }
136 : 0 : to++;
9141 ishii@postgresql.org 137 : 0 : cnt++;
138 : : }
9867 bruce@momjian.us 139 : 0 : *to = 0;
7196 140 : 0 : return cnt;
141 : : }
142 : :
143 : : static inline int
9867 bruce@momjian.us 144 :CBC 117 : pg_euc_mblen(const unsigned char *s)
145 : : {
146 : : int len;
147 : :
148 [ - + ]: 117 : if (*s == SS2)
9867 bruce@momjian.us 149 :UBC 0 : len = 2;
9867 bruce@momjian.us 150 [ - + ]:CBC 117 : else if (*s == SS3)
9867 bruce@momjian.us 151 :UBC 0 : len = 3;
7195 bruce@momjian.us 152 [ + + ]:CBC 117 : else if (IS_HIGHBIT_SET(*s))
9867 153 : 81 : len = 2;
154 : : else
155 : 36 : len = 1;
7196 156 : 117 : return len;
157 : : }
158 : :
159 : : static inline int
7845 ishii@postgresql.org 160 :UBC 0 : pg_euc_dsplen(const unsigned char *s)
161 : : {
162 : : int len;
163 : :
164 [ # # ]: 0 : if (*s == SS2)
165 : 0 : len = 2;
166 [ # # ]: 0 : else if (*s == SS3)
167 : 0 : len = 2;
7195 bruce@momjian.us 168 [ # # ]: 0 : else if (IS_HIGHBIT_SET(*s))
7845 ishii@postgresql.org 169 : 0 : len = 2;
170 : : else
7148 bruce@momjian.us 171 : 0 : len = pg_ascii_dsplen(s);
7196 172 : 0 : return len;
173 : : }
174 : :
175 : : /*
176 : : * EUC_JP
177 : : */
178 : : static int
6536 tgl@sss.pgh.pa.us 179 : 0 : pg_eucjp2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
180 : : {
7196 bruce@momjian.us 181 : 0 : return pg_euc2wchar_with_len(from, to, len);
182 : : }
183 : :
184 : : static int
9867 bruce@momjian.us 185 :CBC 102 : pg_eucjp_mblen(const unsigned char *s)
186 : : {
7196 187 : 102 : return pg_euc_mblen(s);
188 : : }
189 : :
190 : : static int
7845 ishii@postgresql.org 191 :UBC 0 : pg_eucjp_dsplen(const unsigned char *s)
192 : : {
193 : : int len;
194 : :
195 [ # # ]: 0 : if (*s == SS2)
196 : 0 : len = 1;
197 [ # # ]: 0 : else if (*s == SS3)
198 : 0 : len = 2;
7195 bruce@momjian.us 199 [ # # ]: 0 : else if (IS_HIGHBIT_SET(*s))
7845 ishii@postgresql.org 200 : 0 : len = 2;
201 : : else
7148 bruce@momjian.us 202 : 0 : len = pg_ascii_dsplen(s);
7196 203 : 0 : return len;
204 : : }
205 : :
206 : : /*
207 : : * EUC_KR
208 : : */
209 : : static int
6536 tgl@sss.pgh.pa.us 210 : 0 : pg_euckr2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
211 : : {
7196 bruce@momjian.us 212 : 0 : return pg_euc2wchar_with_len(from, to, len);
213 : : }
214 : :
215 : : static int
9867 bruce@momjian.us 216 :CBC 3 : pg_euckr_mblen(const unsigned char *s)
217 : : {
7196 218 : 3 : return pg_euc_mblen(s);
219 : : }
220 : :
221 : : static int
7845 ishii@postgresql.org 222 :UBC 0 : pg_euckr_dsplen(const unsigned char *s)
223 : : {
7196 bruce@momjian.us 224 : 0 : return pg_euc_dsplen(s);
225 : : }
226 : :
227 : : /*
228 : : * EUC_CN
229 : : *
230 : : */
231 : : static int
6536 tgl@sss.pgh.pa.us 232 : 0 : pg_euccn2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
233 : : {
8934 bruce@momjian.us 234 : 0 : int cnt = 0;
235 : :
8948 tgl@sss.pgh.pa.us 236 [ # # # # ]: 0 : while (len > 0 && *from)
237 : : {
7196 ishii@postgresql.org 238 [ # # # # ]: 0 : if (*from == SS2 && len >= 3) /* code set 2 (unused?) */
239 : : {
9867 bruce@momjian.us 240 : 0 : from++;
7196 ishii@postgresql.org 241 : 0 : *to = (SS2 << 16) | (*from++ << 8);
242 : 0 : *to |= *from++;
8948 tgl@sss.pgh.pa.us 243 : 0 : len -= 3;
244 : : }
2999 245 [ # # # # ]: 0 : else if (*from == SS3 && len >= 3) /* code set 3 (unused ?) */
246 : : {
9867 bruce@momjian.us 247 : 0 : from++;
7196 ishii@postgresql.org 248 : 0 : *to = (SS3 << 16) | (*from++ << 8);
249 : 0 : *to |= *from++;
9867 bruce@momjian.us 250 : 0 : len -= 3;
251 : : }
2999 tgl@sss.pgh.pa.us 252 [ # # # # ]: 0 : else if (IS_HIGHBIT_SET(*from) && len >= 2) /* code set 1 */
253 : : {
9867 bruce@momjian.us 254 : 0 : *to = *from++ << 8;
255 : 0 : *to |= *from++;
256 : 0 : len -= 2;
257 : : }
258 : : else
259 : : {
260 : 0 : *to = *from++;
261 : 0 : len--;
262 : : }
263 : 0 : to++;
9141 ishii@postgresql.org 264 : 0 : cnt++;
265 : : }
9867 bruce@momjian.us 266 : 0 : *to = 0;
7196 267 : 0 : return cnt;
268 : : }
269 : :
270 : : static int
9867 bruce@momjian.us 271 :CBC 3 : pg_euccn_mblen(const unsigned char *s)
272 : : {
273 : : int len;
274 : :
7195 275 [ + - ]: 3 : if (IS_HIGHBIT_SET(*s))
9867 276 : 3 : len = 2;
277 : : else
9867 bruce@momjian.us 278 :UBC 0 : len = 1;
7196 bruce@momjian.us 279 :CBC 3 : return len;
280 : : }
281 : :
282 : : static int
7845 ishii@postgresql.org 283 :UBC 0 : pg_euccn_dsplen(const unsigned char *s)
284 : : {
285 : : int len;
286 : :
7195 bruce@momjian.us 287 [ # # ]: 0 : if (IS_HIGHBIT_SET(*s))
7845 ishii@postgresql.org 288 : 0 : len = 2;
289 : : else
7148 bruce@momjian.us 290 : 0 : len = pg_ascii_dsplen(s);
7196 291 : 0 : return len;
292 : : }
293 : :
294 : : /*
295 : : * EUC_TW
296 : : *
297 : : */
298 : : static int
6536 tgl@sss.pgh.pa.us 299 : 0 : pg_euctw2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
300 : : {
8934 bruce@momjian.us 301 : 0 : int cnt = 0;
302 : :
8948 tgl@sss.pgh.pa.us 303 [ # # # # ]: 0 : while (len > 0 && *from)
304 : : {
7196 ishii@postgresql.org 305 [ # # # # ]: 0 : if (*from == SS2 && len >= 4) /* code set 2 */
306 : : {
9867 bruce@momjian.us 307 : 0 : from++;
6631 tgl@sss.pgh.pa.us 308 : 0 : *to = (((uint32) SS2) << 24) | (*from++ << 16);
9867 bruce@momjian.us 309 : 0 : *to |= *from++ << 8;
310 : 0 : *to |= *from++;
8948 tgl@sss.pgh.pa.us 311 : 0 : len -= 4;
312 : : }
2999 313 [ # # # # ]: 0 : else if (*from == SS3 && len >= 3) /* code set 3 (unused?) */
314 : : {
9867 bruce@momjian.us 315 : 0 : from++;
7196 ishii@postgresql.org 316 : 0 : *to = (SS3 << 16) | (*from++ << 8);
317 : 0 : *to |= *from++;
9867 bruce@momjian.us 318 : 0 : len -= 3;
319 : : }
2999 tgl@sss.pgh.pa.us 320 [ # # # # ]: 0 : else if (IS_HIGHBIT_SET(*from) && len >= 2) /* code set 2 */
321 : : {
9867 bruce@momjian.us 322 : 0 : *to = *from++ << 8;
323 : 0 : *to |= *from++;
324 : 0 : len -= 2;
325 : : }
326 : : else
327 : : {
328 : 0 : *to = *from++;
329 : 0 : len--;
330 : : }
331 : 0 : to++;
9141 ishii@postgresql.org 332 : 0 : cnt++;
333 : : }
9867 bruce@momjian.us 334 : 0 : *to = 0;
7196 335 : 0 : return cnt;
336 : : }
337 : :
338 : : static int
9867 bruce@momjian.us 339 :CBC 3 : pg_euctw_mblen(const unsigned char *s)
340 : : {
341 : : int len;
342 : :
343 [ - + ]: 3 : if (*s == SS2)
9867 bruce@momjian.us 344 :UBC 0 : len = 4;
9867 bruce@momjian.us 345 [ - + ]:CBC 3 : else if (*s == SS3)
9867 bruce@momjian.us 346 :UBC 0 : len = 3;
7195 bruce@momjian.us 347 [ + - ]:CBC 3 : else if (IS_HIGHBIT_SET(*s))
9867 348 : 3 : len = 2;
349 : : else
7048 tgl@sss.pgh.pa.us 350 :UBC 0 : len = 1;
7196 bruce@momjian.us 351 :CBC 3 : return len;
352 : : }
353 : :
354 : : static int
7845 ishii@postgresql.org 355 :UBC 0 : pg_euctw_dsplen(const unsigned char *s)
356 : : {
357 : : int len;
358 : :
359 [ # # ]: 0 : if (*s == SS2)
360 : 0 : len = 2;
361 [ # # ]: 0 : else if (*s == SS3)
362 : 0 : len = 2;
7195 bruce@momjian.us 363 [ # # ]: 0 : else if (IS_HIGHBIT_SET(*s))
7845 ishii@postgresql.org 364 : 0 : len = 2;
365 : : else
7148 bruce@momjian.us 366 : 0 : len = pg_ascii_dsplen(s);
7196 367 : 0 : return len;
368 : : }
369 : :
370 : : /*
371 : : * Convert pg_wchar to EUC_* encoding.
372 : : * caller must allocate enough space for "to", including a trailing zero!
373 : : * len: length of from.
374 : : * "from" not necessarily null terminated.
375 : : */
376 : : static int
4812 rhaas@postgresql.org 377 : 0 : pg_wchar2euc_with_len(const pg_wchar *from, unsigned char *to, int len)
378 : : {
379 : 0 : int cnt = 0;
380 : :
381 [ # # # # ]: 0 : while (len > 0 && *from)
382 : : {
383 : : unsigned char c;
384 : :
4806 tgl@sss.pgh.pa.us 385 [ # # ]: 0 : if ((c = (*from >> 24)))
386 : : {
4812 rhaas@postgresql.org 387 : 0 : *to++ = c;
388 : 0 : *to++ = (*from >> 16) & 0xff;
389 : 0 : *to++ = (*from >> 8) & 0xff;
390 : 0 : *to++ = *from & 0xff;
391 : 0 : cnt += 4;
392 : : }
4806 tgl@sss.pgh.pa.us 393 [ # # ]: 0 : else if ((c = (*from >> 16)))
394 : : {
4812 rhaas@postgresql.org 395 : 0 : *to++ = c;
396 : 0 : *to++ = (*from >> 8) & 0xff;
397 : 0 : *to++ = *from & 0xff;
398 : 0 : cnt += 3;
399 : : }
4806 tgl@sss.pgh.pa.us 400 [ # # ]: 0 : else if ((c = (*from >> 8)))
401 : : {
4812 rhaas@postgresql.org 402 : 0 : *to++ = c;
403 : 0 : *to++ = *from & 0xff;
404 : 0 : cnt += 2;
405 : : }
406 : : else
407 : : {
408 : 0 : *to++ = *from;
409 : 0 : cnt++;
410 : : }
4811 411 : 0 : from++;
4812 412 : 0 : len--;
413 : : }
414 : 0 : *to = 0;
415 : 0 : return cnt;
416 : : }
417 : :
418 : :
419 : : /*
420 : : * JOHAB
421 : : */
422 : : static int
8586 bruce@momjian.us 423 :CBC 12 : pg_johab_mblen(const unsigned char *s)
424 : : {
7196 425 : 12 : return pg_euc_mblen(s);
426 : : }
427 : :
428 : : static int
7845 ishii@postgresql.org 429 :UBC 0 : pg_johab_dsplen(const unsigned char *s)
430 : : {
7196 bruce@momjian.us 431 : 0 : return pg_euc_dsplen(s);
432 : : }
433 : :
434 : : /*
435 : : * convert UTF8 string to pg_wchar (UCS-4)
436 : : * caller must allocate enough space for "to", including a trailing zero!
437 : : * len: length of from.
438 : : * "from" not necessarily null terminated.
439 : : */
440 : : static int
8717 bruce@momjian.us 441 :CBC 3601296 : pg_utf2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
442 : : {
8934 443 : 3601296 : int cnt = 0;
444 : : uint32 c1,
445 : : c2,
446 : : c3,
447 : : c4;
448 : :
8948 tgl@sss.pgh.pa.us 449 [ + + + - ]: 75568302 : while (len > 0 && *from)
450 : : {
6800 451 [ + + ]: 71967006 : if ((*from & 0x80) == 0)
452 : : {
9867 bruce@momjian.us 453 : 71966778 : *to = *from++;
454 : 71966778 : len--;
455 : : }
6800 tgl@sss.pgh.pa.us 456 [ + + ]: 228 : else if ((*from & 0xe0) == 0xc0)
457 : : {
458 [ - + ]: 182 : if (len < 2)
6800 tgl@sss.pgh.pa.us 459 :UBC 0 : break; /* drop trailing incomplete char */
9867 bruce@momjian.us 460 :CBC 182 : c1 = *from++ & 0x1f;
461 : 182 : c2 = *from++ & 0x3f;
6800 tgl@sss.pgh.pa.us 462 : 182 : *to = (c1 << 6) | c2;
8948 463 : 182 : len -= 2;
464 : : }
6800 465 [ + - ]: 46 : else if ((*from & 0xf0) == 0xe0)
466 : : {
467 [ - + ]: 46 : if (len < 3)
6800 tgl@sss.pgh.pa.us 468 :UBC 0 : break; /* drop trailing incomplete char */
9867 bruce@momjian.us 469 :CBC 46 : c1 = *from++ & 0x0f;
470 : 46 : c2 = *from++ & 0x3f;
471 : 46 : c3 = *from++ & 0x3f;
6800 tgl@sss.pgh.pa.us 472 : 46 : *to = (c1 << 12) | (c2 << 6) | c3;
8948 473 : 46 : len -= 3;
474 : : }
6800 tgl@sss.pgh.pa.us 475 [ # # ]:UBC 0 : else if ((*from & 0xf8) == 0xf0)
476 : : {
477 [ # # ]: 0 : if (len < 4)
478 : 0 : break; /* drop trailing incomplete char */
479 : 0 : c1 = *from++ & 0x07;
480 : 0 : c2 = *from++ & 0x3f;
481 : 0 : c3 = *from++ & 0x3f;
482 : 0 : c4 = *from++ & 0x3f;
483 : 0 : *to = (c1 << 18) | (c2 << 12) | (c3 << 6) | c4;
484 : 0 : len -= 4;
485 : : }
486 : : else
487 : : {
488 : : /* treat a bogus char as length 1; not ours to raise error */
9631 489 : 0 : *to = *from++;
490 : 0 : len--;
491 : : }
9867 bruce@momjian.us 492 :CBC 71967006 : to++;
9141 ishii@postgresql.org 493 : 71967006 : cnt++;
494 : : }
9867 bruce@momjian.us 495 : 3601296 : *to = 0;
7196 496 : 3601296 : return cnt;
497 : : }
498 : :
499 : :
500 : : /*
501 : : * Trivial conversion from pg_wchar to UTF-8.
502 : : * caller should allocate enough space for "to"
503 : : * len: length of from.
504 : : * "from" not necessarily null terminated.
505 : : */
506 : : static int
4812 rhaas@postgresql.org 507 : 557874 : pg_wchar2utf_with_len(const pg_wchar *from, unsigned char *to, int len)
508 : : {
509 : 557874 : int cnt = 0;
510 : :
511 [ + + + - ]: 8406670 : while (len > 0 && *from)
512 : : {
513 : : int char_len;
514 : :
515 : 7848796 : unicode_to_utf8(*from, to);
516 : 7848796 : char_len = pg_utf_mblen(to);
517 : 7848796 : cnt += char_len;
518 : 7848796 : to += char_len;
4811 519 : 7848796 : from++;
520 : 7848796 : len--;
521 : : }
4812 522 : 557874 : *to = 0;
523 : 557874 : return cnt;
524 : : }
525 : :
526 : : /*
527 : : * Return the byte length of a UTF8 character pointed to by s
528 : : *
529 : : * Note: in the current implementation we do not support UTF8 sequences
530 : : * of more than 4 bytes; hence do NOT return a value larger than 4.
531 : : * We return "1" for any leading byte that is either flat-out illegal or
532 : : * indicates a length larger than we support.
533 : : *
534 : : * pg_utf2wchar_with_len(), utf8_to_unicode(), pg_utf8_islegal(), and perhaps
535 : : * other places would need to be fixed to change this.
536 : : */
537 : : int
7582 bruce@momjian.us 538 : 163223577 : pg_utf_mblen(const unsigned char *s)
539 : : {
540 : : int len;
541 : :
9867 542 [ + + ]: 163223577 : if ((*s & 0x80) == 0)
543 : 163208887 : len = 1;
544 [ + + ]: 14690 : else if ((*s & 0xe0) == 0xc0)
545 : 7589 : len = 2;
7266 546 [ + + ]: 7101 : else if ((*s & 0xf0) == 0xe0)
547 : 4828 : len = 3;
548 [ + + ]: 2273 : else if ((*s & 0xf8) == 0xf0)
549 : 2186 : len = 4;
550 : : #ifdef NOT_USED
551 : : else if ((*s & 0xfc) == 0xf8)
552 : : len = 5;
553 : : else if ((*s & 0xfe) == 0xfc)
554 : : len = 6;
555 : : #endif
556 : : else
6800 tgl@sss.pgh.pa.us 557 : 87 : len = 1;
7196 bruce@momjian.us 558 : 163223577 : return len;
559 : : }
560 : :
561 : : /*
562 : : * This is an implementation of wcwidth() and wcswidth() as defined in
563 : : * "The Single UNIX Specification, Version 2, The Open Group, 1997"
564 : : * <http://www.unix.org/online.html>
565 : : *
566 : : * Markus Kuhn -- 2001-09-08 -- public domain
567 : : *
568 : : * customised for PostgreSQL
569 : : *
570 : : * original available at : http://www.cl.cam.ac.uk/~mgk25/ucs/wcwidth.c
571 : : */
572 : :
573 : : struct mbinterval
574 : : {
575 : : unsigned int first;
576 : : unsigned int last;
577 : : };
578 : :
579 : : /* auxiliary function for binary search in interval table */
580 : : static int
2999 tgl@sss.pgh.pa.us 581 : 54627650 : mbbisearch(pg_wchar ucs, const struct mbinterval *table, int max)
582 : : {
7148 bruce@momjian.us 583 : 54627650 : int min = 0;
584 : : int mid;
585 : :
586 [ + + - + ]: 54627650 : if (ucs < table[0].first || ucs > table[max].last)
1472 john.naylor@postgres 587 : 54622114 : return 0;
7148 bruce@momjian.us 588 [ + + ]: 48508 : while (max >= min)
589 : : {
590 : 43440 : mid = (min + max) / 2;
591 [ + + ]: 43440 : if (ucs > table[mid].last)
592 : 8780 : min = mid + 1;
593 [ + + ]: 34660 : else if (ucs < table[mid].first)
594 : 34192 : max = mid - 1;
595 : : else
1472 john.naylor@postgres 596 : 468 : return 1;
597 : : }
598 : :
599 : 5068 : return 0;
600 : : }
601 : :
602 : :
603 : : /* The following functions define the column width of an ISO 10646
604 : : * character as follows:
605 : : *
606 : : * - The null character (U+0000) has a column width of 0.
607 : : *
608 : : * - Other C0/C1 control characters and DEL will lead to a return
609 : : * value of -1.
610 : : *
611 : : * - Non-spacing and enclosing combining characters (general
612 : : * category code Mn, Me or Cf in the Unicode database) have a
613 : : * column width of 0.
614 : : *
615 : : * - Spacing characters in the East Asian Wide (W) or East Asian
616 : : * FullWidth (F) category as defined in Unicode Technical
617 : : * Report #11 have a column width of 2.
618 : : *
619 : : * - All remaining characters (including all printable
620 : : * ISO 8859-1 and WGL4 characters, Unicode control characters,
621 : : * etc.) have a column width of 1.
622 : : *
623 : : * This implementation assumes that wchar_t characters are encoded
624 : : * in ISO 10646.
625 : : */
626 : :
627 : : static int
7148 bruce@momjian.us 628 : 27345424 : ucs_wcwidth(pg_wchar ucs)
629 : : {
630 : : #include "common/unicode_nonspacing_table.h"
631 : : #include "common/unicode_east_asian_fw_table.h"
632 : :
633 : : /* test for 8-bit control characters */
634 [ - + ]: 27345424 : if (ucs == 0)
7148 bruce@momjian.us 635 :UBC 0 : return 0;
636 : :
7148 bruce@momjian.us 637 [ + + + + :CBC 27345424 : if (ucs < 0x20 || (ucs >= 0x7f && ucs < 0xa0) || ucs > 0x0010ffff)
+ + - + ]
638 : 31437 : return -1;
639 : :
640 : : /*
641 : : * binary search in table of non-spacing characters
642 : : *
643 : : * XXX: In the official Unicode sources, it is possible for a character to
644 : : * be described as both non-spacing and wide at the same time. As of
645 : : * Unicode 13.0, treating the non-spacing property as the determining
646 : : * factor for display width leads to the correct behavior, so do that
647 : : * search first.
648 : : */
1089 john.naylor@postgres 649 [ + + ]: 27313987 : if (mbbisearch(ucs, nonspacing,
650 : : sizeof(nonspacing) / sizeof(struct mbinterval) - 1))
1472 651 : 324 : return 0;
652 : :
653 : : /* binary search in table of wide characters */
654 [ + + ]: 27313663 : if (mbbisearch(ucs, east_asian_fw,
655 : : sizeof(east_asian_fw) / sizeof(struct mbinterval) - 1))
656 : 144 : return 2;
657 : :
658 : 27313519 : return 1;
659 : : }
660 : :
661 : : static int
7582 bruce@momjian.us 662 : 27345424 : pg_utf_dsplen(const unsigned char *s)
663 : : {
5498 tgl@sss.pgh.pa.us 664 : 27345424 : return ucs_wcwidth(utf8_to_unicode(s));
665 : : }
666 : :
667 : : /*
668 : : * convert mule internal code to pg_wchar
669 : : * caller should allocate enough space for "to"
670 : : * len: length of from.
671 : : * "from" not necessarily null terminated.
672 : : */
673 : : static int
8717 bruce@momjian.us 674 :UBC 0 : pg_mule2wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
675 : : {
8934 676 : 0 : int cnt = 0;
677 : :
8948 tgl@sss.pgh.pa.us 678 [ # # # # ]: 0 : while (len > 0 && *from)
679 : : {
680 [ # # # # : 0 : if (IS_LC1(*from) && len >= 2)
# # ]
681 : : {
9867 bruce@momjian.us 682 : 0 : *to = *from++ << 16;
683 : 0 : *to |= *from++;
684 : 0 : len -= 2;
685 : : }
8948 tgl@sss.pgh.pa.us 686 [ # # # # : 0 : else if (IS_LCPRV1(*from) && len >= 3)
# # ]
687 : : {
9867 bruce@momjian.us 688 : 0 : from++;
689 : 0 : *to = *from++ << 16;
690 : 0 : *to |= *from++;
691 : 0 : len -= 3;
692 : : }
8948 tgl@sss.pgh.pa.us 693 [ # # # # : 0 : else if (IS_LC2(*from) && len >= 3)
# # ]
694 : : {
9867 bruce@momjian.us 695 : 0 : *to = *from++ << 16;
696 : 0 : *to |= *from++ << 8;
697 : 0 : *to |= *from++;
698 : 0 : len -= 3;
699 : : }
8948 tgl@sss.pgh.pa.us 700 [ # # # # : 0 : else if (IS_LCPRV2(*from) && len >= 4)
# # ]
701 : : {
9867 bruce@momjian.us 702 : 0 : from++;
703 : 0 : *to = *from++ << 16;
704 : 0 : *to |= *from++ << 8;
705 : 0 : *to |= *from++;
706 : 0 : len -= 4;
707 : : }
708 : : else
709 : : { /* assume ASCII */
710 : 0 : *to = (unsigned char) *from++;
711 : 0 : len--;
712 : : }
713 : 0 : to++;
9141 ishii@postgresql.org 714 : 0 : cnt++;
715 : : }
9867 bruce@momjian.us 716 : 0 : *to = 0;
7196 717 : 0 : return cnt;
718 : : }
719 : :
720 : : /*
721 : : * convert pg_wchar to mule internal code
722 : : * caller should allocate enough space for "to"
723 : : * len: length of from.
724 : : * "from" not necessarily null terminated.
725 : : */
726 : : static int
4812 rhaas@postgresql.org 727 : 0 : pg_wchar2mule_with_len(const pg_wchar *from, unsigned char *to, int len)
728 : : {
729 : 0 : int cnt = 0;
730 : :
731 [ # # # # ]: 0 : while (len > 0 && *from)
732 : : {
733 : : unsigned char lb;
734 : :
735 : 0 : lb = (*from >> 16) & 0xff;
736 [ # # # # ]: 0 : if (IS_LC1(lb))
737 : : {
738 : 0 : *to++ = lb;
739 : 0 : *to++ = *from & 0xff;
740 : 0 : cnt += 2;
741 : : }
742 [ # # # # ]: 0 : else if (IS_LC2(lb))
743 : : {
744 : 0 : *to++ = lb;
745 : 0 : *to++ = (*from >> 8) & 0xff;
746 : 0 : *to++ = *from & 0xff;
747 : 0 : cnt += 3;
748 : : }
749 [ # # # # ]: 0 : else if (IS_LCPRV1_A_RANGE(lb))
750 : : {
751 : 0 : *to++ = LCPRV1_A;
752 : 0 : *to++ = lb;
753 : 0 : *to++ = *from & 0xff;
754 : 0 : cnt += 3;
755 : : }
756 [ # # # # ]: 0 : else if (IS_LCPRV1_B_RANGE(lb))
757 : : {
758 : 0 : *to++ = LCPRV1_B;
759 : 0 : *to++ = lb;
760 : 0 : *to++ = *from & 0xff;
761 : 0 : cnt += 3;
762 : : }
763 [ # # # # ]: 0 : else if (IS_LCPRV2_A_RANGE(lb))
764 : : {
765 : 0 : *to++ = LCPRV2_A;
766 : 0 : *to++ = lb;
767 : 0 : *to++ = (*from >> 8) & 0xff;
768 : 0 : *to++ = *from & 0xff;
769 : 0 : cnt += 4;
770 : : }
771 [ # # # # ]: 0 : else if (IS_LCPRV2_B_RANGE(lb))
772 : : {
773 : 0 : *to++ = LCPRV2_B;
774 : 0 : *to++ = lb;
775 : 0 : *to++ = (*from >> 8) & 0xff;
776 : 0 : *to++ = *from & 0xff;
777 : 0 : cnt += 4;
778 : : }
779 : : else
780 : : {
4806 tgl@sss.pgh.pa.us 781 : 0 : *to++ = *from & 0xff;
4812 rhaas@postgresql.org 782 : 0 : cnt += 1;
783 : : }
4811 784 : 0 : from++;
4812 785 : 0 : len--;
786 : : }
787 : 0 : *to = 0;
788 : 0 : return cnt;
789 : : }
790 : :
791 : : /* exported for direct use by conv.c */
792 : : int
9867 bruce@momjian.us 793 :CBC 1512 : pg_mule_mblen(const unsigned char *s)
794 : : {
795 : : int len;
796 : :
797 [ + + + + ]: 1512 : if (IS_LC1(*s))
798 : 610 : len = 2;
799 [ + - - + ]: 902 : else if (IS_LCPRV1(*s))
9867 bruce@momjian.us 800 :UBC 0 : len = 3;
9867 bruce@momjian.us 801 [ + + + + ]:CBC 902 : else if (IS_LC2(*s))
802 : 855 : len = 3;
803 [ + + - + ]: 47 : else if (IS_LCPRV2(*s))
804 : 20 : len = 4;
805 : : else
6912 806 : 27 : len = 1; /* assume ASCII */
7196 807 : 1512 : return len;
808 : : }
809 : :
810 : : static int
7845 ishii@postgresql.org 811 :UBC 0 : pg_mule_dsplen(const unsigned char *s)
812 : : {
813 : : int len;
814 : :
815 : : /*
816 : : * Note: it's not really appropriate to assume that all multibyte charsets
817 : : * are double-wide on screen. But this seems an okay approximation for
818 : : * the MULE charsets we currently support.
819 : : */
820 : :
7048 tgl@sss.pgh.pa.us 821 [ # # # # ]: 0 : if (IS_LC1(*s))
822 : 0 : len = 1;
823 [ # # # # ]: 0 : else if (IS_LCPRV1(*s))
824 : 0 : len = 1;
825 [ # # # # ]: 0 : else if (IS_LC2(*s))
826 : 0 : len = 2;
827 [ # # # # ]: 0 : else if (IS_LCPRV2(*s))
828 : 0 : len = 2;
829 : : else
6912 bruce@momjian.us 830 : 0 : len = 1; /* assume ASCII */
831 : :
7048 tgl@sss.pgh.pa.us 832 : 0 : return len;
833 : : }
834 : :
835 : : /*
836 : : * ISO8859-1
837 : : */
838 : : static int
8717 bruce@momjian.us 839 :CBC 535 : pg_latin12wchar_with_len(const unsigned char *from, pg_wchar *to, int len)
840 : : {
8934 841 : 535 : int cnt = 0;
842 : :
8948 tgl@sss.pgh.pa.us 843 [ + + + - ]: 14832 : while (len > 0 && *from)
844 : : {
9867 bruce@momjian.us 845 : 14297 : *to++ = *from++;
8948 tgl@sss.pgh.pa.us 846 : 14297 : len--;
9141 ishii@postgresql.org 847 : 14297 : cnt++;
848 : : }
9867 bruce@momjian.us 849 : 535 : *to = 0;
7196 850 : 535 : return cnt;
851 : : }
852 : :
853 : : /*
854 : : * Trivial conversion from pg_wchar to single byte encoding. Just ignores
855 : : * high bits.
856 : : * caller should allocate enough space for "to"
857 : : * len: length of from.
858 : : * "from" not necessarily null terminated.
859 : : */
860 : : static int
4812 rhaas@postgresql.org 861 : 75 : pg_wchar2single_with_len(const pg_wchar *from, unsigned char *to, int len)
862 : : {
863 : 75 : int cnt = 0;
864 : :
865 [ + + + - ]: 678 : while (len > 0 && *from)
866 : : {
867 : 603 : *to++ = *from++;
868 : 603 : len--;
869 : 603 : cnt++;
870 : : }
871 : 75 : *to = 0;
872 : 75 : return cnt;
873 : : }
874 : :
875 : : static int
9867 bruce@momjian.us 876 : 3998 : pg_latin1_mblen(const unsigned char *s)
877 : : {
7196 878 : 3998 : return 1;
879 : : }
880 : :
881 : : static int
7845 ishii@postgresql.org 882 : 400 : pg_latin1_dsplen(const unsigned char *s)
883 : : {
7148 bruce@momjian.us 884 : 400 : return pg_ascii_dsplen(s);
885 : : }
886 : :
887 : : /*
888 : : * SJIS
889 : : */
890 : : static int
9867 891 : 845 : pg_sjis_mblen(const unsigned char *s)
892 : : {
893 : : int len;
894 : :
895 [ + + - + ]: 845 : if (*s >= 0xa1 && *s <= 0xdf)
6912 bruce@momjian.us 896 :UBC 0 : len = 1; /* 1 byte kana? */
7194 bruce@momjian.us 897 [ + + ]:CBC 845 : else if (IS_HIGHBIT_SET(*s))
6912 898 : 657 : len = 2; /* kanji? */
899 : : else
900 : 188 : len = 1; /* should be ASCII */
7196 901 : 845 : return len;
902 : : }
903 : :
904 : : static int
7845 ishii@postgresql.org 905 :UBC 0 : pg_sjis_dsplen(const unsigned char *s)
906 : : {
907 : : int len;
908 : :
909 [ # # # # ]: 0 : if (*s >= 0xa1 && *s <= 0xdf)
6912 bruce@momjian.us 910 : 0 : len = 1; /* 1 byte kana? */
7194 911 [ # # ]: 0 : else if (IS_HIGHBIT_SET(*s))
6912 912 : 0 : len = 2; /* kanji? */
913 : : else
2999 tgl@sss.pgh.pa.us 914 : 0 : len = pg_ascii_dsplen(s); /* should be ASCII */
7196 bruce@momjian.us 915 : 0 : return len;
916 : : }
917 : :
918 : : /*
919 : : * Big5
920 : : */
921 : : static int
9713 bruce@momjian.us 922 :CBC 246 : pg_big5_mblen(const unsigned char *s)
923 : : {
924 : : int len;
925 : :
7194 926 [ + + ]: 246 : if (IS_HIGHBIT_SET(*s))
6912 927 : 219 : len = 2; /* kanji? */
928 : : else
929 : 27 : len = 1; /* should be ASCII */
7196 930 : 246 : return len;
931 : : }
932 : :
933 : : static int
7845 ishii@postgresql.org 934 :UBC 0 : pg_big5_dsplen(const unsigned char *s)
935 : : {
936 : : int len;
937 : :
7194 bruce@momjian.us 938 [ # # ]: 0 : if (IS_HIGHBIT_SET(*s))
6912 939 : 0 : len = 2; /* kanji? */
940 : : else
2999 tgl@sss.pgh.pa.us 941 : 0 : len = pg_ascii_dsplen(s); /* should be ASCII */
7196 bruce@momjian.us 942 : 0 : return len;
943 : : }
944 : :
945 : : /*
946 : : * GBK
947 : : */
948 : : static int
8586 bruce@momjian.us 949 :CBC 278 : pg_gbk_mblen(const unsigned char *s)
950 : : {
951 : : int len;
952 : :
7194 953 [ + + ]: 278 : if (IS_HIGHBIT_SET(*s))
6912 954 : 208 : len = 2; /* kanji? */
955 : : else
956 : 70 : len = 1; /* should be ASCII */
7196 957 : 278 : return len;
958 : : }
959 : :
960 : : static int
7845 ishii@postgresql.org 961 :UBC 0 : pg_gbk_dsplen(const unsigned char *s)
962 : : {
963 : : int len;
964 : :
7194 bruce@momjian.us 965 [ # # ]: 0 : if (IS_HIGHBIT_SET(*s))
6912 966 : 0 : len = 2; /* kanji? */
967 : : else
2999 tgl@sss.pgh.pa.us 968 : 0 : len = pg_ascii_dsplen(s); /* should be ASCII */
7196 bruce@momjian.us 969 : 0 : return len;
970 : : }
971 : :
972 : : /*
973 : : * UHC
974 : : */
975 : : static int
8586 bruce@momjian.us 976 :CBC 12 : pg_uhc_mblen(const unsigned char *s)
977 : : {
978 : : int len;
979 : :
7194 980 [ + - ]: 12 : if (IS_HIGHBIT_SET(*s))
6912 981 : 12 : len = 2; /* 2byte? */
982 : : else
6912 bruce@momjian.us 983 :UBC 0 : len = 1; /* should be ASCII */
7196 bruce@momjian.us 984 :CBC 12 : return len;
985 : : }
986 : :
987 : : static int
7845 ishii@postgresql.org 988 :UBC 0 : pg_uhc_dsplen(const unsigned char *s)
989 : : {
990 : : int len;
991 : :
7194 bruce@momjian.us 992 [ # # ]: 0 : if (IS_HIGHBIT_SET(*s))
6912 993 : 0 : len = 2; /* 2byte? */
994 : : else
2999 tgl@sss.pgh.pa.us 995 : 0 : len = pg_ascii_dsplen(s); /* should be ASCII */
7196 bruce@momjian.us 996 : 0 : return len;
997 : : }
998 : :
999 : : /*
1000 : : * GB18030
1001 : : * Added by Bill Huang <bhuang@redhat.com>,<bill_huanghb@ybb.ne.jp>
1002 : : */
1003 : :
1004 : : /*
1005 : : * Unlike all other mblen() functions, this also looks at the second byte of
1006 : : * the input. However, if you only pass the first byte of a multi-byte
1007 : : * string, and \0 as the second byte, this still works in a predictable way:
1008 : : * a 4-byte character will be reported as two 2-byte characters. That's
1009 : : * enough for all current uses, as a client-only encoding. It works that
1010 : : * way, because in any valid 4-byte GB18030-encoded character, the third and
1011 : : * fourth byte look like a 2-byte encoded character, when looked at
1012 : : * separately.
1013 : : */
1014 : : static int
8486 ishii@postgresql.org 1015 :CBC 579 : pg_gb18030_mblen(const unsigned char *s)
1016 : : {
1017 : : int len;
1018 : :
7194 bruce@momjian.us 1019 [ + + ]: 579 : if (!IS_HIGHBIT_SET(*s))
6912 1020 : 342 : len = 1; /* ASCII */
3767 tgl@sss.pgh.pa.us 1021 [ + + + + ]: 237 : else if (*(s + 1) >= 0x30 && *(s + 1) <= 0x39)
1022 : 93 : len = 4;
1023 : : else
1024 : 144 : len = 2;
7196 bruce@momjian.us 1025 : 579 : return len;
1026 : : }
1027 : :
1028 : : static int
7845 ishii@postgresql.org 1029 :UBC 0 : pg_gb18030_dsplen(const unsigned char *s)
1030 : : {
1031 : : int len;
1032 : :
7148 bruce@momjian.us 1033 [ # # ]: 0 : if (IS_HIGHBIT_SET(*s))
7845 ishii@postgresql.org 1034 : 0 : len = 2;
1035 : : else
2999 tgl@sss.pgh.pa.us 1036 : 0 : len = pg_ascii_dsplen(s); /* ASCII */
7196 bruce@momjian.us 1037 : 0 : return len;
1038 : : }
1039 : :
1040 : : /*
1041 : : *-------------------------------------------------------------------
1042 : : * multibyte sequence validators
1043 : : *
1044 : : * The verifychar functions accept "s", a pointer to the first byte of a
1045 : : * string, and "len", the remaining length of the string. If there is a
1046 : : * validly encoded character beginning at *s, return its length in bytes;
1047 : : * else return -1.
1048 : : *
1049 : : * The verifystr functions also accept "s", a pointer to a string and "len",
1050 : : * the length of the string. They verify the whole string, and return the
1051 : : * number of input bytes (<= len) that are valid. In other words, if the
1052 : : * whole string is valid, verifystr returns "len", otherwise it returns the
1053 : : * byte offset of the first invalid character. The verifystr functions must
1054 : : * test for and reject zeroes in the input.
1055 : : *
1056 : : * The verifychar functions can assume that len > 0 and that *s != '\0', but
1057 : : * they must test for and reject zeroes in any additional bytes of a
1058 : : * multibyte character. Note that this definition allows the function for a
1059 : : * single-byte encoding to be just "return 1".
1060 : : *-------------------------------------------------------------------
1061 : : */
1062 : : static int
1682 heikki.linnakangas@i 1063 :CBC 161 : pg_ascii_verifychar(const unsigned char *s, int len)
1064 : : {
7048 tgl@sss.pgh.pa.us 1065 : 161 : return 1;
1066 : : }
1067 : :
1068 : : static int
1682 heikki.linnakangas@i 1069 : 211719 : pg_ascii_verifystr(const unsigned char *s, int len)
1070 : : {
1071 : 211719 : const unsigned char *nullpos = memchr(s, 0, len);
1072 : :
1073 [ + - ]: 211719 : if (nullpos == NULL)
1074 : 211719 : return len;
1075 : : else
1682 heikki.linnakangas@i 1076 :UBC 0 : return nullpos - s;
1077 : : }
1078 : :
1079 : : #define IS_EUC_RANGE_VALID(c) ((c) >= 0xa1 && (c) <= 0xfe)
1080 : :
1081 : : static int
1682 heikki.linnakangas@i 1082 :CBC 252 : pg_eucjp_verifychar(const unsigned char *s, int len)
1083 : : {
1084 : : int l;
1085 : : unsigned char c1,
1086 : : c2;
1087 : :
7048 tgl@sss.pgh.pa.us 1088 : 252 : c1 = *s++;
1089 : :
1090 [ - - + ]: 252 : switch (c1)
1091 : : {
6912 bruce@momjian.us 1092 :UBC 0 : case SS2: /* JIS X 0201 */
7048 tgl@sss.pgh.pa.us 1093 : 0 : l = 2;
1094 [ # # ]: 0 : if (l > len)
1095 : 0 : return -1;
1096 : 0 : c2 = *s++;
1097 [ # # # # ]: 0 : if (c2 < 0xa1 || c2 > 0xdf)
1098 : 0 : return -1;
1099 : 0 : break;
1100 : :
6912 bruce@momjian.us 1101 : 0 : case SS3: /* JIS X 0212 */
7048 tgl@sss.pgh.pa.us 1102 : 0 : l = 3;
1103 [ # # ]: 0 : if (l > len)
1104 : 0 : return -1;
1105 : 0 : c2 = *s++;
1106 [ # # # # ]: 0 : if (!IS_EUC_RANGE_VALID(c2))
1107 : 0 : return -1;
1108 : 0 : c2 = *s++;
1109 [ # # # # ]: 0 : if (!IS_EUC_RANGE_VALID(c2))
1110 : 0 : return -1;
1111 : 0 : break;
1112 : :
7048 tgl@sss.pgh.pa.us 1113 :CBC 252 : default:
2999 1114 [ + - ]: 252 : if (IS_HIGHBIT_SET(c1)) /* JIS X 0208? */
1115 : : {
7048 1116 : 252 : l = 2;
1117 [ + + ]: 252 : if (l > len)
1118 : 42 : return -1;
1119 [ + + - + ]: 210 : if (!IS_EUC_RANGE_VALID(c1))
1120 : 12 : return -1;
1121 : 198 : c2 = *s++;
1122 [ + + - + ]: 198 : if (!IS_EUC_RANGE_VALID(c2))
1123 : 90 : return -1;
1124 : : }
1125 : : else
1126 : : /* must be ASCII */
1127 : : {
7048 tgl@sss.pgh.pa.us 1128 :UBC 0 : l = 1;
1129 : : }
7048 tgl@sss.pgh.pa.us 1130 :CBC 108 : break;
1131 : : }
1132 : :
1133 : 108 : return l;
1134 : : }
1135 : :
1136 : : static int
1682 heikki.linnakangas@i 1137 : 150 : pg_eucjp_verifystr(const unsigned char *s, int len)
1138 : : {
1139 : 150 : const unsigned char *start = s;
1140 : :
1141 [ + + ]: 465 : while (len > 0)
1142 : : {
1143 : : int l;
1144 : :
1145 : : /* fast path for ASCII-subset characters */
1146 [ + + ]: 423 : if (!IS_HIGHBIT_SET(*s))
1147 : : {
1148 [ + + ]: 297 : if (*s == '\0')
1149 : 36 : break;
1150 : 261 : l = 1;
1151 : : }
1152 : : else
1153 : : {
1154 : 126 : l = pg_eucjp_verifychar(s, len);
1155 [ + + ]: 126 : if (l == -1)
1156 : 72 : break;
1157 : : }
1158 : 315 : s += l;
1159 : 315 : len -= l;
1160 : : }
1161 : :
1162 : 150 : return s - start;
1163 : : }
1164 : :
1165 : : static int
1166 : 18 : pg_euckr_verifychar(const unsigned char *s, int len)
1167 : : {
1168 : : int l;
1169 : : unsigned char c1,
1170 : : c2;
1171 : :
7048 tgl@sss.pgh.pa.us 1172 : 18 : c1 = *s++;
1173 : :
1174 [ + - ]: 18 : if (IS_HIGHBIT_SET(c1))
1175 : : {
1176 : 18 : l = 2;
1177 [ + + ]: 18 : if (l > len)
1178 : 6 : return -1;
1179 [ - + - - ]: 12 : if (!IS_EUC_RANGE_VALID(c1))
1180 : 12 : return -1;
7048 tgl@sss.pgh.pa.us 1181 :UBC 0 : c2 = *s++;
1182 [ # # # # ]: 0 : if (!IS_EUC_RANGE_VALID(c2))
1183 : 0 : return -1;
1184 : : }
1185 : : else
1186 : : /* must be ASCII */
1187 : : {
1188 : 0 : l = 1;
1189 : : }
1190 : :
1191 : 0 : return l;
1192 : : }
1193 : :
1194 : : static int
1682 heikki.linnakangas@i 1195 :CBC 30 : pg_euckr_verifystr(const unsigned char *s, int len)
1196 : : {
1197 : 30 : const unsigned char *start = s;
1198 : :
1199 [ + + ]: 66 : while (len > 0)
1200 : : {
1201 : : int l;
1202 : :
1203 : : /* fast path for ASCII-subset characters */
1204 [ + + ]: 54 : if (!IS_HIGHBIT_SET(*s))
1205 : : {
1206 [ - + ]: 36 : if (*s == '\0')
1682 heikki.linnakangas@i 1207 :UBC 0 : break;
1682 heikki.linnakangas@i 1208 :CBC 36 : l = 1;
1209 : : }
1210 : : else
1211 : : {
1212 : 18 : l = pg_euckr_verifychar(s, len);
1213 [ + - ]: 18 : if (l == -1)
1214 : 18 : break;
1215 : : }
1216 : 36 : s += l;
1217 : 36 : len -= l;
1218 : : }
1219 : :
1220 : 30 : return s - start;
1221 : : }
1222 : :
1223 : : /* EUC-CN byte sequences are exactly same as EUC-KR */
1224 : : #define pg_euccn_verifychar pg_euckr_verifychar
1225 : : #define pg_euccn_verifystr pg_euckr_verifystr
1226 : :
1227 : : static int
1228 : 9 : pg_euctw_verifychar(const unsigned char *s, int len)
1229 : : {
1230 : : int l;
1231 : : unsigned char c1,
1232 : : c2;
1233 : :
7048 tgl@sss.pgh.pa.us 1234 : 9 : c1 = *s++;
1235 : :
1236 [ - - + ]: 9 : switch (c1)
1237 : : {
6912 bruce@momjian.us 1238 :UBC 0 : case SS2: /* CNS 11643 Plane 1-7 */
7048 tgl@sss.pgh.pa.us 1239 : 0 : l = 4;
1240 [ # # ]: 0 : if (l > len)
1241 : 0 : return -1;
1242 : 0 : c2 = *s++;
1243 [ # # # # ]: 0 : if (c2 < 0xa1 || c2 > 0xa7)
1244 : 0 : return -1;
1245 : 0 : c2 = *s++;
1246 [ # # # # ]: 0 : if (!IS_EUC_RANGE_VALID(c2))
1247 : 0 : return -1;
1248 : 0 : c2 = *s++;
1249 [ # # # # ]: 0 : if (!IS_EUC_RANGE_VALID(c2))
1250 : 0 : return -1;
1251 : 0 : break;
1252 : :
6912 bruce@momjian.us 1253 : 0 : case SS3: /* unused */
7048 tgl@sss.pgh.pa.us 1254 : 0 : return -1;
1255 : :
7048 tgl@sss.pgh.pa.us 1256 :CBC 9 : default:
2999 1257 [ + - ]: 9 : if (IS_HIGHBIT_SET(c1)) /* CNS 11643 Plane 1 */
1258 : : {
7048 1259 : 9 : l = 2;
1260 [ + + ]: 9 : if (l > len)
1261 : 3 : return -1;
1262 : : /* no further range check on c1? */
1263 : 6 : c2 = *s++;
1264 [ - + - - ]: 6 : if (!IS_EUC_RANGE_VALID(c2))
1265 : 6 : return -1;
1266 : : }
1267 : : else
1268 : : /* must be ASCII */
1269 : : {
7048 tgl@sss.pgh.pa.us 1270 :UBC 0 : l = 1;
1271 : : }
1272 : 0 : break;
1273 : : }
1274 : 0 : return l;
1275 : : }
1276 : :
1277 : : static int
1682 heikki.linnakangas@i 1278 :CBC 18 : pg_euctw_verifystr(const unsigned char *s, int len)
1279 : : {
1280 : 18 : const unsigned char *start = s;
1281 : :
1282 [ + + ]: 45 : while (len > 0)
1283 : : {
1284 : : int l;
1285 : :
1286 : : /* fast path for ASCII-subset characters */
1287 [ + + ]: 36 : if (!IS_HIGHBIT_SET(*s))
1288 : : {
1289 [ - + ]: 27 : if (*s == '\0')
1682 heikki.linnakangas@i 1290 :UBC 0 : break;
1682 heikki.linnakangas@i 1291 :CBC 27 : l = 1;
1292 : : }
1293 : : else
1294 : : {
1295 : 9 : l = pg_euctw_verifychar(s, len);
1296 [ + - ]: 9 : if (l == -1)
1297 : 9 : break;
1298 : : }
1299 : 27 : s += l;
1300 : 27 : len -= l;
1301 : : }
1302 : :
1303 : 18 : return s - start;
1304 : : }
1305 : :
1306 : : static int
1307 : 9 : pg_johab_verifychar(const unsigned char *s, int len)
1308 : : {
1309 : : int l,
1310 : : mbl;
1311 : : unsigned char c;
1312 : :
7048 tgl@sss.pgh.pa.us 1313 : 9 : l = mbl = pg_johab_mblen(s);
1314 : :
1315 [ + + ]: 9 : if (len < l)
1316 : 3 : return -1;
1317 : :
1318 [ - + ]: 6 : if (!IS_HIGHBIT_SET(*s))
7048 tgl@sss.pgh.pa.us 1319 :UBC 0 : return mbl;
1320 : :
7048 tgl@sss.pgh.pa.us 1321 [ + - ]:CBC 6 : while (--l > 0)
1322 : : {
1323 : 6 : c = *++s;
1324 [ - + - - ]: 6 : if (!IS_EUC_RANGE_VALID(c))
1325 : 6 : return -1;
1326 : : }
7048 tgl@sss.pgh.pa.us 1327 :UBC 0 : return mbl;
1328 : : }
1329 : :
1330 : : static int
1682 heikki.linnakangas@i 1331 :CBC 12 : pg_johab_verifystr(const unsigned char *s, int len)
1332 : : {
1333 : 12 : const unsigned char *start = s;
1334 : :
1335 [ + + ]: 21 : while (len > 0)
1336 : : {
1337 : : int l;
1338 : :
1339 : : /* fast path for ASCII-subset characters */
1340 [ + + ]: 18 : if (!IS_HIGHBIT_SET(*s))
1341 : : {
1342 [ - + ]: 9 : if (*s == '\0')
1682 heikki.linnakangas@i 1343 :UBC 0 : break;
1682 heikki.linnakangas@i 1344 :CBC 9 : l = 1;
1345 : : }
1346 : : else
1347 : : {
1348 : 9 : l = pg_johab_verifychar(s, len);
1349 [ + - ]: 9 : if (l == -1)
1350 : 9 : break;
1351 : : }
1352 : 9 : s += l;
1353 : 9 : len -= l;
1354 : : }
1355 : :
1356 : 12 : return s - start;
1357 : : }
1358 : :
1359 : : static int
1360 : 675 : pg_mule_verifychar(const unsigned char *s, int len)
1361 : : {
1362 : : int l,
1363 : : mbl;
1364 : : unsigned char c;
1365 : :
7048 tgl@sss.pgh.pa.us 1366 : 675 : l = mbl = pg_mule_mblen(s);
1367 : :
1368 [ + + ]: 675 : if (len < l)
1369 : 172 : return -1;
1370 : :
1371 [ + + ]: 1016 : while (--l > 0)
1372 : : {
1373 : 674 : c = *++s;
1374 [ + + ]: 674 : if (!IS_HIGHBIT_SET(c))
1375 : 161 : return -1;
1376 : : }
1377 : 342 : return mbl;
1378 : : }
1379 : :
1380 : : static int
1682 heikki.linnakangas@i 1381 : 219 : pg_mule_verifystr(const unsigned char *s, int len)
1382 : : {
1383 : 219 : const unsigned char *start = s;
1384 : :
1385 [ + + ]: 645 : while (len > 0)
1386 : : {
1387 : : int l;
1388 : :
1389 : : /* fast path for ASCII-subset characters */
1390 [ + + ]: 561 : if (!IS_HIGHBIT_SET(*s))
1391 : : {
1392 [ + + ]: 345 : if (*s == '\0')
1393 : 18 : break;
1394 : 327 : l = 1;
1395 : : }
1396 : : else
1397 : : {
1398 : 216 : l = pg_mule_verifychar(s, len);
1399 [ + + ]: 216 : if (l == -1)
1400 : 117 : break;
1401 : : }
1402 : 426 : s += l;
1403 : 426 : len -= l;
1404 : : }
1405 : :
1406 : 219 : return s - start;
1407 : : }
1408 : :
1409 : : static int
1410 : 3578 : pg_latin1_verifychar(const unsigned char *s, int len)
1411 : : {
7048 tgl@sss.pgh.pa.us 1412 : 3578 : return 1;
1413 : : }
1414 : :
1415 : : static int
1682 heikki.linnakangas@i 1416 : 5606 : pg_latin1_verifystr(const unsigned char *s, int len)
1417 : : {
1418 : 5606 : const unsigned char *nullpos = memchr(s, 0, len);
1419 : :
1420 [ + + ]: 5606 : if (nullpos == NULL)
1421 : 5552 : return len;
1422 : : else
1423 : 54 : return nullpos - s;
1424 : : }
1425 : :
1426 : : static int
1427 : 501 : pg_sjis_verifychar(const unsigned char *s, int len)
1428 : : {
1429 : : int l,
1430 : : mbl;
1431 : : unsigned char c1,
1432 : : c2;
1433 : :
7048 tgl@sss.pgh.pa.us 1434 : 501 : l = mbl = pg_sjis_mblen(s);
1435 : :
1436 [ + + ]: 501 : if (len < l)
1437 : 66 : return -1;
1438 : :
1439 [ - + ]: 435 : if (l == 1) /* pg_sjis_mblen already verified it */
7048 tgl@sss.pgh.pa.us 1440 :UBC 0 : return mbl;
1441 : :
7048 tgl@sss.pgh.pa.us 1442 :CBC 435 : c1 = *s++;
1443 : 435 : c2 = *s;
1444 [ + - + + : 435 : if (!ISSJISHEAD(c1) || !ISSJISTAIL(c2))
+ - + - +
+ + + + +
- + ]
1445 : 174 : return -1;
1446 : 261 : return mbl;
1447 : : }
1448 : :
1449 : : static int
1682 heikki.linnakangas@i 1450 : 273 : pg_sjis_verifystr(const unsigned char *s, int len)
1451 : : {
1452 : 273 : const unsigned char *start = s;
1453 : :
1454 [ + + ]: 1034 : while (len > 0)
1455 : : {
1456 : : int l;
1457 : :
1458 : : /* fast path for ASCII-subset characters */
1459 [ + + ]: 921 : if (!IS_HIGHBIT_SET(*s))
1460 : : {
1461 [ + + ]: 674 : if (*s == '\0')
1462 : 36 : break;
1463 : 638 : l = 1;
1464 : : }
1465 : : else
1466 : : {
1467 : 247 : l = pg_sjis_verifychar(s, len);
1468 [ + + ]: 247 : if (l == -1)
1469 : 124 : break;
1470 : : }
1471 : 761 : s += l;
1472 : 761 : len -= l;
1473 : : }
1474 : :
1475 : 273 : return s - start;
1476 : : }
1477 : :
1478 : : static int
1479 : 180 : pg_big5_verifychar(const unsigned char *s, int len)
1480 : : {
1481 : : int l,
1482 : : mbl;
1483 : :
7048 tgl@sss.pgh.pa.us 1484 : 180 : l = mbl = pg_big5_mblen(s);
1485 : :
1486 [ + + ]: 180 : if (len < l)
1487 : 3 : return -1;
1488 : :
208 andres@anarazel.de 1489 [ + - ]: 177 : if (l == 2 &&
1490 [ + + ]: 177 : s[0] == NONUTF8_INVALID_BYTE0 &&
1491 [ + - ]: 6 : s[1] == NONUTF8_INVALID_BYTE1)
1492 : 6 : return -1;
1493 : :
7048 tgl@sss.pgh.pa.us 1494 [ + + ]: 288 : while (--l > 0)
1495 : : {
1496 [ + + ]: 171 : if (*++s == '\0')
1497 : 54 : return -1;
1498 : : }
1499 : :
1500 : 117 : return mbl;
1501 : : }
1502 : :
1503 : : static int
1682 heikki.linnakangas@i 1504 : 81 : pg_big5_verifystr(const unsigned char *s, int len)
1505 : : {
1506 : 81 : const unsigned char *start = s;
1507 : :
1508 [ + + ]: 333 : while (len > 0)
1509 : : {
1510 : : int l;
1511 : :
1512 : : /* fast path for ASCII-subset characters */
1513 [ + + ]: 297 : if (!IS_HIGHBIT_SET(*s))
1514 : : {
1515 [ + + ]: 234 : if (*s == '\0')
1516 : 18 : break;
1517 : 216 : l = 1;
1518 : : }
1519 : : else
1520 : : {
1521 : 63 : l = pg_big5_verifychar(s, len);
1522 [ + + ]: 63 : if (l == -1)
1523 : 27 : break;
1524 : : }
1525 : 252 : s += l;
1526 : 252 : len -= l;
1527 : : }
1528 : :
1529 : 81 : return s - start;
1530 : : }
1531 : :
1532 : : static int
1533 : 137 : pg_gbk_verifychar(const unsigned char *s, int len)
1534 : : {
1535 : : int l,
1536 : : mbl;
1537 : :
7048 tgl@sss.pgh.pa.us 1538 : 137 : l = mbl = pg_gbk_mblen(s);
1539 : :
1540 [ + + ]: 137 : if (len < l)
1541 : 27 : return -1;
1542 : :
208 andres@anarazel.de 1543 [ + - ]: 110 : if (l == 2 &&
1544 [ + + ]: 110 : s[0] == NONUTF8_INVALID_BYTE0 &&
1545 [ + - ]: 14 : s[1] == NONUTF8_INVALID_BYTE1)
1546 : 14 : return -1;
1547 : :
7048 tgl@sss.pgh.pa.us 1548 [ + + ]: 192 : while (--l > 0)
1549 : : {
1550 [ - + ]: 96 : if (*++s == '\0')
7048 tgl@sss.pgh.pa.us 1551 :UBC 0 : return -1;
1552 : : }
1553 : :
7048 tgl@sss.pgh.pa.us 1554 :CBC 96 : return mbl;
1555 : : }
1556 : :
1557 : : static int
1682 heikki.linnakangas@i 1558 : 128 : pg_gbk_verifystr(const unsigned char *s, int len)
1559 : : {
1560 : 128 : const unsigned char *start = s;
1561 : :
1562 [ + + ]: 329 : while (len > 0)
1563 : : {
1564 : : int l;
1565 : :
1566 : : /* fast path for ASCII-subset characters */
1567 [ + + ]: 242 : if (!IS_HIGHBIT_SET(*s))
1568 : : {
1569 [ - + ]: 121 : if (*s == '\0')
1682 heikki.linnakangas@i 1570 :UBC 0 : break;
1682 heikki.linnakangas@i 1571 :CBC 121 : l = 1;
1572 : : }
1573 : : else
1574 : : {
1575 : 121 : l = pg_gbk_verifychar(s, len);
1576 [ + + ]: 121 : if (l == -1)
1577 : 41 : break;
1578 : : }
1579 : 201 : s += l;
1580 : 201 : len -= l;
1581 : : }
1582 : :
1583 : 128 : return s - start;
1584 : : }
1585 : :
1586 : : static int
1587 : 9 : pg_uhc_verifychar(const unsigned char *s, int len)
1588 : : {
1589 : : int l,
1590 : : mbl;
1591 : :
7048 tgl@sss.pgh.pa.us 1592 : 9 : l = mbl = pg_uhc_mblen(s);
1593 : :
1594 [ + + ]: 9 : if (len < l)
1595 : 3 : return -1;
1596 : :
208 andres@anarazel.de 1597 [ + - ]: 6 : if (l == 2 &&
1598 [ + - ]: 6 : s[0] == NONUTF8_INVALID_BYTE0 &&
1599 [ + - ]: 6 : s[1] == NONUTF8_INVALID_BYTE1)
1600 : 6 : return -1;
1601 : :
7048 tgl@sss.pgh.pa.us 1602 [ # # ]:UBC 0 : while (--l > 0)
1603 : : {
1604 [ # # ]: 0 : if (*++s == '\0')
1605 : 0 : return -1;
1606 : : }
1607 : :
1608 : 0 : return mbl;
1609 : : }
1610 : :
1611 : : static int
1682 heikki.linnakangas@i 1612 :CBC 12 : pg_uhc_verifystr(const unsigned char *s, int len)
1613 : : {
1614 : 12 : const unsigned char *start = s;
1615 : :
1616 [ + + ]: 21 : while (len > 0)
1617 : : {
1618 : : int l;
1619 : :
1620 : : /* fast path for ASCII-subset characters */
1621 [ + + ]: 18 : if (!IS_HIGHBIT_SET(*s))
1622 : : {
1623 [ - + ]: 9 : if (*s == '\0')
1682 heikki.linnakangas@i 1624 :UBC 0 : break;
1682 heikki.linnakangas@i 1625 :CBC 9 : l = 1;
1626 : : }
1627 : : else
1628 : : {
1629 : 9 : l = pg_uhc_verifychar(s, len);
1630 [ + - ]: 9 : if (l == -1)
1631 : 9 : break;
1632 : : }
1633 : 9 : s += l;
1634 : 9 : len -= l;
1635 : : }
1636 : :
1637 : 12 : return s - start;
1638 : : }
1639 : :
1640 : : static int
1641 : 582 : pg_gb18030_verifychar(const unsigned char *s, int len)
1642 : : {
1643 : : int l;
1644 : :
3767 tgl@sss.pgh.pa.us 1645 [ - + ]: 582 : if (!IS_HIGHBIT_SET(*s))
3767 tgl@sss.pgh.pa.us 1646 :UBC 0 : l = 1; /* ASCII */
3767 tgl@sss.pgh.pa.us 1647 [ + + + + :CBC 582 : else if (len >= 4 && *(s + 1) >= 0x30 && *(s + 1) <= 0x39)
+ + ]
1648 : : {
1649 : : /* Should be 4-byte, validate remaining bytes */
1650 [ + + + - ]: 159 : if (*s >= 0x81 && *s <= 0xfe &&
1651 [ + - + - ]: 153 : *(s + 2) >= 0x81 && *(s + 2) <= 0xfe &&
1652 [ + + + - ]: 153 : *(s + 3) >= 0x30 && *(s + 3) <= 0x39)
1653 : 81 : l = 4;
1654 : : else
1655 : 78 : l = -1;
1656 : : }
1657 [ + + + + : 423 : else if (len >= 2 && *s >= 0x81 && *s <= 0xfe)
+ - ]
1658 : : {
1659 : : /* Should be 2-byte, validate */
1660 [ + + + + ]: 306 : if ((*(s + 1) >= 0x40 && *(s + 1) <= 0x7e) ||
1661 [ + + + - ]: 186 : (*(s + 1) >= 0x80 && *(s + 1) <= 0xfe))
1662 : 138 : l = 2;
1663 : : else
1664 : 168 : l = -1;
1665 : : }
1666 : : else
1667 : 117 : l = -1;
1668 : 582 : return l;
1669 : : }
1670 : :
1671 : : static int
1682 heikki.linnakangas@i 1672 : 442 : pg_gb18030_verifystr(const unsigned char *s, int len)
1673 : : {
1674 : 442 : const unsigned char *start = s;
1675 : :
1676 [ + + ]: 1465 : while (len > 0)
1677 : : {
1678 : : int l;
1679 : :
1680 : : /* fast path for ASCII-subset characters */
1681 [ + + ]: 1326 : if (!IS_HIGHBIT_SET(*s))
1682 : : {
1683 [ + + ]: 902 : if (*s == '\0')
1684 : 24 : break;
1685 : 878 : l = 1;
1686 : : }
1687 : : else
1688 : : {
1689 : 424 : l = pg_gb18030_verifychar(s, len);
1690 [ + + ]: 424 : if (l == -1)
1691 : 279 : break;
1692 : : }
1693 : 1023 : s += l;
1694 : 1023 : len -= l;
1695 : : }
1696 : :
1697 : 442 : return s - start;
1698 : : }
1699 : :
1700 : : static int
1701 : 8807 : pg_utf8_verifychar(const unsigned char *s, int len)
1702 : : {
1703 : : int l;
1704 : :
1705 [ - + ]: 8807 : if ((*s & 0x80) == 0)
1706 : : {
1682 heikki.linnakangas@i 1707 [ # # ]:UBC 0 : if (*s == '\0')
1708 : 0 : return -1;
1709 : 0 : return 1;
1710 : : }
1682 heikki.linnakangas@i 1711 [ + + ]:CBC 8807 : else if ((*s & 0xe0) == 0xc0)
1712 : 3081 : l = 2;
1713 [ + + ]: 5726 : else if ((*s & 0xf0) == 0xe0)
1714 : 3166 : l = 3;
1715 [ + + ]: 2560 : else if ((*s & 0xf8) == 0xf0)
1716 : 2428 : l = 4;
1717 : : else
1718 : 132 : l = 1;
1719 : :
1720 [ + + ]: 8807 : if (l > len)
7048 tgl@sss.pgh.pa.us 1721 : 289 : return -1;
1722 : :
1723 [ + + ]: 8518 : if (!pg_utf8_islegal(s, l))
1724 : 1178 : return -1;
1725 : :
1726 : 7340 : return l;
1727 : : }
1728 : :
1729 : : /*
1730 : : * The fast path of the UTF-8 verifier uses a deterministic finite automaton
1731 : : * (DFA) for multibyte characters. In a traditional table-driven DFA, the
1732 : : * input byte and current state are used to compute an index into an array of
1733 : : * state transitions. Since the address of the next transition is dependent
1734 : : * on this computation, there is latency in executing the load instruction,
1735 : : * and the CPU is not kept busy.
1736 : : *
1737 : : * Instead, we use a "shift-based" DFA as described by Per Vognsen:
1738 : : *
1739 : : * https://gist.github.com/pervognsen/218ea17743e1442e59bb60d29b1aa725
1740 : : *
1741 : : * In a shift-based DFA, the input byte is an index into array of integers
1742 : : * whose bit pattern encodes the state transitions. To compute the next
1743 : : * state, we simply right-shift the integer by the current state and apply a
1744 : : * mask. In this scheme, the address of the transition only depends on the
1745 : : * input byte, so there is better pipelining.
1746 : : *
1747 : : * The naming convention for states and transitions was adopted from a UTF-8
1748 : : * to UTF-16/32 transcoder, whose table is reproduced below:
1749 : : *
1750 : : * https://github.com/BobSteagall/utf_utils/blob/6b7a465265de2f5fa6133d653df0c9bdd73bbcf8/src/utf_utils.cpp
1751 : : *
1752 : : * ILL ASC CR1 CR2 CR3 L2A L3A L3B L3C L4A L4B L4C CLASS / STATE
1753 : : * ==========================================================================
1754 : : * err, END, err, err, err, CS1, P3A, CS2, P3B, P4A, CS3, P4B, | BGN/END
1755 : : * err, err, err, err, err, err, err, err, err, err, err, err, | ERR
1756 : : * |
1757 : : * err, err, END, END, END, err, err, err, err, err, err, err, | CS1
1758 : : * err, err, CS1, CS1, CS1, err, err, err, err, err, err, err, | CS2
1759 : : * err, err, CS2, CS2, CS2, err, err, err, err, err, err, err, | CS3
1760 : : * |
1761 : : * err, err, err, err, CS1, err, err, err, err, err, err, err, | P3A
1762 : : * err, err, CS1, CS1, err, err, err, err, err, err, err, err, | P3B
1763 : : * |
1764 : : * err, err, err, CS2, CS2, err, err, err, err, err, err, err, | P4A
1765 : : * err, err, CS2, err, err, err, err, err, err, err, err, err, | P4B
1766 : : *
1767 : : * In the most straightforward implementation, a shift-based DFA for UTF-8
1768 : : * requires 64-bit integers to encode the transitions, but with an SMT solver
1769 : : * it's possible to find state numbers such that the transitions fit within
1770 : : * 32-bit integers, as Dougall Johnson demonstrated:
1771 : : *
1772 : : * https://gist.github.com/dougallj/166e326de6ad4cf2c94be97a204c025f
1773 : : *
1774 : : * This packed representation is the reason for the seemingly odd choice of
1775 : : * state values below.
1776 : : */
1777 : :
1778 : : /* Error */
1779 : : #define ERR 0
1780 : : /* Begin */
1781 : : #define BGN 11
1782 : : /* Continuation states, expect 1/2/3 continuation bytes */
1783 : : #define CS1 16
1784 : : #define CS2 1
1785 : : #define CS3 5
1786 : : /* Partial states, where the first continuation byte has a restricted range */
1787 : : #define P3A 6 /* Lead was E0, check for 3-byte overlong */
1788 : : #define P3B 20 /* Lead was ED, check for surrogate */
1789 : : #define P4A 25 /* Lead was F0, check for 4-byte overlong */
1790 : : #define P4B 30 /* Lead was F4, check for too-large */
1791 : : /* Begin and End are the same state */
1792 : : #define END BGN
1793 : :
1794 : : /* the encoded state transitions for the lookup table */
1795 : :
1796 : : /* ASCII */
1797 : : #define ASC (END << BGN)
1798 : : /* 2-byte lead */
1799 : : #define L2A (CS1 << BGN)
1800 : : /* 3-byte lead */
1801 : : #define L3A (P3A << BGN)
1802 : : #define L3B (CS2 << BGN)
1803 : : #define L3C (P3B << BGN)
1804 : : /* 4-byte lead */
1805 : : #define L4A (P4A << BGN)
1806 : : #define L4B (CS3 << BGN)
1807 : : #define L4C (P4B << BGN)
1808 : : /* continuation byte */
1809 : : #define CR1 (END << CS1) | (CS1 << CS2) | (CS2 << CS3) | (CS1 << P3B) | (CS2 << P4B)
1810 : : #define CR2 (END << CS1) | (CS1 << CS2) | (CS2 << CS3) | (CS1 << P3B) | (CS2 << P4A)
1811 : : #define CR3 (END << CS1) | (CS1 << CS2) | (CS2 << CS3) | (CS1 << P3A) | (CS2 << P4A)
1812 : : /* invalid byte */
1813 : : #define ILL ERR
1814 : :
1815 : : static const uint32 Utf8Transition[256] =
1816 : : {
1817 : : /* ASCII */
1818 : :
1819 : : ILL, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1820 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1821 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1822 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1823 : :
1824 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1825 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1826 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1827 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1828 : :
1829 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1830 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1831 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1832 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1833 : :
1834 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1835 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1836 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1837 : : ASC, ASC, ASC, ASC, ASC, ASC, ASC, ASC,
1838 : :
1839 : : /* continuation bytes */
1840 : :
1841 : : /* 80..8F */
1842 : : CR1, CR1, CR1, CR1, CR1, CR1, CR1, CR1,
1843 : : CR1, CR1, CR1, CR1, CR1, CR1, CR1, CR1,
1844 : :
1845 : : /* 90..9F */
1846 : : CR2, CR2, CR2, CR2, CR2, CR2, CR2, CR2,
1847 : : CR2, CR2, CR2, CR2, CR2, CR2, CR2, CR2,
1848 : :
1849 : : /* A0..BF */
1850 : : CR3, CR3, CR3, CR3, CR3, CR3, CR3, CR3,
1851 : : CR3, CR3, CR3, CR3, CR3, CR3, CR3, CR3,
1852 : : CR3, CR3, CR3, CR3, CR3, CR3, CR3, CR3,
1853 : : CR3, CR3, CR3, CR3, CR3, CR3, CR3, CR3,
1854 : :
1855 : : /* leading bytes */
1856 : :
1857 : : /* C0..DF */
1858 : : ILL, ILL, L2A, L2A, L2A, L2A, L2A, L2A,
1859 : : L2A, L2A, L2A, L2A, L2A, L2A, L2A, L2A,
1860 : : L2A, L2A, L2A, L2A, L2A, L2A, L2A, L2A,
1861 : : L2A, L2A, L2A, L2A, L2A, L2A, L2A, L2A,
1862 : :
1863 : : /* E0..EF */
1864 : : L3A, L3B, L3B, L3B, L3B, L3B, L3B, L3B,
1865 : : L3B, L3B, L3B, L3B, L3B, L3C, L3B, L3B,
1866 : :
1867 : : /* F0..FF */
1868 : : L4A, L4B, L4B, L4B, L4C, ILL, ILL, ILL,
1869 : : ILL, ILL, ILL, ILL, ILL, ILL, ILL, ILL
1870 : : };
1871 : :
1872 : : static void
1418 john.naylor@postgres 1873 : 852 : utf8_advance(const unsigned char *s, uint32 *state, int len)
1874 : : {
1875 : : /* Note: We deliberately don't check the state's value here. */
1876 [ + + ]: 28116 : while (len > 0)
1877 : : {
1878 : : /*
1879 : : * It's important that the mask value is 31: In most instruction sets,
1880 : : * a shift by a 32-bit operand is understood to be a shift by its mod
1881 : : * 32, so the compiler should elide the mask operation.
1882 : : */
1883 : 27264 : *state = Utf8Transition[*s++] >> (*state & 31);
1884 : 27264 : len--;
1885 : : }
1886 : :
1887 : 852 : *state &= 31;
1888 : 852 : }
1889 : :
1890 : : static int
1682 heikki.linnakangas@i 1891 : 827472 : pg_utf8_verifystr(const unsigned char *s, int len)
1892 : : {
1893 : 827472 : const unsigned char *start = s;
1418 john.naylor@postgres 1894 : 827472 : const int orig_len = len;
1895 : 827472 : uint32 state = BGN;
1896 : :
1897 : : /*
1898 : : * With a stride of two vector widths, gcc will unroll the loop. Even if
1899 : : * the compiler can unroll a longer loop, it's not worth it because we
1900 : : * must fall back to the byte-wise algorithm if we find any non-ASCII.
1901 : : */
1902 : : #define STRIDE_LENGTH (2 * sizeof(Vector8))
1903 : :
1904 [ + + ]: 827472 : if (len >= STRIDE_LENGTH)
1905 : : {
1906 [ + + ]: 2710535 : while (len >= STRIDE_LENGTH)
1907 : : {
1908 : : /*
1909 : : * If the chunk is all ASCII, we can skip the full UTF-8 check,
1910 : : * but we must first check for a non-END state, which means the
1911 : : * previous chunk ended in the middle of a multibyte sequence.
1912 : : */
1913 [ + + + + ]: 2196042 : if (state != END || !is_valid_ascii(s, STRIDE_LENGTH))
1914 : 852 : utf8_advance(s, &state, STRIDE_LENGTH);
1915 : :
1916 : 2196042 : s += STRIDE_LENGTH;
1917 : 2196042 : len -= STRIDE_LENGTH;
1918 : : }
1919 : :
1920 : : /* The error state persists, so we only need to check for it here. */
1921 [ + + ]: 514493 : if (state == ERR)
1922 : : {
1923 : : /*
1924 : : * Start over from the beginning with the slow path so we can
1925 : : * count the valid bytes.
1926 : : */
1927 : 252 : len = orig_len;
1928 : 252 : s = start;
1929 : : }
1328 1930 [ + + ]: 514241 : else if (state != END)
1931 : : {
1932 : : /*
1933 : : * The fast path exited in the middle of a multibyte sequence.
1934 : : * Walk backwards to find the leading byte so that the slow path
1935 : : * can resume checking from there. We must always backtrack at
1936 : : * least one byte, since the current byte could be e.g. an ASCII
1937 : : * byte after a 2-byte lead, which is invalid.
1938 : : */
1939 : : do
1940 : : {
1941 [ - + ]: 57 : Assert(s > start);
1942 : 57 : s--;
1943 : 57 : len++;
1944 [ - + ]: 57 : Assert(IS_HIGHBIT_SET(*s));
1945 [ + + ]: 57 : } while (pg_utf_mblen(s) <= 1);
1946 : : }
1947 : : }
1948 : :
1949 : : /* check remaining bytes */
1682 heikki.linnakangas@i 1950 [ + + ]: 11485470 : while (len > 0)
1951 : : {
1952 : : int l;
1953 : :
1954 : : /* fast path for ASCII-subset characters */
1955 [ + + ]: 10659535 : if (!IS_HIGHBIT_SET(*s))
1956 : : {
1957 [ + + ]: 10650764 : if (*s == '\0')
1958 : 102 : break;
1959 : 10650662 : l = 1;
1960 : : }
1961 : : else
1962 : : {
1963 : 8771 : l = pg_utf8_verifychar(s, len);
1964 [ + + ]: 8771 : if (l == -1)
1965 : 1435 : break;
1966 : : }
1967 : 10657998 : s += l;
1968 : 10657998 : len -= l;
1969 : : }
1970 : :
1971 : 827472 : return s - start;
1972 : : }
1973 : :
1974 : : /*
1975 : : * Check for validity of a single UTF-8 encoded character
1976 : : *
1977 : : * This directly implements the rules in RFC3629. The bizarre-looking
1978 : : * restrictions on the second byte are meant to ensure that there isn't
1979 : : * more than one encoding of a given Unicode character point; that is,
1980 : : * you may not use a longer-than-necessary byte sequence with high order
1981 : : * zero bits to represent a character that would fit in fewer bytes.
1982 : : * To do otherwise is to create security hazards (eg, create an apparent
1983 : : * non-ASCII character that decodes to plain ASCII).
1984 : : *
1985 : : * length is assumed to have been obtained by pg_utf_mblen(), and the
1986 : : * caller must have checked that that many bytes are present in the buffer.
1987 : : */
1988 : : bool
7266 bruce@momjian.us 1989 : 11790 : pg_utf8_islegal(const unsigned char *source, int length)
1990 : : {
1991 : : unsigned char a;
1992 : :
1993 [ - + + + : 11790 : switch (length)
+ ]
1994 : : {
7266 bruce@momjian.us 1995 :UBC 0 : default:
1996 : : /* reject lengths 5 and 6 for now */
1997 : 0 : return false;
7266 bruce@momjian.us 1998 :CBC 2298 : case 4:
7048 tgl@sss.pgh.pa.us 1999 : 2298 : a = source[3];
2000 [ + + - + ]: 2298 : if (a < 0x80 || a > 0xBF)
7266 bruce@momjian.us 2001 : 182 : return false;
2002 : : /* FALL THRU */
2003 : : case 3:
7048 tgl@sss.pgh.pa.us 2004 : 6019 : a = source[2];
2005 [ + + + + ]: 6019 : if (a < 0x80 || a > 0xBF)
7266 bruce@momjian.us 2006 : 340 : return false;
2007 : : /* FALL THRU */
2008 : : case 2:
7048 tgl@sss.pgh.pa.us 2009 : 8989 : a = source[1];
7266 bruce@momjian.us 2010 [ + + + + : 8989 : switch (*source)
+ ]
2011 : : {
2012 : 156 : case 0xE0:
7048 tgl@sss.pgh.pa.us 2013 [ + + - + ]: 156 : if (a < 0xA0 || a > 0xBF)
7266 bruce@momjian.us 2014 : 132 : return false;
2015 : 24 : break;
2016 : 156 : case 0xED:
7048 tgl@sss.pgh.pa.us 2017 [ + - + + ]: 156 : if (a < 0x80 || a > 0x9F)
7266 bruce@momjian.us 2018 : 132 : return false;
2019 : 24 : break;
2020 : 2026 : case 0xF0:
7048 tgl@sss.pgh.pa.us 2021 [ + + - + ]: 2026 : if (a < 0x90 || a > 0xBF)
7266 bruce@momjian.us 2022 : 132 : return false;
2023 : 1894 : break;
2024 : 90 : case 0xF4:
7048 tgl@sss.pgh.pa.us 2025 [ + - + + ]: 90 : if (a < 0x80 || a > 0x8F)
7266 bruce@momjian.us 2026 : 66 : return false;
2027 : 24 : break;
2028 : 6561 : default:
7048 tgl@sss.pgh.pa.us 2029 [ + + - + ]: 6561 : if (a < 0x80 || a > 0xBF)
7266 bruce@momjian.us 2030 : 146 : return false;
7048 tgl@sss.pgh.pa.us 2031 : 6415 : break;
2032 : : }
2033 : : /* FALL THRU */
2034 : : case 1:
2035 : 10660 : a = *source;
2036 [ + + + + ]: 10660 : if (a >= 0x80 && a < 0xC2)
2037 : 198 : return false;
2038 [ + + ]: 10462 : if (a > 0xF4)
7266 bruce@momjian.us 2039 : 66 : return false;
7048 tgl@sss.pgh.pa.us 2040 : 10396 : break;
2041 : : }
7266 bruce@momjian.us 2042 : 10396 : return true;
2043 : : }
2044 : :
2045 : :
2046 : : /*
2047 : : * Fills the provided buffer with two bytes such that:
2048 : : * pg_encoding_mblen(dst) == 2 && pg_encoding_verifymbstr(dst) == 0
2049 : : */
2050 : : void
208 andres@anarazel.de 2051 : 206 : pg_encoding_set_invalid(int encoding, char *dst)
2052 : : {
2053 [ - + ]: 206 : Assert(pg_encoding_max_length(encoding) > 1);
2054 : :
2055 [ + + ]: 206 : dst[0] = (encoding == PG_UTF8 ? 0xc0 : NONUTF8_INVALID_BYTE0);
2056 : 206 : dst[1] = NONUTF8_INVALID_BYTE1;
2057 : 206 : }
2058 : :
2059 : : /*
2060 : : *-------------------------------------------------------------------
2061 : : * encoding info table
2062 : : *-------------------------------------------------------------------
2063 : : */
2064 : : const pg_wchar_tbl pg_wchar_table[] = {
2065 : : [PG_SQL_ASCII] = {pg_ascii2wchar_with_len, pg_wchar2single_with_len, pg_ascii_mblen, pg_ascii_dsplen, pg_ascii_verifychar, pg_ascii_verifystr, 1},
2066 : : [PG_EUC_JP] = {pg_eucjp2wchar_with_len, pg_wchar2euc_with_len, pg_eucjp_mblen, pg_eucjp_dsplen, pg_eucjp_verifychar, pg_eucjp_verifystr, 3},
2067 : : [PG_EUC_CN] = {pg_euccn2wchar_with_len, pg_wchar2euc_with_len, pg_euccn_mblen, pg_euccn_dsplen, pg_euccn_verifychar, pg_euccn_verifystr, 2},
2068 : : [PG_EUC_KR] = {pg_euckr2wchar_with_len, pg_wchar2euc_with_len, pg_euckr_mblen, pg_euckr_dsplen, pg_euckr_verifychar, pg_euckr_verifystr, 3},
2069 : : [PG_EUC_TW] = {pg_euctw2wchar_with_len, pg_wchar2euc_with_len, pg_euctw_mblen, pg_euctw_dsplen, pg_euctw_verifychar, pg_euctw_verifystr, 4},
2070 : : [PG_EUC_JIS_2004] = {pg_eucjp2wchar_with_len, pg_wchar2euc_with_len, pg_eucjp_mblen, pg_eucjp_dsplen, pg_eucjp_verifychar, pg_eucjp_verifystr, 3},
2071 : : [PG_UTF8] = {pg_utf2wchar_with_len, pg_wchar2utf_with_len, pg_utf_mblen, pg_utf_dsplen, pg_utf8_verifychar, pg_utf8_verifystr, 4},
2072 : : [PG_MULE_INTERNAL] = {pg_mule2wchar_with_len, pg_wchar2mule_with_len, pg_mule_mblen, pg_mule_dsplen, pg_mule_verifychar, pg_mule_verifystr, 4},
2073 : : [PG_LATIN1] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2074 : : [PG_LATIN2] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2075 : : [PG_LATIN3] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2076 : : [PG_LATIN4] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2077 : : [PG_LATIN5] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2078 : : [PG_LATIN6] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2079 : : [PG_LATIN7] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2080 : : [PG_LATIN8] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2081 : : [PG_LATIN9] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2082 : : [PG_LATIN10] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2083 : : [PG_WIN1256] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2084 : : [PG_WIN1258] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2085 : : [PG_WIN866] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2086 : : [PG_WIN874] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2087 : : [PG_KOI8R] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2088 : : [PG_WIN1251] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2089 : : [PG_WIN1252] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2090 : : [PG_ISO_8859_5] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2091 : : [PG_ISO_8859_6] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2092 : : [PG_ISO_8859_7] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2093 : : [PG_ISO_8859_8] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2094 : : [PG_WIN1250] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2095 : : [PG_WIN1253] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2096 : : [PG_WIN1254] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2097 : : [PG_WIN1255] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2098 : : [PG_WIN1257] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2099 : : [PG_KOI8U] = {pg_latin12wchar_with_len, pg_wchar2single_with_len, pg_latin1_mblen, pg_latin1_dsplen, pg_latin1_verifychar, pg_latin1_verifystr, 1},
2100 : : [PG_SJIS] = {0, 0, pg_sjis_mblen, pg_sjis_dsplen, pg_sjis_verifychar, pg_sjis_verifystr, 2},
2101 : : [PG_BIG5] = {0, 0, pg_big5_mblen, pg_big5_dsplen, pg_big5_verifychar, pg_big5_verifystr, 2},
2102 : : [PG_GBK] = {0, 0, pg_gbk_mblen, pg_gbk_dsplen, pg_gbk_verifychar, pg_gbk_verifystr, 2},
2103 : : [PG_UHC] = {0, 0, pg_uhc_mblen, pg_uhc_dsplen, pg_uhc_verifychar, pg_uhc_verifystr, 2},
2104 : : [PG_GB18030] = {0, 0, pg_gb18030_mblen, pg_gb18030_dsplen, pg_gb18030_verifychar, pg_gb18030_verifystr, 4},
2105 : : [PG_JOHAB] = {0, 0, pg_johab_mblen, pg_johab_dsplen, pg_johab_verifychar, pg_johab_verifystr, 3},
2106 : : [PG_SHIFT_JIS_2004] = {0, 0, pg_sjis_mblen, pg_sjis_dsplen, pg_sjis_verifychar, pg_sjis_verifystr, 2},
2107 : : };
2108 : :
2109 : : /*
2110 : : * Returns the byte length of a multibyte character.
2111 : : *
2112 : : * Choose "mblen" functions based on the input string characteristics.
2113 : : * pg_encoding_mblen() can be used when ANY of these conditions are met:
2114 : : *
2115 : : * - The input string is zero-terminated
2116 : : *
2117 : : * - The input string is known to be valid in the encoding (e.g., string
2118 : : * converted from database encoding)
2119 : : *
2120 : : * - The encoding is not GB18030 (e.g., when only database encodings are
2121 : : * passed to 'encoding' parameter)
2122 : : *
2123 : : * encoding==GB18030 requires examining up to two bytes to determine character
2124 : : * length. Therefore, callers satisfying none of those conditions must use
2125 : : * pg_encoding_mblen_or_incomplete() instead, as access to mbstr[1] cannot be
2126 : : * guaranteed to be within allocation bounds.
2127 : : *
2128 : : * When dealing with text that is not certainly valid in the specified
2129 : : * encoding, the result may exceed the actual remaining string length.
2130 : : * Callers that are not prepared to deal with that should use Min(remaining,
2131 : : * pg_encoding_mblen_or_incomplete()). For zero-terminated strings, that and
2132 : : * pg_encoding_mblen_bounded() are interchangeable.
2133 : : */
2134 : : int
7048 tgl@sss.pgh.pa.us 2135 : 27454066 : pg_encoding_mblen(int encoding, const char *mbstr)
2136 : : {
4184 bruce@momjian.us 2137 [ + - ]: 27454066 : return (PG_VALID_ENCODING(encoding) ?
2921 peter_e@gmx.net 2138 [ + - ]: 54908132 : pg_wchar_table[encoding].mblen((const unsigned char *) mbstr) :
2921 peter_e@gmx.net 2139 :UBC 0 : pg_wchar_table[PG_SQL_ASCII].mblen((const unsigned char *) mbstr));
2140 : : }
2141 : :
2142 : : /*
2143 : : * Returns the byte length of a multibyte character (possibly not
2144 : : * zero-terminated), or INT_MAX if too few bytes remain to determine a length.
2145 : : */
2146 : : int
124 noah@leadboat.com 2147 :CBC 3047 : pg_encoding_mblen_or_incomplete(int encoding, const char *mbstr,
2148 : : size_t remaining)
2149 : : {
2150 : : /*
2151 : : * Define zero remaining as too few, even for single-byte encodings.
2152 : : * pg_gb18030_mblen() reads one or two bytes; single-byte encodings read
2153 : : * zero; others read one.
2154 : : */
2155 [ + - + + ]: 3047 : if (remaining < 1 ||
2156 [ + + + + ]: 169 : (encoding == PG_GB18030 && IS_HIGHBIT_SET(*mbstr) && remaining < 2))
2157 : 36 : return INT_MAX;
2158 : 3011 : return pg_encoding_mblen(encoding, mbstr);
2159 : : }
2160 : :
2161 : : /*
2162 : : * Returns the byte length of a multibyte character; but not more than the
2163 : : * distance to the terminating zero byte. For input that might lack a
2164 : : * terminating zero, use Min(remaining, pg_encoding_mblen_or_incomplete()).
2165 : : */
2166 : : int
1552 tgl@sss.pgh.pa.us 2167 :UBC 0 : pg_encoding_mblen_bounded(int encoding, const char *mbstr)
2168 : : {
2169 : 0 : return strnlen(mbstr, pg_encoding_mblen(encoding, mbstr));
2170 : : }
2171 : :
2172 : : /*
2173 : : * Returns the display length of a multibyte character.
2174 : : */
2175 : : int
7048 tgl@sss.pgh.pa.us 2176 :CBC 27363674 : pg_encoding_dsplen(int encoding, const char *mbstr)
2177 : : {
4184 bruce@momjian.us 2178 [ + - ]: 27363674 : return (PG_VALID_ENCODING(encoding) ?
2921 peter_e@gmx.net 2179 [ + - ]: 54727348 : pg_wchar_table[encoding].dsplen((const unsigned char *) mbstr) :
2921 peter_e@gmx.net 2180 :UBC 0 : pg_wchar_table[PG_SQL_ASCII].dsplen((const unsigned char *) mbstr));
2181 : : }
2182 : :
2183 : : /*
2184 : : * Verify the first multibyte character of the given string.
2185 : : * Return its byte length if good, -1 if bad. (See comments above for
2186 : : * full details of the mbverifychar API.)
2187 : : */
2188 : : int
1682 heikki.linnakangas@i 2189 :CBC 4853 : pg_encoding_verifymbchar(int encoding, const char *mbstr, int len)
2190 : : {
2191 [ + - ]: 4853 : return (PG_VALID_ENCODING(encoding) ?
2192 [ + - ]: 9706 : pg_wchar_table[encoding].mbverifychar((const unsigned char *) mbstr, len) :
1682 heikki.linnakangas@i 2193 :UBC 0 : pg_wchar_table[PG_SQL_ASCII].mbverifychar((const unsigned char *) mbstr, len));
2194 : : }
2195 : :
2196 : : /*
2197 : : * Verify that a string is valid for the given encoding.
2198 : : * Returns the number of input bytes (<= len) that form a valid string.
2199 : : * (See comments above for full details of the mbverifystr API.)
2200 : : */
2201 : : int
1682 heikki.linnakangas@i 2202 :CBC 230399 : pg_encoding_verifymbstr(int encoding, const char *mbstr, int len)
2203 : : {
4184 bruce@momjian.us 2204 [ + - ]: 230399 : return (PG_VALID_ENCODING(encoding) ?
1682 heikki.linnakangas@i 2205 [ + - ]: 460798 : pg_wchar_table[encoding].mbverifystr((const unsigned char *) mbstr, len) :
1682 heikki.linnakangas@i 2206 :UBC 0 : pg_wchar_table[PG_SQL_ASCII].mbverifystr((const unsigned char *) mbstr, len));
2207 : : }
2208 : :
2209 : : /*
2210 : : * fetch maximum length of a given encoding
2211 : : */
2212 : : int
7048 tgl@sss.pgh.pa.us 2213 :CBC 436276 : pg_encoding_max_length(int encoding)
2214 : : {
2215 [ + - + + ]: 436276 : Assert(PG_VALID_ENCODING(encoding));
2216 : :
2217 : : /*
2218 : : * Check for the encoding despite the assert, due to some mingw versions
2219 : : * otherwise issuing bogus warnings.
2220 : : */
208 andres@anarazel.de 2221 [ + - ]: 436276 : return PG_VALID_ENCODING(encoding) ?
2222 [ + - ]: 872552 : pg_wchar_table[encoding].maxmblen :
2223 : : pg_wchar_table[PG_SQL_ASCII].maxmblen;
2224 : : }
|
