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 <stdbool.h>
  48 #include <stdlib.h>
  49 #include <string.h>
  50
  51 #include "alloc-util.h"
  52 #include "hexdecoct.h"
  53 #include "macro.h"
  54 #include "utf8.h"
  55
  56 bool unichar_is_valid(uint32_t ch) {
  57
  58         if (ch >= 0x110000) /* End of unicode space */
  59                 return false;
  60         if ((ch & 0xFFFFF800) == 0xD800) /* Reserved area for UTF-16 */
  61                 return false;
  62         if ((ch >= 0xFDD0) && (ch <= 0xFDEF)) /* Reserved */
  63                 return false;
  64         if ((ch & 0xFFFE) == 0xFFFE) /* BOM (Byte Order Mark) */
  65                 return false;
  66
  67         return true;
  68 }
  69
  70 static bool unichar_is_control(uint32_t ch) {
  71
  72         /*
  73           0 to ' '-1 is the C0 range.
  74           DEL=0x7F, and DEL+1 to 0x9F is C1 range.
  75           '\t' is in C0 range, but more or less harmless and commonly used.
  76         */
  77
  78         return (ch < ' ' && ch != '\t' && ch != '\n') ||
  79                 (0x7F <= ch && ch <= 0x9F);
  80 }
  81
  82 /* count of characters used to encode one unicode char */
  83 static int utf8_encoded_expected_len(const char *str) {
  84         unsigned char c;
  85
  86         assert(str);
  87
  88         c = (unsigned char) str[0];
  89         if (c < 0x80)
  90                 return 1;
  91         if ((c & 0xe0) == 0xc0)
  92                 return 2;
  93         if ((c & 0xf0) == 0xe0)
  94                 return 3;
  95         if ((c & 0xf8) == 0xf0)
  96                 return 4;
  97         if ((c & 0xfc) == 0xf8)
  98                 return 5;
  99         if ((c & 0xfe) == 0xfc)
 100                 return 6;
 101
 102         return 0;
 103 }
 104
 105 /* decode one unicode char */
 106 int utf8_encoded_to_unichar(const char *str) {
 107         int unichar, len, i;
 108
 109         assert(str);
 110
 111         len = utf8_encoded_expected_len(str);
 112
 113         switch (len) {
 114         case 1:
 115                 return (int)str[0];
 116         case 2:
 117                 unichar = str[0] & 0x1f;
 118                 break;
 119         case 3:
 120                 unichar = (int)str[0] & 0x0f;
 121                 break;
 122         case 4:
 123                 unichar = (int)str[0] & 0x07;
 124                 break;
 125         case 5:
 126                 unichar = (int)str[0] & 0x03;
 127                 break;
 128         case 6:
 129                 unichar = (int)str[0] & 0x01;
 130                 break;
 131         default:
 132                 return -EINVAL;
 133         }
 134
 135         for (i = 1; i < len; i++) {
 136                 if (((int)str[i] & 0xc0) != 0x80)
 137                         return -EINVAL;
 138                 unichar <<= 6;
 139                 unichar |= (int)str[i] & 0x3f;
 140         }
 141
 142         return unichar;
 143 }
 144
 145 bool utf8_is_printable_newline(const char* str, size_t length, bool newline) {
 146         const char *p;
 147
 148         assert(str);
 149
 150         for (p = str; length;) {
 151                 int encoded_len, val;
 152
 153                 encoded_len = utf8_encoded_valid_unichar(p);
 154                 if (encoded_len < 0 ||
 155                     (size_t) encoded_len > length)
 156                         return false;
 157
 158                 val = utf8_encoded_to_unichar(p);
 159                 if (val < 0 ||
 160                     unichar_is_control(val) ||
 161                     (!newline && val == '\n'))
 162                         return false;
 163
 164                 length -= encoded_len;
 165                 p += encoded_len;
 166         }
 167
 168         return true;
 169 }
 170
 171 const char *utf8_is_valid(const char *str) {
 172         const uint8_t *p;
 173
 174         assert(str);
 175
 176         for (p = (const uint8_t*) str; *p; ) {
 177                 int len;
 178
 179                 len = utf8_encoded_valid_unichar((const char *)p);
 180                 if (len < 0)
 181                         return NULL;
 182
 183                 p += len;
 184         }
 185
 186         return str;
 187 }
 188
 189 char *utf8_escape_invalid(const char *str) {
 190         char *p, *s;
 191
 192         assert(str);
 193
 194         p = s = malloc(strlen(str) * 4 + 1);
 195         if (!p)
 196                 return NULL;
 197
 198         while (*str) {
 199                 int len;
 200
 201                 len = utf8_encoded_valid_unichar(str);
 202                 if (len > 0) {
 203                         s = mempcpy(s, str, len);
 204                         str += len;
 205                 } else {
 206                         s = stpcpy(s, UTF8_REPLACEMENT_CHARACTER);
 207                         str += 1;
 208                 }
 209         }
 210
 211         *s = '\0';
 212
 213         return p;
 214 }
 215
 216 char *utf8_escape_non_printable(const char *str) {
 217         char *p, *s;
 218
 219         assert(str);
 220
 221         p = s = malloc(strlen(str) * 4 + 1);
 222         if (!p)
 223                 return NULL;
 224
 225         while (*str) {
 226                 int len;
 227
 228                 len = utf8_encoded_valid_unichar(str);
 229                 if (len > 0) {
 230                         if (utf8_is_printable(str, len)) {
 231                                 s = mempcpy(s, str, len);
 232                                 str += len;
 233                         } else {
 234                                 while (len > 0) {
 235                                         *(s++) = '\\';
 236                                         *(s++) = 'x';
 237                                         *(s++) = hexchar((int) *str >> 4);
 238                                         *(s++) = hexchar((int) *str);
 239
 240                                         str += 1;
 241                                         len --;
 242                                 }
 243                         }
 244                 } else {
 245                         s = stpcpy(s, UTF8_REPLACEMENT_CHARACTER);
 246                         str += 1;
 247                 }
 248         }
 249
 250         *s = '\0';
 251
 252         return p;
 253 }
 254
 255 char *ascii_is_valid(const char *str) {
 256         const char *p;
 257
 258         assert(str);
 259
 260         for (p = str; *p; p++)
 261                 if ((unsigned char) *p >= 128)
 262                         return NULL;
 263
 264         return (char*) str;
 265 }
 266
 267 /**
 268  * utf8_encode_unichar() - Encode single UCS-4 character as UTF-8
 269  * @out_utf8: output buffer of at least 4 bytes or NULL
 270  * @g: UCS-4 character to encode
 271  *
 272  * This encodes a single UCS-4 character as UTF-8 and writes it into @out_utf8.
 273  * The length of the character is returned. It is not zero-terminated! If the
 274  * output buffer is NULL, only the length is returned.
 275  *
 276  * Returns: The length in bytes that the UTF-8 representation does or would
 277  *          occupy.
 278  */
 279 size_t utf8_encode_unichar(char *out_utf8, uint32_t g) {
 280
 281         if (g < (1 << 7)) {
 282                 if (out_utf8)
 283                         out_utf8[0] = g & 0x7f;
 284                 return 1;
 285         } else if (g < (1 << 11)) {
 286                 if (out_utf8) {
 287                         out_utf8[0] = 0xc0 | ((g >> 6) & 0x1f);
 288                         out_utf8[1] = 0x80 | (g & 0x3f);
 289                 }
 290                 return 2;
 291         } else if (g < (1 << 16)) {
 292                 if (out_utf8) {
 293                         out_utf8[0] = 0xe0 | ((g >> 12) & 0x0f);
 294                         out_utf8[1] = 0x80 | ((g >> 6) & 0x3f);
 295                         out_utf8[2] = 0x80 | (g & 0x3f);
 296                 }
 297                 return 3;
 298         } else if (g < (1 << 21)) {
 299                 if (out_utf8) {
 300                         out_utf8[0] = 0xf0 | ((g >> 18) & 0x07);
 301                         out_utf8[1] = 0x80 | ((g >> 12) & 0x3f);
 302                         out_utf8[2] = 0x80 | ((g >> 6) & 0x3f);
 303                         out_utf8[3] = 0x80 | (g & 0x3f);
 304                 }
 305                 return 4;
 306         }
 307
 308         return 0;
 309 }
 310
 311 char *utf16_to_utf8(const void *s, size_t length) {
 312         const uint8_t *f;
 313         char *r, *t;
 314
 315         r = new(char, (length * 4 + 1) / 2 + 1);
 316         if (!r)
 317                 return NULL;
 318
 319         f = s;
 320         t = r;
 321
 322         while (f < (const uint8_t*) s + length) {
 323                 uint16_t w1, w2;
 324
 325                 /* see RFC 2781 section 2.2 */
 326
 327                 w1 = f[1] << 8 | f[0];
 328                 f += 2;
 329
 330                 if (!utf16_is_surrogate(w1)) {
 331                         t += utf8_encode_unichar(t, w1);
 332
 333                         continue;
 334                 }
 335
 336                 if (utf16_is_trailing_surrogate(w1))
 337                         continue;
 338                 else if (f >= (const uint8_t*) s + length)
 339                         break;
 340
 341                 w2 = f[1] << 8 | f[0];
 342                 f += 2;
 343
 344                 if (!utf16_is_trailing_surrogate(w2)) {
 345                         f -= 2;
 346                         continue;
 347                 }
 348
 349                 t += utf8_encode_unichar(t, utf16_surrogate_pair_to_unichar(w1, w2));
 350         }
 351
 352         *t = 0;
 353         return r;
 354 }
 355
 356 /* expected size used to encode one unicode char */
 357 static int utf8_unichar_to_encoded_len(int unichar) {
 358
 359         if (unichar < 0x80)
 360                 return 1;
 361         if (unichar < 0x800)
 362                 return 2;
 363         if (unichar < 0x10000)
 364                 return 3;
 365         if (unichar < 0x200000)
 366                 return 4;
 367         if (unichar < 0x4000000)
 368                 return 5;
 369
 370         return 6;
 371 }
 372
 373 /* validate one encoded unicode char and return its length */
 374 int utf8_encoded_valid_unichar(const char *str) {
 375         int len, unichar, i;
 376
 377         assert(str);
 378
 379         len = utf8_encoded_expected_len(str);
 380         if (len == 0)
 381                 return -EINVAL;
 382
 383         /* ascii is valid */
 384         if (len == 1)
 385                 return 1;
 386
 387         /* check if expected encoded chars are available */
 388         for (i = 0; i < len; i++)
 389                 if ((str[i] & 0x80) != 0x80)
 390                         return -EINVAL;
 391
 392         unichar = utf8_encoded_to_unichar(str);
 393
 394         /* check if encoded length matches encoded value */
 395         if (utf8_unichar_to_encoded_len(unichar) != len)
 396                 return -EINVAL;
 397
 398         /* check if value has valid range */
 399         if (!unichar_is_valid(unichar))
 400                 return -EINVAL;
 401
 402         return len;
 403 }