lib/unigbrk/ulc-grapheme-breaks.c

   1 /* Grapheme cluster breaks function.
   2    Copyright (C) 2001-2003, 2006-2014 Free Software Foundation, Inc.
   3    Written by Ben Pfaff <blp@cs.stanford.edu>, 2010,
   4    based on code written by Bruno Haible <bruno@clisp.org>, 2009.
   5
   6    This program is free software: you can redistribute it and/or modify it
   7    under the terms of the GNU Lesser General Public License as published
   8    by the Free Software Foundation; either version 3 of the License, or
   9    (at your option) any later version.
  10
  11    This program is distributed in the hope that it will be useful,
  12    but WITHOUT ANY WARRANTY; without even the implied warranty of
  13    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14    Lesser General Public License for more details.
  15
  16    You should have received a copy of the GNU Lesser General Public License
  17    along with this program.  If not, see <http://www.gnu.org/licenses/>.  */
  18
  19 #include <config.h>
  20
  21 /* Specification.  */
  22 #include "unigbrk.h"
  23
  24 #include <stdlib.h>
  25 #include <string.h>
  26
  27 #include "c-ctype.h"
  28 #include "c-strcaseeq.h"
  29 #include "localcharset.h"
  30 #include "uniconv.h"
  31
  32 static int
  33 is_utf8_encoding (const char *encoding)
  34 {
  35   if (STRCASEEQ (encoding, "UTF-8", 'U', 'T', 'F', '-', '8', 0, 0, 0, 0))
  36     return 1;
  37   return 0;
  38 }
  39
  40 #if C_CTYPE_ASCII
  41 /* Assume that every ASCII character starts a new grapheme, which is often
  42    true, except that CR-LF is a single grapheme. */
  43 static void
  44 ascii_grapheme_breaks (const char *s, size_t n, char *p)
  45 {
  46   size_t i;
  47
  48   p[0] = 1;
  49   for (i = 1; i < n; i++)
  50     {
  51       bool is_ascii = c_isprint (s[i]) || c_isspace (s[i]);
  52       p[i] = is_ascii && (s[i] != '\n' || s[i - 1] != '\r');
  53     }
  54 }
  55 #endif
  56
  57 /* Grapheme boundaries in a string in an arbitrary encoding.
  58
  59    We convert the input string to Unicode.
  60
  61    The standardized Unicode encodings are UTF-8, UCS-2, UCS-4, UTF-16,
  62    UTF-16BE, UTF-16LE, UTF-7.  UCS-2 supports only characters up to
  63    \U0000FFFF.  UTF-16 and variants support only characters up to
  64    \U0010FFFF.  UTF-7 is way too complex and not supported by glibc-2.1.
  65    UCS-4 specification leaves doubts about endianness and byte order mark.
  66    glibc currently interprets it as big endian without byte order mark,
  67    but this is not backed by an RFC.  So we use UTF-8. It supports
  68    characters up to \U7FFFFFFF and is unambiguously defined.  */
  69
  70 void
  71 ulc_grapheme_breaks (const char *s, size_t n, char *p)
  72 {
  73   if (n > 0)
  74     {
  75       const char *encoding = locale_charset ();
  76
  77       if (is_utf8_encoding (encoding))
  78         u8_grapheme_breaks ((const uint8_t *) s, n, p);
  79       else
  80         {
  81           /* Convert the string to UTF-8 and build a translation table
  82              from offsets into s to offsets into the translated string.  */
  83           size_t *offsets = (size_t *) malloc (n * sizeof (size_t));
  84
  85           if (offsets != NULL)
  86             {
  87               uint8_t *t;
  88               size_t m;
  89
  90               t = u8_conv_from_encoding (encoding, iconveh_question_mark,
  91                                          s, n, offsets, NULL, &m);
  92               if (t != NULL)
  93                 {
  94                   char *q = (char *) (m > 0 ? malloc (m) : NULL);
  95
  96                   if (m == 0 || q != NULL)
  97                     {
  98                       size_t i;
  99
 100                       /* Determine the grapheme breaks of the UTF-8 string.  */
 101                       u8_grapheme_breaks (t, m, q);
 102
 103                       /* Translate the result back to the original string.  */
 104                       memset (p, 0, n);
 105                       for (i = 0; i < n; i++)
 106                         if (offsets[i] != (size_t)(-1))
 107                           p[i] = q[offsets[i]];
 108
 109                       free (q);
 110                       free (t);
 111                       free (offsets);
 112                       return;
 113                     }
 114                   free (t);
 115                 }
 116               free (offsets);
 117             }
 118
 119           /* Impossible to convert. */
 120 #if C_CTYPE_ASCII
 121           /* Fall back to ASCII as best we can. */
 122           ascii_grapheme_breaks (s, n, p);
 123 #else
 124           /* We cannot make any assumptions. */
 125           p[0] = 1;
 126           memset (p + 1, 0, n - 1);
 127 #endif
 128         }
 129     }
 130 }