Evas encoding: Made the utf8 parser more robust.
In now handles more error cases in a more correct way. SVN revision: 57090
This commit is contained in:
parent
52807e1550
commit
a01b8fa7ce
|
@ -1,6 +1,12 @@
|
|||
#include "evas_common.h"
|
||||
#include "evas_encoding.h"
|
||||
|
||||
/* The replacement range that will be used for bad utf8 chars. */
|
||||
#define ERROR_REPLACEMENT_BASE 0xDC80
|
||||
#define ERROR_REPLACEMENT_END 0xDCFF
|
||||
#define IS_INVALID_BYTE(x) ((x == 192) || (x == 193) || (x >= 245))
|
||||
#define IS_CONTINUATION_BYTE(x) ((x & 0xC0) == 0x80)
|
||||
|
||||
EAPI Eina_Unicode
|
||||
evas_common_encoding_utf8_get_next(const char *buf, int *iindex)
|
||||
{
|
||||
|
@ -10,14 +16,15 @@ evas_common_encoding_utf8_get_next(const char *buf, int *iindex)
|
|||
*
|
||||
* Returns 0 to indicate there is no next char
|
||||
*/
|
||||
#if 1
|
||||
/* Note: we don't currently handle overlong forms and some other
|
||||
* broken cases. */
|
||||
int index = *iindex;
|
||||
Eina_Unicode r;
|
||||
unsigned char d;
|
||||
|
||||
/* if this char is the null terminator, exit */
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
|
||||
|
||||
if ((d & 0x80) == 0)
|
||||
{ // 1 byte (7bit) - 0xxxxxxx
|
||||
*iindex = index;
|
||||
|
@ -26,150 +33,91 @@ evas_common_encoding_utf8_get_next(const char *buf, int *iindex)
|
|||
if ((d & 0xe0) == 0xc0)
|
||||
{ // 2 byte (11bit) - 110xxxxx 10xxxxxx
|
||||
r = (d & 0x1f) << 6;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f);
|
||||
if (!r) return 0;
|
||||
if (!r) goto error;
|
||||
*iindex = index;
|
||||
return r;
|
||||
}
|
||||
if ((d & 0xf0) == 0xe0)
|
||||
{ // 3 byte (16bit) - 1110xxxx 10xxxxxx 10xxxxxx
|
||||
r = (d & 0x0f) << 12;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 6;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f);
|
||||
if (!r) return 0;
|
||||
if (!r) goto error;
|
||||
*iindex = index;
|
||||
return r;
|
||||
}
|
||||
if ((d & 0xf8) == 0xf0)
|
||||
{ // 4 byte (21bit) - 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
|
||||
r = (d & 0x07) << 18;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 12;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 6;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f);
|
||||
if (!r) return 0;
|
||||
if (!r) goto error;
|
||||
*iindex = index;
|
||||
return r;
|
||||
}
|
||||
if ((d & 0xfc) == 0xf8)
|
||||
{ // 5 byte (26bit) - 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
|
||||
r = (d & 0x03) << 24;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 18;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 12;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 6;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f);
|
||||
if (!r) return 0;
|
||||
if (!r) goto error;
|
||||
*iindex = index;
|
||||
return r;
|
||||
}
|
||||
if ((d & 0xfe) == 0xfc)
|
||||
{ // 6 byte (31bit) - 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
|
||||
r = (d & 0x01) << 30;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 24;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 18;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 12;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f) << 6;
|
||||
if ((d = buf[index++]) == 0) return 0;
|
||||
if (((d = buf[index++]) == 0) || IS_INVALID_BYTE(d) ||
|
||||
!IS_CONTINUATION_BYTE(d)) goto error;
|
||||
r |= (d & 0x3f);
|
||||
if (!r) return 0;
|
||||
if (!r) goto error;
|
||||
*iindex = index;
|
||||
return r;
|
||||
}
|
||||
return 0;
|
||||
#else
|
||||
int index = *iindex, r, len;
|
||||
unsigned char d, d2, d3, d4;
|
||||
|
||||
/* if this char is the null terminator, exit */
|
||||
if (!buf[index]) return 0;
|
||||
|
||||
d = buf[index++];
|
||||
|
||||
while (buf[index] && ((buf[index] & 0xc0) == 0x80))
|
||||
index++;
|
||||
len = index - *iindex;
|
||||
|
||||
if (len == 1)
|
||||
r = d;
|
||||
else if (len == 2)
|
||||
{
|
||||
/* 2 bytes */
|
||||
d2 = buf[*iindex + 1];
|
||||
if (d2 == 0)
|
||||
{
|
||||
*iindex = *iindex + 1;
|
||||
return 0;
|
||||
}
|
||||
r = d & 0x1f; /* copy lower 5 */
|
||||
r <<= 6;
|
||||
r |= (d2 & 0x3f); /* copy lower 6 */
|
||||
}
|
||||
else if (len == 3)
|
||||
{
|
||||
/* 3 bytes */
|
||||
d2 = buf[*iindex + 1];
|
||||
if (d2 == 0)
|
||||
{
|
||||
*iindex = *iindex + 1;
|
||||
return 0;
|
||||
}
|
||||
d3 = buf[*iindex + 2];
|
||||
if (d3 == 0)
|
||||
{
|
||||
*iindex = *iindex + 2;
|
||||
return 0;
|
||||
}
|
||||
r = d & 0x0f; /* copy lower 4 */
|
||||
r <<= 6;
|
||||
r |= (d2 & 0x3f);
|
||||
r <<= 6;
|
||||
r |= (d3 & 0x3f);
|
||||
}
|
||||
else
|
||||
{
|
||||
/* 4 bytes */
|
||||
d2 = buf[*iindex + 1];
|
||||
if (d2 == 0)
|
||||
{
|
||||
*iindex = *iindex + 1;
|
||||
return 0;
|
||||
}
|
||||
d3 = buf[*iindex + 2];
|
||||
if (d3 == 0)
|
||||
{
|
||||
*iindex = *iindex + 2;
|
||||
return 0;
|
||||
}
|
||||
d4 = buf[*iindex + 3];
|
||||
if (d4 == 0)
|
||||
{
|
||||
*iindex = *iindex + 3;
|
||||
return 0;
|
||||
}
|
||||
r = d & 0x0f; /* copy lower 4 */
|
||||
r <<= 6;
|
||||
r |= (d2 & 0x3f);
|
||||
r <<= 6;
|
||||
r |= (d3 & 0x3f);
|
||||
r <<= 6;
|
||||
r |= (d4 & 0x3f);
|
||||
}
|
||||
*iindex = index;
|
||||
return r;
|
||||
#endif
|
||||
/* Gets here where there was an error and we want to replace the char
|
||||
* we just use the invalid unicode codepoints 8 lower bits represent
|
||||
* the original char */
|
||||
error:
|
||||
d = buf[*iindex];
|
||||
(*iindex)++;
|
||||
return ERROR_REPLACEMENT_BASE | d;
|
||||
}
|
||||
|
||||
EAPI Eina_Unicode
|
||||
|
@ -211,25 +159,9 @@ evas_common_encoding_utf8_get_last(const char *buf, int buflen)
|
|||
*
|
||||
* Returns -1 to indicate an error
|
||||
*/
|
||||
int index;
|
||||
unsigned char d;
|
||||
|
||||
if (buflen < 1) return 0;
|
||||
index = buflen - 1;
|
||||
d = buf[index];
|
||||
if (!(d & 0x80))
|
||||
return index;
|
||||
else
|
||||
{
|
||||
while (index > 0)
|
||||
{
|
||||
index--;
|
||||
d = buf[index];
|
||||
if ((d & 0xc0) != 0x80)
|
||||
return index;
|
||||
}
|
||||
}
|
||||
return 0;
|
||||
/* Go one character backwards and then return the char at the new place */
|
||||
evas_common_encoding_utf8_get_prev(buf, &buflen);
|
||||
return evas_common_encoding_utf8_get_next(buf, &buflen);
|
||||
}
|
||||
|
||||
EAPI int
|
||||
|
@ -293,10 +225,20 @@ evas_common_encoding_unicode_to_utf8(const Eina_Unicode *uni, int *_len)
|
|||
}
|
||||
else if (*uind <= 0xFFFF) /* 3 byte char */
|
||||
{
|
||||
*ind++ = 0xE0 | (unsigned char) (*uind >> 12);
|
||||
*ind++ = 0x80 | (unsigned char) ((*uind >> 6) & 0x3F);
|
||||
*ind++ = 0x80 | (unsigned char) (*uind & 0x3F);
|
||||
len += 3;
|
||||
/* If it's a special replacement codepoint */
|
||||
if (*uind >= ERROR_REPLACEMENT_BASE &&
|
||||
*uind <= ERROR_REPLACEMENT_END)
|
||||
{
|
||||
*ind++ = *uind && 0xFF;
|
||||
len += 1;
|
||||
}
|
||||
else
|
||||
{
|
||||
*ind++ = 0xE0 | (unsigned char) (*uind >> 12);
|
||||
*ind++ = 0x80 | (unsigned char) ((*uind >> 6) & 0x3F);
|
||||
*ind++ = 0x80 | (unsigned char) (*uind & 0x3F);
|
||||
len += 3;
|
||||
}
|
||||
}
|
||||
else /* 4 byte char */
|
||||
{
|
||||
|
|
Loading…
Reference in New Issue