src/basic/utf8.c

   1 /*-*- Mode: C; c-basic-offset: 8; indent-tabs-mode: nil -*-*/
   2
   3 /***
   4   This file is part of systemd.
   5
   6   Copyright 2008-2011 Kay Sievers
   7   Copyright 2012 Lennart Poettering
   8
   9   systemd is free software; you can redistribute it and/or modify it
  10   under the terms of the GNU Lesser General Public License as published by
  11   the Free Software Foundation; either version 2.1 of the License, or
  12   (at your option) any later version.
  13
  14   systemd is distributed in the hope that it will be useful, but
  15   WITHOUT ANY WARRANTY; without even the implied warranty of
  16   MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU
  17   Lesser General Public License for more details.
  18
  19   You should have received a copy of the GNU Lesser General Public License
  20   along with systemd; If not, see <http://www.gnu.org/licenses/>.
  21 ***/
  22
  23 /* Parts of this file are based on the GLIB utf8 validation functions. The
  24  * original license text follows. */
  25
  26 /* gutf8.c - Operations on UTF-8 strings.
  27  *
  28  * Copyright (C) 1999 Tom Tromey
  29  * Copyright (C) 2000 Red Hat, Inc.
  30  *
  31  * This library is free software; you can redistribute it and/or
  32  * modify it under the terms of the GNU Library General Public
  33  * License as published by the Free Software Foundation; either
  34  * version 2 of the License, or (at your option) any later version.
  35  *
  36  * This library is distributed in the hope that it will be useful,
  37  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  38  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  39  * Library General Public License for more details.
  40  *
  41  * You should have received a copy of the GNU Library General Public
  42  * License along with this library; if not, write to the Free Software
  43  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston, MA  02110-1301  USA
  44  */
  45
  46 #include <errno.h>
  47 #include <inttypes.h>
  48 #include <stdbool.h>
  49 #include <stdlib.h>
  50 #include <string.h>
  51
  52 #include "alloc-util.h"
  53 #include "hexdecoct.h"
  54 #include "utf8.h"
  55 #include "util.h"
  56
  57 bool unichar_is_valid(uint32_t ch) {
  58
  59         if (ch >= 0x110000) /* End of unicode space */
  60                 return false;
  61         if ((ch & 0xFFFFF800) == 0xD800) /* Reserved area for UTF-16 */
  62                 return false;
  63         if ((ch >= 0xFDD0) && (ch <= 0xFDEF)) /* Reserved */
  64                 return false;
  65         if ((ch & 0xFFFE) == 0xFFFE) /* BOM (Byte Order Mark) */
  66                 return false;
  67
  68         return true;
  69 }
  70
  71 static bool unichar_is_control(uint32_t ch) {
  72
  73         /*
  74           0 to ' '-1 is the C0 range.
  75           DEL=0x7F, and DEL+1 to 0x9F is C1 range.
  76           '\t' is in C0 range, but more or less harmless and commonly used.
  77         */
  78
  79         return (ch < ' ' && ch != '\t' && ch != '\n') ||
  80                 (0x7F <= ch && ch <= 0x9F);
  81 }
  82
  83 /* count of characters used to encode one unicode char */
  84 static int utf8_encoded_expected_len(const char *str) {
  85         unsigned char c;
  86
  87         assert(str);
  88
  89         c = (unsigned char) str[0];
  90         if (c < 0x80)
  91                 return 1;
  92         if ((c & 0xe0) == 0xc0)
  93                 return 2;
  94         if ((c & 0xf0) == 0xe0)
  95                 return 3;
  96         if ((c & 0xf8) == 0xf0)
  97                 return 4;
  98         if ((c & 0xfc) == 0xf8)
  99                 return 5;
 100         if ((c & 0xfe) == 0xfc)
 101                 return 6;
 102
 103         return 0;
 104 }
 105
 106 /* decode one unicode char */
 107 int utf8_encoded_to_unichar(const char *str) {
 108         int unichar, len, i;
 109
 110         assert(str);
 111
 112         len = utf8_encoded_expected_len(str);
 113
 114         switch (len) {
 115         case 1:
 116                 return (int)str[0];
 117         case 2:
 118                 unichar = str[0] & 0x1f;
 119                 break;
 120         case 3:
 121                 unichar = (int)str[0] & 0x0f;
 122                 break;
 123         case 4:
 124                 unichar = (int)str[0] & 0x07;
 125                 break;
 126         case 5:
 127                 unichar = (int)str[0] & 0x03;
 128                 break;
 129         case 6:
 130                 unichar = (int)str[0] & 0x01;
 131                 break;
 132         default:
 133                 return -EINVAL;
 134         }
 135
 136         for (i = 1; i < len; i++) {
 137                 if (((int)str[i] & 0xc0) != 0x80)
 138                         return -EINVAL;
 139                 unichar <<= 6;
 140                 unichar |= (int)str[i] & 0x3f;
 141         }
 142
 143         return unichar;
 144 }
 145
 146 bool utf8_is_printable_newline(const char* str, size_t length, bool newline) {
 147         const char *p;
 148
 149         assert(str);
 150
 151         for (p = str; length;) {
 152                 int encoded_len, val;
 153
 154                 encoded_len = utf8_encoded_valid_unichar(p);
 155                 if (encoded_len < 0 ||
 156                     (size_t) encoded_len > length)
 157                         return false;
 158
 159                 val = utf8_encoded_to_unichar(p);
 160                 if (val < 0 ||
 161                     unichar_is_control(val) ||
 162                     (!newline && val == '\n'))
 163                         return false;
 164
 165                 length -= encoded_len;
 166                 p += encoded_len;
 167         }
 168
 169         return true;
 170 }
 171
 172 const char *utf8_is_valid(const char *str) {
 173         const uint8_t *p;
 174
 175         assert(str);
 176
 177         for (p = (const uint8_t*) str; *p; ) {
 178                 int len;
 179
 180                 len = utf8_encoded_valid_unichar((const char *)p);
 181                 if (len < 0)
 182                         return NULL;
 183
 184                 p += len;
 185         }
 186
 187         return str;
 188 }
 189
 190 char *utf8_escape_invalid(const char *str) {
 191         char *p, *s;
 192
 193         assert(str);
 194
 195         p = s = malloc(strlen(str) * 4 + 1);
 196         if (!p)
 197                 return NULL;
 198
 199         while (*str) {
 200                 int len;
 201
 202                 len = utf8_encoded_valid_unichar(str);
 203                 if (len > 0) {
 204                         s = mempcpy(s, str, len);
 205                         str += len;
 206                 } else {
 207                         s = stpcpy(s, UTF8_REPLACEMENT_CHARACTER);
 208                         str += 1;
 209                 }
 210         }
 211
 212         *s = '\0';
 213
 214         return p;
 215 }
 216
 217 char *utf8_escape_non_printable(const char *str) {
 218         char *p, *s;
 219
 220         assert(str);
 221
 222         p = s = malloc(strlen(str) * 4 + 1);
 223         if (!p)
 224                 return NULL;
 225
 226         while (*str) {
 227                 int len;
 228
 229                 len = utf8_encoded_valid_unichar(str);
 230                 if (len > 0) {
 231                         if (utf8_is_printable(str, len)) {
 232                                 s = mempcpy(s, str, len);
 233                                 str += len;
 234                         } else {
 235                                 while (len > 0) {
 236                                         *(s++) = '\\';
 237                                         *(s++) = 'x';
 238                                         *(s++) = hexchar((int) *str >> 4);
 239                                         *(s++) = hexchar((int) *str);
 240
 241                                         str += 1;
 242                                         len --;
 243                                 }
 244                         }
 245                 } else {
 246                         s = stpcpy(s, UTF8_REPLACEMENT_CHARACTER);
 247                         str += 1;
 248                 }
 249         }
 250
 251         *s = '\0';
 252
 253         return p;
 254 }
 255
 256 char *ascii_is_valid(const char *str) {
 257         const char *p;
 258
 259         assert(str);
 260
 261         for (p = str; *p; p++)
 262                 if ((unsigned char) *p >= 128)
 263                         return NULL;
 264
 265         return (char*) str;
 266 }
 267
 268 /**
 269  * utf8_encode_unichar() - Encode single UCS-4 character as UTF-8
 270  * @out_utf8: output buffer of at least 4 bytes or NULL
 271  * @g: UCS-4 character to encode
 272  *
 273  * This encodes a single UCS-4 character as UTF-8 and writes it into @out_utf8.
 274  * The length of the character is returned. It is not zero-terminated! If the
 275  * output buffer is NULL, only the length is returned.
 276  *
 277  * Returns: The length in bytes that the UTF-8 representation does or would
 278  *          occupy.
 279  */
 280 size_t utf8_encode_unichar(char *out_utf8, uint32_t g) {
 281
 282         if (g < (1 << 7)) {
 283                 if (out_utf8)
 284                         out_utf8[0] = g & 0x7f;
 285                 return 1;
 286         } else if (g < (1 << 11)) {
 287                 if (out_utf8) {
 288                         out_utf8[0] = 0xc0 | ((g >> 6) & 0x1f);
 289                         out_utf8[1] = 0x80 | (g & 0x3f);
 290                 }
 291                 return 2;
 292         } else if (g < (1 << 16)) {
 293                 if (out_utf8) {
 294                         out_utf8[0] = 0xe0 | ((g >> 12) & 0x0f);
 295                         out_utf8[1] = 0x80 | ((g >> 6) & 0x3f);
 296                         out_utf8[2] = 0x80 | (g & 0x3f);
 297                 }
 298                 return 3;
 299         } else if (g < (1 << 21)) {
 300                 if (out_utf8) {
 301                         out_utf8[0] = 0xf0 | ((g >> 18) & 0x07);
 302                         out_utf8[1] = 0x80 | ((g >> 12) & 0x3f);
 303                         out_utf8[2] = 0x80 | ((g >> 6) & 0x3f);
 304                         out_utf8[3] = 0x80 | (g & 0x3f);
 305                 }
 306                 return 4;
 307         }
 308
 309         return 0;
 310 }
 311
 312 char *utf16_to_utf8(const void *s, size_t length) {
 313         const uint8_t *f;
 314         char *r, *t;
 315
 316         r = new(char, (length * 4 + 1) / 2 + 1);
 317         if (!r)
 318                 return NULL;
 319
 320         f = s;
 321         t = r;
 322
 323         while (f < (const uint8_t*) s + length) {
 324                 uint16_t w1, w2;
 325
 326                 /* see RFC 2781 section 2.2 */
 327
 328                 w1 = f[1] << 8 | f[0];
 329                 f += 2;
 330
 331                 if (!utf16_is_surrogate(w1)) {
 332                         t += utf8_encode_unichar(t, w1);
 333
 334                         continue;
 335                 }
 336
 337                 if (utf16_is_trailing_surrogate(w1))
 338                         continue;
 339                 else if (f >= (const uint8_t*) s + length)
 340                         break;
 341
 342                 w2 = f[1] << 8 | f[0];
 343                 f += 2;
 344
 345                 if (!utf16_is_trailing_surrogate(w2)) {
 346                         f -= 2;
 347                         continue;
 348                 }
 349
 350                 t += utf8_encode_unichar(t, utf16_surrogate_pair_to_unichar(w1, w2));
 351         }
 352
 353         *t = 0;
 354         return r;
 355 }
 356
 357 /* expected size used to encode one unicode char */
 358 static int utf8_unichar_to_encoded_len(int unichar) {
 359
 360         if (unichar < 0x80)
 361                 return 1;
 362         if (unichar < 0x800)
 363                 return 2;
 364         if (unichar < 0x10000)
 365                 return 3;
 366         if (unichar < 0x200000)
 367                 return 4;
 368         if (unichar < 0x4000000)
 369                 return 5;
 370
 371         return 6;
 372 }
 373
 374 /* validate one encoded unicode char and return its length */
 375 int utf8_encoded_valid_unichar(const char *str) {
 376         int len, unichar, i;
 377
 378         assert(str);
 379
 380         len = utf8_encoded_expected_len(str);
 381         if (len == 0)
 382                 return -EINVAL;
 383
 384         /* ascii is valid */
 385         if (len == 1)
 386                 return 1;
 387
 388         /* check if expected encoded chars are available */
 389         for (i = 0; i < len; i++)
 390                 if ((str[i] & 0x80) != 0x80)
 391                         return -EINVAL;
 392
 393         unichar = utf8_encoded_to_unichar(str);
 394
 395         /* check if encoded length matches encoded value */
 396         if (utf8_unichar_to_encoded_len(unichar) != len)
 397                 return -EINVAL;
 398
 399         /* check if value has valid range */
 400         if (!unichar_is_valid(unichar))
 401                 return -EINVAL;
 402
 403         return len;
 404 }