1 5e11c00c 2021-03-02 op /* Copyright (c) 2008-2009 Bjoern Hoehrmann <bjoern@hoehrmann.de>
  2 5e11c00c 2021-03-02 op  *
  3 5e11c00c 2021-03-02 op  * Permission is hereby granted, free of charge, to any person
  4 5e11c00c 2021-03-02 op  * obtaining a copy of this software and associated documentation
  5 5e11c00c 2021-03-02 op  * files (the "Software"), to deal in the Software without
  6 5e11c00c 2021-03-02 op  * restriction, including without limitation the rights to use, copy,
  7 5e11c00c 2021-03-02 op  * modify, merge, publish, distribute, sublicense, and/or sell copies
  8 5e11c00c 2021-03-02 op  * of the Software, and to permit persons to whom the Software is
  9 5e11c00c 2021-03-02 op  * furnished to do so, subject to the following conditions:
 10 5e11c00c 2021-03-02 op  *
 11 5e11c00c 2021-03-02 op  * The above copyright notice and this permission notice shall be
 12 5e11c00c 2021-03-02 op  * included in all copies or substantial portions of the Software.
 13 5e11c00c 2021-03-02 op  *
 14 5e11c00c 2021-03-02 op  * THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND,
 15 5e11c00c 2021-03-02 op  * EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF
 16 5e11c00c 2021-03-02 op  * MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND
 17 5e11c00c 2021-03-02 op  * NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS
 18 5e11c00c 2021-03-02 op  * BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN
 19 5e11c00c 2021-03-02 op  * ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN
 20 5e11c00c 2021-03-02 op  * CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
 21 5e11c00c 2021-03-02 op  * SOFTWARE.
 22 5e11c00c 2021-03-02 op  */
 23 5e11c00c 2021-03-02 op 
 24 174b3cdf 2021-03-21 op #include "telescope.h"
 25 5e11c00c 2021-03-02 op 
 26 174b3cdf 2021-03-21 op #include <assert.h>
 27 5e11c00c 2021-03-02 op #include <stddef.h>
 28 5e11c00c 2021-03-02 op #include <stdint.h>
 29 174b3cdf 2021-03-21 op #include <wchar.h>
 30 5e11c00c 2021-03-02 op 
 31 5e11c00c 2021-03-02 op #define UTF8_ACCEPT 0
 32 5e11c00c 2021-03-02 op #define UTF8_REJECT 1
 33 5e11c00c 2021-03-02 op 
 34 5e11c00c 2021-03-02 op static const uint8_t utf8d[] = {
 35 5e11c00c 2021-03-02 op 	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, // 00..1f
 36 5e11c00c 2021-03-02 op 	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, // 20..3f
 37 5e11c00c 2021-03-02 op 	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, // 40..5f
 38 5e11c00c 2021-03-02 op 	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, // 60..7f
 39 5e11c00c 2021-03-02 op 	1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9,9, // 80..9f
 40 5e11c00c 2021-03-02 op 	7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7,7, // a0..bf
 41 5e11c00c 2021-03-02 op 	8,8,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2,2, // c0..df
 42 5e11c00c 2021-03-02 op 	0xa,0x3,0x3,0x3,0x3,0x3,0x3,0x3,0x3,0x3,0x3,0x3,0x3,0x4,0x3,0x3, // e0..ef
 43 5e11c00c 2021-03-02 op 	0xb,0x6,0x6,0x6,0x5,0x8,0x8,0x8,0x8,0x8,0x8,0x8,0x8,0x8,0x8,0x8, // f0..ff
 44 5e11c00c 2021-03-02 op 	0x0,0x1,0x2,0x3,0x5,0x8,0x7,0x1,0x1,0x1,0x4,0x6,0x1,0x1,0x1,0x1, // s0..s0
 45 5e11c00c 2021-03-02 op 	1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,1,1,1,1,1,0,1,0,1,1,1,1,1,1, // s1..s2
 46 5e11c00c 2021-03-02 op 	1,2,1,1,1,1,1,2,1,2,1,1,1,1,1,1,1,1,1,1,1,1,1,2,1,1,1,1,1,1,1,1, // s3..s4
 47 5e11c00c 2021-03-02 op 	1,2,1,1,1,1,1,1,1,2,1,1,1,1,1,1,1,1,1,1,1,1,1,3,1,3,1,1,1,1,1,1, // s5..s6
 48 5e11c00c 2021-03-02 op 	1,3,1,1,1,1,1,3,1,3,1,1,1,1,1,1,1,3,1,1,1,1,1,1,1,1,1,1,1,1,1,1, // s7..s8
 49 5e11c00c 2021-03-02 op };
 50 5e11c00c 2021-03-02 op 
 51 5e11c00c 2021-03-02 op static inline uint32_t
 52 174b3cdf 2021-03-21 op utf8_decode(uint32_t* restrict state, uint32_t* restrict codep, uint8_t byte) {
 53 5e11c00c 2021-03-02 op 	uint32_t type = utf8d[byte];
 54 5e11c00c 2021-03-02 op 
 55 5e11c00c 2021-03-02 op 	*codep = (*state != UTF8_ACCEPT) ?
 56 5e11c00c 2021-03-02 op 		(byte & 0x3fu) | (*codep << 6) :
 57 5e11c00c 2021-03-02 op 		(0xff >> type) & (byte);
 58 5e11c00c 2021-03-02 op 
 59 5e11c00c 2021-03-02 op 	*state = utf8d[256 + *state*16 + type];
 60 5e11c00c 2021-03-02 op 	return *state;
 61 5e11c00c 2021-03-02 op }
 62 5e11c00c 2021-03-02 op 
 63 174b3cdf 2021-03-21 op 
 64 174b3cdf 2021-03-21 op /* end of the converter, utility functions ahead */
 65 5e11c00c 2021-03-02 op 
 66 5e11c00c 2021-03-02 op char *
 67 5e11c00c 2021-03-02 op utf8_nth(char *s, size_t n)
 68 5e11c00c 2021-03-02 op {
 69 5e11c00c 2021-03-02 op 	size_t i;
 70 5e11c00c 2021-03-02 op 	uint32_t cp = 0, state = 0;
 71 5e11c00c 2021-03-02 op 
 72 5e11c00c 2021-03-02 op 	for (i = 0; *s && i < n; ++s)
 73 5e11c00c 2021-03-02 op 		if (!utf8_decode(&state, &cp, *s))
 74 5e11c00c 2021-03-02 op 			++i;
 75 5e11c00c 2021-03-02 op 
 76 5e11c00c 2021-03-02 op 	if (state != UTF8_ACCEPT)
 77 5e11c00c 2021-03-02 op 		return NULL;
 78 5e11c00c 2021-03-02 op 	if (i == n)
 79 5e11c00c 2021-03-02 op 		return s;
 80 5e11c00c 2021-03-02 op 	return NULL;
 81 5e11c00c 2021-03-02 op }
 82 174b3cdf 2021-03-21 op 
 83 174b3cdf 2021-03-21 op size_t
 84 174b3cdf 2021-03-21 op utf8_cplen(char *s)
 85 174b3cdf 2021-03-21 op {
 86 174b3cdf 2021-03-21 op 	uint32_t cp = 0, state = 0;
 87 174b3cdf 2021-03-21 op 	size_t len;
 88 174b3cdf 2021-03-21 op 
 89 174b3cdf 2021-03-21 op 	len = 0;
 90 174b3cdf 2021-03-21 op 	for (; *s; ++s)
 91 174b3cdf 2021-03-21 op 		if (!utf8_decode(&state, &cp, *s))
 92 174b3cdf 2021-03-21 op 			len++;
 93 174b3cdf 2021-03-21 op 	return len;
 94 174b3cdf 2021-03-21 op }
 95 174b3cdf 2021-03-21 op 
 96 174b3cdf 2021-03-21 op /* returns only 0, 1 or 2.  assumes sizeof(wchar_t) is 4 */
 97 174b3cdf 2021-03-21 op size_t
 98 174b3cdf 2021-03-21 op utf8_chwidth(uint32_t cp)
 99 174b3cdf 2021-03-21 op {
100 174b3cdf 2021-03-21 op 	/* XXX: if we're running on a platform where sizeof(wchar_t)
101 174b3cdf 2021-03-21 op 	 * == 2 what to do?  The manpage for wcwidth and wcs isn't
102 174b3cdf 2021-03-21 op 	 * clear about the encoding, but if it's 16 bit wide I assume
103 174b3cdf 2021-03-21 op 	 * it must use UTF-16... right? */
104 174b3cdf 2021-03-21 op 	assert(sizeof(wchar_t) == 4);
105 174b3cdf 2021-03-21 op 
106 174b3cdf 2021-03-21 op 	return wcwidth((wchar_t)cp);
107 174b3cdf 2021-03-21 op }
108 174b3cdf 2021-03-21 op 
109 174b3cdf 2021-03-21 op /* NOTE: n is the number of codepoints, NOT the byte length.  In
110 174b3cdf 2021-03-21 op  * other words, s MUST be NUL-terminated. */
111 174b3cdf 2021-03-21 op size_t
112 174b3cdf 2021-03-21 op utf8_snwidth(const char *s, size_t n)
113 174b3cdf 2021-03-21 op {
114 174b3cdf 2021-03-21 op 	size_t i, tot;
115 174b3cdf 2021-03-21 op 	uint32_t cp = 0, state = 0;
116 174b3cdf 2021-03-21 op 
117 174b3cdf 2021-03-21 op 	tot = 0;
118 174b3cdf 2021-03-21 op 	for (i = 0; *s && i < n; ++s)
119 174b3cdf 2021-03-21 op 		if (!utf8_decode(&state, &cp, *s)) {
120 174b3cdf 2021-03-21 op 			i++;
121 174b3cdf 2021-03-21 op 			tot += utf8_chwidth(cp);
122 174b3cdf 2021-03-21 op 		}
123 174b3cdf 2021-03-21 op 
124 174b3cdf 2021-03-21 op 	return tot;
125 174b3cdf 2021-03-21 op }
126 174b3cdf 2021-03-21 op 
127 174b3cdf 2021-03-21 op size_t
128 174b3cdf 2021-03-21 op utf8_swidth(const char *s)
129 174b3cdf 2021-03-21 op {
130 174b3cdf 2021-03-21 op 	size_t tot;
131 174b3cdf 2021-03-21 op 	uint32_t cp = 0, state = 0;
132 174b3cdf 2021-03-21 op 
133 174b3cdf 2021-03-21 op 	tot = 0;
134 174b3cdf 2021-03-21 op 	for (; *s; ++s)
135 174b3cdf 2021-03-21 op 		if (!utf8_decode(&state, &cp, *s))
136 174b3cdf 2021-03-21 op 			tot += utf8_chwidth(cp);
137 174b3cdf 2021-03-21 op 
138 174b3cdf 2021-03-21 op 	return tot;
139 174b3cdf 2021-03-21 op }