core/library/basis/utf_conversion.cpp

   1 /*****************************************************************************\
   2 *                                                                             *
   3 *  Name   : utf_conversion                                                    *
   4 *  Author : Unicode, Inc. (C conversion functions)                            *
   5 *  Author : Chris Koeritz (C++ conversion classes)                            *
   6 *                                                                             *
   7 *******************************************************************************
   8 * Copyright (c) 2006-$now By Author.  This program is free software; you can  *
   9 * redistribute it and/or modify it under the terms of the GNU General Public  *
  10 * License as published by the Free Software Foundation; either version 2 of   *
  11 * the License or (at your option) any later version.  This is online at:      *
  12 *     http://www.fsf.org/copyleft/gpl.html                                    *
  13 * Please send any updates to: fred@gruntose.com                               *
  14 \*****************************************************************************/
  15
  16 //copyright below is relevant to UTF conversion methods only.
  17 /*
  18  * Copyright 2001-$now Unicode, Inc.
  19  *
  20  * Disclaimer
  21  *
  22  * This source code is provided as is by Unicode, Inc. No claims are
  23  * made as to fitness for any particular purpose. No warranties of any
  24  * kind are expressed or implied. The recipient agrees to determine
  25  * applicability of information provided. If this file has been
  26  * purchased on magnetic or optical media from Unicode, Inc., the
  27  * sole remedy for any claim will be exchange of defective media
  28  * within 90 days of receipt.
  29  *
  30  * Limitations on Rights to Redistribute This Code
  31  *
  32  * Unicode, Inc. hereby grants the right to freely use the information
  33  * supplied in this file in the creation of products supporting the
  34  * Unicode Standard, and to make copies of this file in any form
  35  * for internal or external distribution as long as this notice
  36  * remains attached.
  37  */
  38
  39 /* ---------------------------------------------------------------------
  40
  41     Conversions between UTF32, UTF-16, and UTF-8. Source code file.
  42     Author: Mark E. Davis, 1994.
  43     Rev History: Rick McGowan, fixes & updates May 2001.
  44     Sept 2001: fixed const & error conditions per
  45         mods suggested by S. Parent & A. Lillich.
  46     June 2002: Tim Dodd added detection and handling of incomplete
  47         source sequences, enhanced error detection, added casts
  48         to eliminate compiler warnings.
  49     July 2003: slight mods to back out aggressive FFFE detection.
  50     Jan 2004: updated switches in from-UTF8 conversions.
  51     Oct 2004: updated to use UNI_MAX_LEGAL_UTF32 in UTF-32 conversions.
  52
  53     See the header file "ConvertUTF.h" for complete documentation.
  54
  55 ------------------------------------------------------------------------ */
  56
  57 #include "astring.h"
  58 #include "utf_conversion.h"
  59
  60 #include <string.h>
  61 #include <wchar.h>
  62 #ifdef CVTUTF_DEBUG
  63   #include <stdio.h>
  64 #endif
  65
  66 namespace basis {
  67
  68 static const int halfShift  = 10; /* used for shifting by 10 bits */
  69
  70 static const UTF32 halfBase = 0x0010000UL;
  71 static const UTF32 halfMask = 0x3FFUL;
  72
  73 #define UNI_SUR_HIGH_START  (UTF32)0xD800
  74 #define UNI_SUR_HIGH_END    (UTF32)0xDBFF
  75 #define UNI_SUR_LOW_START   (UTF32)0xDC00
  76 #define UNI_SUR_LOW_END     (UTF32)0xDFFF
  77
  78 /* --------------------------------------------------------------------- */
  79
  80 ConversionResult ConvertUTF32toUTF16 (
  81   const UTF32** sourceStart, const UTF32* sourceEnd,
  82   UTF16** targetStart, UTF16* targetEnd, ConversionFlags flags) {
  83     ConversionResult result = conversionOK;
  84     const UTF32* source = *sourceStart;
  85     UTF16* target = *targetStart;
  86     while (source < sourceEnd) {
  87   UTF32 ch;
  88   if (target >= targetEnd) {
  89       result = targetExhausted; break;
  90   }
  91   ch = *source++;
  92   if (ch <= UNI_MAX_BMP) { /* Target is a character <= 0xFFFF */
  93       /* UTF-16 surrogate values are illegal in UTF-32; 0xffff or 0xfffe are both reserved values */
  94       if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
  95     if (flags == strictConversion) {
  96         --source; /* return to the illegal value itself */
  97         result = sourceIllegal;
  98         break;
  99     } else {
 100         *target++ = UNI_REPLACEMENT_CHAR;
 101     }
 102       } else {
 103     *target++ = (UTF16)ch; /* normal case */
 104       }
 105   } else if (ch > UNI_MAX_LEGAL_UTF32) {
 106       if (flags == strictConversion) {
 107     result = sourceIllegal;
 108       } else {
 109     *target++ = UNI_REPLACEMENT_CHAR;
 110       }
 111   } else {
 112       /* target is a character in range 0xFFFF - 0x10FFFF. */
 113       if (target + 1 >= targetEnd) {
 114     --source; /* Back up source pointer! */
 115     result = targetExhausted; break;
 116       }
 117       ch -= halfBase;
 118       *target++ = (UTF16)((ch >> halfShift) + UNI_SUR_HIGH_START);
 119       *target++ = (UTF16)((ch & halfMask) + UNI_SUR_LOW_START);
 120   }
 121     }
 122     *sourceStart = source;
 123     *targetStart = target;
 124     return result;
 125 }
 126
 127 /* --------------------------------------------------------------------- */
 128
 129 ConversionResult ConvertUTF16toUTF32 (
 130   const UTF16** sourceStart, const UTF16* sourceEnd,
 131   UTF32** targetStart, UTF32* targetEnd, ConversionFlags flags) {
 132     ConversionResult result = conversionOK;
 133     const UTF16* source = *sourceStart;
 134     UTF32* target = *targetStart;
 135     UTF32 ch, ch2;
 136     while (source < sourceEnd) {
 137   const UTF16* oldSource = source; /*  In case we have to back up because of target overflow. */
 138   ch = *source++;
 139   /* If we have a surrogate pair, convert to UTF32 first. */
 140   if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_HIGH_END) {
 141       /* If the 16 bits following the high surrogate are in the source buffer... */
 142       if (source < sourceEnd) {
 143     ch2 = *source;
 144     /* If it's a low surrogate, convert to UTF32. */
 145     if (ch2 >= UNI_SUR_LOW_START && ch2 <= UNI_SUR_LOW_END) {
 146         ch = ((ch - UNI_SUR_HIGH_START) << halfShift)
 147       + (ch2 - UNI_SUR_LOW_START) + halfBase;
 148         ++source;
 149     } else if (flags == strictConversion) { /* it's an unpaired high surrogate */
 150         --source; /* return to the illegal value itself */
 151         result = sourceIllegal;
 152         break;
 153     }
 154       } else { /* We don't have the 16 bits following the high surrogate. */
 155     --source; /* return to the high surrogate */
 156     result = sourceExhausted;
 157     break;
 158       }
 159   } else if (flags == strictConversion) {
 160       /* UTF-16 surrogate values are illegal in UTF-32 */
 161       if (ch >= UNI_SUR_LOW_START && ch <= UNI_SUR_LOW_END) {
 162     --source; /* return to the illegal value itself */
 163     result = sourceIllegal;
 164     break;
 165       }
 166   }
 167   if (target >= targetEnd) {
 168       source = oldSource; /* Back up source pointer! */
 169       result = targetExhausted; break;
 170   }
 171   *target++ = ch;
 172     }
 173     *sourceStart = source;
 174     *targetStart = target;
 175 #ifdef CVTUTF_DEBUG
 176 if (result == sourceIllegal) {
 177     fprintf(stderr, "ConvertUTF16toUTF32 illegal seq 0x%04x,%04x\n", ch, ch2);
 178     fflush(stderr);
 179 }
 180 #endif
 181     return result;
 182 }
 183
 184 /* --------------------------------------------------------------------- */
 185
 186 /*
 187  * Index into the table below with the first byte of a UTF-8 sequence to
 188  * get the number of trailing bytes that are supposed to follow it.
 189  * Note that *legal* UTF-8 values can't have 4 or 5-bytes. The table is
 190  * left as-is for anyone who may want to do such conversion, which was
 191  * allowed in earlier algorithms.
 192  */
 193 static const char trailingBytesForUTF8[256] = {
 194     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 195     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 196     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 197     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 198     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 199     0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,
 200     1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1, 1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
 201     2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, 3,3,3,3,3,3,3,3,4,4,4,4,5,5,5,5
 202 };
 203
 204 /*
 205  * Magic values subtracted from a buffer value during UTF8 conversion.
 206  * This table contains as many values as there might be trailing bytes
 207  * in a UTF-8 sequence.
 208  */
 209 static const UTF32 offsetsFromUTF8[6] = { 0x00000000UL, 0x00003080UL, 0x000E2080UL,
 210          0x03C82080UL, 0xFA082080UL, 0x82082080UL };
 211
 212 /*
 213  * Once the bits are split out into bytes of UTF-8, this is a mask OR-ed
 214  * into the first byte, depending on how many bytes follow.  There are
 215  * as many entries in this table as there are UTF-8 sequence types.
 216  * (I.e., one byte sequence, two byte... etc.). Remember that sequencs
 217  * for *legal* UTF-8 will be 4 or fewer bytes total.
 218  */
 219 static const UTF8 firstByteMark[7] = { 0x00, 0x00, 0xC0, 0xE0, 0xF0, 0xF8, 0xFC };
 220
 221 /* --------------------------------------------------------------------- */
 222
 223 /* The interface converts a whole buffer to avoid function-call overhead.
 224  * Constants have been gathered. Loops & conditionals have been removed as
 225  * much as possible for efficiency, in favor of drop-through switches.
 226  * (See "Note A" at the bottom of the file for equivalent code.)
 227  * If your compiler supports it, the "isLegalUTF8" call can be turned
 228  * into an inline function.
 229  */
 230
 231 /* --------------------------------------------------------------------- */
 232
 233 ConversionResult ConvertUTF16toUTF8 (
 234   const UTF16** sourceStart, const UTF16* sourceEnd,
 235   UTF8** targetStart, UTF8* targetEnd, ConversionFlags flags) {
 236     ConversionResult result = conversionOK;
 237     const UTF16* source = *sourceStart;
 238     UTF8* target = *targetStart;
 239     while (source < sourceEnd) {
 240   UTF32 ch;
 241   unsigned short bytesToWrite = 0;
 242   const UTF32 byteMask = 0xBF;
 243   const UTF32 byteMark = 0x80;
 244   const UTF16* oldSource = source; /* In case we have to back up because of target overflow. */
 245   ch = *source++;
 246   /* If we have a surrogate pair, convert to UTF32 first. */
 247   if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_HIGH_END) {
 248       /* If the 16 bits following the high surrogate are in the source buffer... */
 249       if (source < sourceEnd) {
 250     UTF32 ch2 = *source;
 251     /* If it's a low surrogate, convert to UTF32. */
 252     if (ch2 >= UNI_SUR_LOW_START && ch2 <= UNI_SUR_LOW_END) {
 253         ch = ((ch - UNI_SUR_HIGH_START) << halfShift)
 254       + (ch2 - UNI_SUR_LOW_START) + halfBase;
 255         ++source;
 256     } else if (flags == strictConversion) { /* it's an unpaired high surrogate */
 257         --source; /* return to the illegal value itself */
 258         result = sourceIllegal;
 259         break;
 260     }
 261       } else { /* We don't have the 16 bits following the high surrogate. */
 262     --source; /* return to the high surrogate */
 263     result = sourceExhausted;
 264     break;
 265       }
 266   } else if (flags == strictConversion) {
 267       /* UTF-16 surrogate values are illegal in UTF-32 */
 268       if (ch >= UNI_SUR_LOW_START && ch <= UNI_SUR_LOW_END) {
 269     --source; /* return to the illegal value itself */
 270     result = sourceIllegal;
 271     break;
 272       }
 273   }
 274   /* Figure out how many bytes the result will require */
 275   if (ch < (UTF32)0x80) {       bytesToWrite = 1;
 276   } else if (ch < (UTF32)0x800) {     bytesToWrite = 2;
 277   } else if (ch < (UTF32)0x10000) {   bytesToWrite = 3;
 278   } else if (ch < (UTF32)0x110000) {  bytesToWrite = 4;
 279   } else {          bytesToWrite = 3;
 280               ch = UNI_REPLACEMENT_CHAR;
 281   }
 282
 283   target += bytesToWrite;
 284   if (target > targetEnd) {
 285       source = oldSource; /* Back up source pointer! */
 286       target -= bytesToWrite; result = targetExhausted; break;
 287   }
 288   switch (bytesToWrite) { /* note: everything falls through. */
 289       case 4: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 290       case 3: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 291       case 2: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 292       case 1: *--target =  (UTF8)(ch | firstByteMark[bytesToWrite]);
 293   }
 294   target += bytesToWrite;
 295     }
 296     *sourceStart = source;
 297     *targetStart = target;
 298     return result;
 299 }
 300
 301 /* --------------------------------------------------------------------- */
 302
 303 /*
 304  * Utility routine to tell whether a sequence of bytes is legal UTF-8.
 305  * This must be called with the length pre-determined by the first byte.
 306  * If not calling this from ConvertUTF8to*, then the length can be set by:
 307  *  length = trailingBytesForUTF8[*source]+1;
 308  * and the sequence is illegal right away if there aren't that many bytes
 309  * available.
 310  * If presented with a length > 4, this returns false.  The Unicode
 311  * definition of UTF-8 goes up to 4-byte sequences.
 312  */
 313
 314 static Booleano isLegalUTF8(const UTF8 *source, int length) {
 315     UTF8 a;
 316     const UTF8 *srcptr = source+length;
 317     switch (length) {
 318     default: return false;
 319   /* Everything else falls through when "true"... */
 320     case 4: if ((a = (*--srcptr)) < 0x80 || a > 0xBF) return false;
 321     case 3: if ((a = (*--srcptr)) < 0x80 || a > 0xBF) return false;
 322     case 2: if ((a = (*--srcptr)) > 0xBF) return false;
 323
 324   switch (*source) {
 325       /* no fall-through in this inner switch */
 326       case 0xE0: if (a < 0xA0) return false; break;
 327       case 0xED: if (a > 0x9F) return false; break;
 328       case 0xF0: if (a < 0x90) return false; break;
 329       case 0xF4: if (a > 0x8F) return false; break;
 330       default:   if (a < 0x80) return false;
 331   }
 332
 333     case 1: if (*source >= 0x80 && *source < 0xC2) return false;
 334     }
 335     if (*source > 0xF4) return false;
 336     return true;
 337 }
 338
 339 /* --------------------------------------------------------------------- */
 340
 341 /*
 342  * Exported function to return whether a UTF-8 sequence is legal or not.
 343  * This is not used here; it's just exported.
 344  */
 345 Booleano isLegalUTF8Sequence(const UTF8 *source, const UTF8 *sourceEnd) {
 346     int length = trailingBytesForUTF8[*source]+1;
 347     if (source+length > sourceEnd) {
 348   return false;
 349     }
 350     return isLegalUTF8(source, length);
 351 }
 352
 353 /* --------------------------------------------------------------------- */
 354
 355 ConversionResult ConvertUTF8toUTF16 (
 356   const UTF8** sourceStart, const UTF8* sourceEnd,
 357   UTF16** targetStart, UTF16* targetEnd, ConversionFlags flags) {
 358     ConversionResult result = conversionOK;
 359     const UTF8* source = *sourceStart;
 360     UTF16* target = *targetStart;
 361     while (source < sourceEnd) {
 362       UTF32 ch = 0;
 363       unsigned short extraBytesToRead = trailingBytesForUTF8[*source];
 364       if (source + extraBytesToRead >= sourceEnd) {
 365           result = sourceExhausted; break;
 366       }
 367       /* Do this check whether lenient or strict */
 368       if (! isLegalUTF8(source, extraBytesToRead+1)) {
 369           result = sourceIllegal;
 370           break;
 371       }
 372       /*
 373        * The cases all fall through. See "Note A" below.
 374        */
 375       switch (extraBytesToRead) {
 376           case 5: ch += *source++; ch <<= 6; /* remember, illegal UTF-8 */
 377           case 4: ch += *source++; ch <<= 6; /* remember, illegal UTF-8 */
 378           case 3: ch += *source++; ch <<= 6;
 379           case 2: ch += *source++; ch <<= 6;
 380           case 1: ch += *source++; ch <<= 6;
 381           case 0: ch += *source++;
 382       }
 383       ch -= offsetsFromUTF8[extraBytesToRead];
 384
 385       if (target >= targetEnd) {
 386           source -= (extraBytesToRead+1); /* Back up source pointer! */
 387           result = targetExhausted; break;
 388       }
 389       if (ch <= UNI_MAX_BMP) { /* Target is a character <= 0xFFFF */
 390           /* UTF-16 surrogate values are illegal in UTF-32 */
 391           if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
 392         if (flags == strictConversion) {
 393             source -= (extraBytesToRead+1); /* return to the illegal value itself */
 394             result = sourceIllegal;
 395             break;
 396         } else {
 397             *target++ = UNI_REPLACEMENT_CHAR;
 398         }
 399           } else {
 400         *target++ = (UTF16)ch; /* normal case */
 401           }
 402       } else if (ch > UNI_MAX_UTF16) {
 403           if (flags == strictConversion) {
 404         result = sourceIllegal;
 405         source -= (extraBytesToRead+1); /* return to the start */
 406         break; /* Bail out; shouldn't continue */
 407           } else {
 408         *target++ = UNI_REPLACEMENT_CHAR;
 409           }
 410       } else {
 411           /* target is a character in range 0xFFFF - 0x10FFFF. */
 412           if (target + 1 >= targetEnd) {
 413         source -= (extraBytesToRead+1); /* Back up source pointer! */
 414         result = targetExhausted; break;
 415           }
 416           ch -= halfBase;
 417           *target++ = (UTF16)((ch >> halfShift) + UNI_SUR_HIGH_START);
 418           *target++ = (UTF16)((ch & halfMask) + UNI_SUR_LOW_START);
 419       }
 420     }
 421     *sourceStart = source;
 422     *targetStart = target;
 423     return result;
 424 }
 425
 426 /* --------------------------------------------------------------------- */
 427
 428 ConversionResult ConvertUTF32toUTF8 (
 429   const UTF32** sourceStart, const UTF32* sourceEnd,
 430   UTF8** targetStart, UTF8* targetEnd, ConversionFlags flags) {
 431     ConversionResult result = conversionOK;
 432     const UTF32* source = *sourceStart;
 433     UTF8* target = *targetStart;
 434     while (source < sourceEnd) {
 435   UTF32 ch;
 436   unsigned short bytesToWrite = 0;
 437   const UTF32 byteMask = 0xBF;
 438   const UTF32 byteMark = 0x80;
 439   ch = *source++;
 440   if (flags == strictConversion ) {
 441       /* UTF-16 surrogate values are illegal in UTF-32 */
 442       if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
 443     --source; /* return to the illegal value itself */
 444     result = sourceIllegal;
 445     break;
 446       }
 447   }
 448   /*
 449    * Figure out how many bytes the result will require. Turn any
 450    * illegally large UTF32 things (> Plane 17) into replacement chars.
 451    */
 452   if (ch < (UTF32)0x80) {       bytesToWrite = 1;
 453   } else if (ch < (UTF32)0x800) {     bytesToWrite = 2;
 454   } else if (ch < (UTF32)0x10000) {   bytesToWrite = 3;
 455   } else if (ch <= UNI_MAX_LEGAL_UTF32) {  bytesToWrite = 4;
 456   } else {          bytesToWrite = 3;
 457               ch = UNI_REPLACEMENT_CHAR;
 458               result = sourceIllegal;
 459   }
 460
 461   target += bytesToWrite;
 462   if (target > targetEnd) {
 463       --source; /* Back up source pointer! */
 464       target -= bytesToWrite; result = targetExhausted; break;
 465   }
 466   switch (bytesToWrite) { /* note: everything falls through. */
 467       case 4: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 468       case 3: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 469       case 2: *--target = (UTF8)((ch | byteMark) & byteMask); ch >>= 6;
 470       case 1: *--target = (UTF8) (ch | firstByteMark[bytesToWrite]);
 471   }
 472   target += bytesToWrite;
 473     }
 474     *sourceStart = source;
 475     *targetStart = target;
 476     return result;
 477 }
 478
 479 /* --------------------------------------------------------------------- */
 480
 481 ConversionResult ConvertUTF8toUTF32 (
 482   const UTF8** sourceStart, const UTF8* sourceEnd,
 483   UTF32** targetStart, UTF32* targetEnd, ConversionFlags flags) {
 484     ConversionResult result = conversionOK;
 485     const UTF8* source = *sourceStart;
 486     UTF32* target = *targetStart;
 487     while (source < sourceEnd) {
 488   UTF32 ch = 0;
 489   unsigned short extraBytesToRead = trailingBytesForUTF8[*source];
 490   if (source + extraBytesToRead >= sourceEnd) {
 491       result = sourceExhausted; break;
 492   }
 493   /* Do this check whether lenient or strict */
 494   if (! isLegalUTF8(source, extraBytesToRead+1)) {
 495       result = sourceIllegal;
 496       break;
 497   }
 498   /*
 499    * The cases all fall through. See "Note A" below.
 500    */
 501   switch (extraBytesToRead) {
 502       case 5: ch += *source++; ch <<= 6;
 503       case 4: ch += *source++; ch <<= 6;
 504       case 3: ch += *source++; ch <<= 6;
 505       case 2: ch += *source++; ch <<= 6;
 506       case 1: ch += *source++; ch <<= 6;
 507       case 0: ch += *source++;
 508   }
 509   ch -= offsetsFromUTF8[extraBytesToRead];
 510
 511   if (target >= targetEnd) {
 512       source -= (extraBytesToRead+1); /* Back up the source pointer! */
 513       result = targetExhausted; break;
 514   }
 515   if (ch <= UNI_MAX_LEGAL_UTF32) {
 516       /*
 517        * UTF-16 surrogate values are illegal in UTF-32, and anything
 518        * over Plane 17 (> 0x10FFFF) is illegal.
 519        */
 520       if (ch >= UNI_SUR_HIGH_START && ch <= UNI_SUR_LOW_END) {
 521     if (flags == strictConversion) {
 522         source -= (extraBytesToRead+1); /* return to the illegal value itself */
 523         result = sourceIllegal;
 524         break;
 525     } else {
 526         *target++ = UNI_REPLACEMENT_CHAR;
 527     }
 528       } else {
 529     *target++ = ch;
 530       }
 531   } else { /* i.e., ch > UNI_MAX_LEGAL_UTF32 */
 532       result = sourceIllegal;
 533       *target++ = UNI_REPLACEMENT_CHAR;
 534   }
 535     }
 536     *sourceStart = source;
 537     *targetStart = target;
 538     return result;
 539 }
 540
 541 /* ---------------------------------------------------------------------
 542
 543     Note A.
 544     The fall-through switches in UTF-8 reading code save a
 545     temp variable, some decrements & conditionals.  The switches
 546     are equivalent to the following loop:
 547   {
 548       int tmpBytesToRead = extraBytesToRead+1;
 549       do {
 550     ch += *source++;
 551     --tmpBytesToRead;
 552     if (tmpBytesToRead) ch <<= 6;
 553       } while (tmpBytesToRead > 0);
 554   }
 555     In UTF-8 writing code, the switches on "bytesToWrite" are
 556     similarly unrolled loops.
 557
 558    --------------------------------------------------------------------- */
 559
 560 //////////////
 561
 562 #ifdef __cplusplus
 563
 564 transcode_to_utf16::transcode_to_utf16(const char *utf8_input)
 565 : _orig_length(int(strlen(utf8_input)) + 1),
 566   _converted(new UTF16[_orig_length + 1])
 567     // we don't ever expect the string to get longer going to the larger data
 568     // type, so the current length should be enough.
 569 {
 570   _result = conversionOK;
 571   if (_orig_length == 1) {
 572     // no length, so only provide a blank string.
 573     _converted[0] = 0;
 574     return;
 575   }
 576   memset((abyte *)_converted, 0, 2 * _orig_length);
 577   // we use these temporary pointers since the converter resets the source
 578   // and target pointers to the end of the conversion.  the same pattern
 579   // is used in the code below.
 580   const UTF8 *temp_in = (const UTF8 *)utf8_input;
 581   UTF16 *temp_out = _converted;
 582   _result = ConvertUTF8toUTF16(&temp_in, temp_in + _orig_length,
 583       &temp_out, temp_out + _orig_length, lenientConversion);
 584 }
 585
 586 transcode_to_utf16::transcode_to_utf16(const astring &utf8_input)
 587 : _orig_length(utf8_input.length() + 1),
 588   _converted(new UTF16[_orig_length])
 589 {
 590   _result = conversionOK;
 591   if (_orig_length == 1) {
 592     // no length, so only provide a blank string.
 593     _converted[0] = 0;
 594     return;
 595   }
 596   memset((abyte *)_converted, 0, 2 * _orig_length);
 597   const UTF8 *temp_in = (const UTF8 *)utf8_input.observe();
 598   UTF16 *temp_out = _converted;
 599   _result = ConvertUTF8toUTF16(&temp_in, temp_in + _orig_length,
 600       &temp_out, temp_out + _orig_length, lenientConversion);
 601 }
 602
 603 transcode_to_utf16::~transcode_to_utf16()
 604 {
 605   delete [] _converted;
 606   _converted = NIL;
 607 }
 608
 609 int transcode_to_utf16::length() const
 610 { return int(wcslen((wchar_t *)_converted)); }
 611
 612 //////////////
 613
 614 transcode_to_utf8::transcode_to_utf8(const UTF16 *utf16_input)
 615 : _orig_length(int(wcslen((const wchar_t *)utf16_input))),
 616   _new_length(_orig_length * 2 + _orig_length / 2 + 1),
 617     // this is just an estimate.  it may be appropriate most of the time.
 618     // whatever doesn't fit will get truncated.
 619   _converted(new UTF8[_new_length])
 620 {
 621   _result = conversionOK;
 622   if (_orig_length == 0) {
 623     // no length, so only provide a blank string.
 624     _converted[0] = 0;
 625     return;
 626   }
 627   memset(_converted, 0, _new_length);
 628   const UTF16 *temp_in = (const UTF16 *)utf16_input;
 629   UTF8 *temp_out = _converted;
 630   _result = ConvertUTF16toUTF8(&temp_in, temp_in + _orig_length,
 631       &temp_out, temp_out + _new_length, lenientConversion);
 632 }
 633
 634 transcode_to_utf8::transcode_to_utf8(const wchar_t *utf16_input)
 635 : _orig_length(int(wcslen(utf16_input))),
 636   _new_length(_orig_length * 2 + _orig_length / 2 + 1),
 637     // this is just an estimate.  it may be appropriate most of the time.
 638     // whatever doesn't fit will get truncated.
 639     _converted(new UTF8[_new_length > 0 ? _new_length : 1])
 640 {
 641   _result = conversionOK;
 642   if (_orig_length == 0) {
 643     // no length, so only provide a blank string.
 644     _converted[0] = 0;
 645     return;
 646   }
 647   memset(_converted, 0, _new_length);
 648   const UTF16 *temp_in = (const UTF16 *)utf16_input;
 649   UTF8 *temp_out = _converted;
 650   _result = ConvertUTF16toUTF8(&temp_in, temp_in + _orig_length,
 651       &temp_out, temp_out + _new_length, lenientConversion);
 652 }
 653
 654 transcode_to_utf8::~transcode_to_utf8()
 655 {
 656   delete [] _converted;
 657   _converted = NIL;
 658 }
 659
 660 int transcode_to_utf8::length() const
 661 { return int(strlen((char *)_converted)); }
 662
 663 transcode_to_utf8::operator astring() const
 664 { return astring((char *)_converted); }
 665
 666 //////////////
 667
 668 null_transcoder::null_transcoder(const char *utf8_input, bool make_own_copy)
 669 : _make_own_copy(make_own_copy),
 670   _converted(make_own_copy? new UTF8[strlen(utf8_input) + 1]
 671       : (const UTF8 *)utf8_input)
 672 {
 673   if (_make_own_copy) {
 674     strcpy((char *)_converted, utf8_input);
 675   }
 676 }
 677
 678 null_transcoder::null_transcoder(const astring &utf8_input, bool make_own_copy)
 679 : _make_own_copy(make_own_copy),
 680   _converted(make_own_copy? new UTF8[utf8_input.length() + 1]
 681       : (const UTF8 *)utf8_input.s())
 682 {
 683   if (_make_own_copy) {
 684     strcpy((char *)_converted, utf8_input.s());
 685   }
 686 }
 687
 688 int null_transcoder::length() const
 689 { return int(strlen((char *)_converted)); }
 690
 691 #endif //_cplusplus
 692
 693 } //namespace.
 694