]> git.sur5r.net Git - openldap/commitdiff
Add some robustness to UTF-8 routines.
authorKurt Zeilenga <kurt@openldap.org>
Sun, 23 Jan 2000 18:43:30 +0000 (18:43 +0000)
committerKurt Zeilenga <kurt@openldap.org>
Sun, 23 Jan 2000 18:43:30 +0000 (18:43 +0000)
include/ldap_pvt.h
libraries/libldap/utf-8.c

index 8bb43326fe0152d3edbc6c7d51f053c80ce632c2..4509a0f396988ff1509a3509dbc8cec0c9813993 100644 (file)
@@ -180,21 +180,21 @@ LIBLDAP_F (char *) ldap_utf8_strpbrk( const char* str, const char *set);
 LIBLDAP_F (char*) ldap_utf8_strtok( char* sp, const char* sep, char **last);
 
 /* Optimizations */
-#define LDAP_UTF8_CHARLEN(p) (*(unsigned char *)(p) < 0x100 \
-       ? 1 : ldap_utf8_charlen((p)))
+#define LDAP_UTF8_ISASCII(p) ( * (const unsigned char *) (p) < 0x100 )
+#define LDAP_UTF8_CHARLEN(p) ( LDAP_UTF8_ISASCII(p) \
+       ? 1 : ldap_utf8_charlen((p)) )
 
-#define LDAP_UTF8_COPY(p) (*(unsigned char *)(s) < 0x100 \
-       ? (*(d) = *(s), 1) : ldap_utf8_cpy((d),(s)))
+#define LDAP_UTF8_COPY(p) (    LDAP_UTF8_ISASCII(p) \
+       ? (*(d) = *(s), 1) : ldap_utf8_cpy((d),(s)) )
 
-#define LDAP_UTF8_NEXT(p) (*(unsigned char *)(p) < 0x100 \
-       ? &(p)[1] : ldap_utf8_next((p)))
+#define LDAP_UTF8_NEXT(p) (    LDAP_UTF8_ISASCII(p) \
+       ? &(p)[1] : ldap_utf8_next((p)) )
 
-#define LDAP_UTF8_INCR(p) (*(unsigned char *)(p) < 0x100 \
-       ? ++(p) : (p)=ldap_utf8_next((p)))
+#define LDAP_UTF8_INCR(p) ( (p) = LDAP_UTF8_NEXT(p) )
 
 /* For symmetry */
 #define LDAP_UTF8_PREV(p) (ldap_utf8_prev((p)))
-#define LDAP_UTF8_DECR(p) ((p)=ldap_utf8_prev((p)))
+#define LDAP_UTF8_DECR(p) ((p)=LDAP_UTF8_PREV((p)))
 
 LDAP_END_DECL
 
index 29e96a18a871f3519a36b2dfdb482798ac2d9c92..eadf1de1183b19d32eafccb6f3cab9e9abcdc553 100644 (file)
@@ -28,7 +28,9 @@
 #include "ldap-int.h"
 #include "ldap_defaults.h"
 
-#define UTF8_ISASCII(u)        ( (u) < 0x100 )
+#undef ISASCII
+#define ISASCII(uc)    ((uc) < 0x100)
+#undef UCS4_INVALID
 #define UCS4_INVALID   0x80000000U
 
 /*
@@ -56,19 +58,20 @@ ber_len_t ldap_utf8_bytes( const char * p )
 ber_len_t ldap_utf8_chars( const char * p )
 {
        /* could be optimized and could check for invalid sequences */
-       ber_len_t chars;
+       ber_len_t chars=0;
 
-       for( chars=0; *p ; chars++ ) {
-               int charlen = ldap_utf8_charlen( p );
-
-               if( !charlen ) return chars;
-
-               p = &p[charlen];
+       for( ; *p ; p=LDAP_UTF8_NEXT(p) ) {
+               chars++;
        };
 
        return chars;
 }
 
+/*
+ * Returns length indicated by first byte.
+ *
+ * This function should use a table lookup.
+ */
 int ldap_utf8_charlen( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
@@ -104,48 +107,28 @@ int ldap_utf8_charlen( const char * p )
 /* conv UTF-8 to UCS-4, useful for comparisons */
 ber_int_t ldap_utf8_to_ucs4( const char * p )
 {
+    const unsigned char *c = p;
+    ber_int_t ch;
        int len, i;
-    ber_int_t c = * (const unsigned char *) p;
+       static unsigned char mask[] = {
+               0, 0x7f, 0x1F, 0x0F, 0x07, 0x03, 0x01 };
 
-    if ((c & 0xFE ) == 0xFC) {
-        len = 6;
-               c &= 0x01;
+       len = LDAP_UTF8_CHARLEN(p);
 
-    } else if ((c & 0xFC ) == 0xF8) {
-        len = 5;
-               c &= 0x03;
+       if( len == 0 ) return UCS4_INVALID;
 
-    } else if ((c & 0xF8 ) == 0xF0) {
-        len = 4;
-               c &= 0x07;
-
-    } else if ((c & 0xF0 ) == 0xE0) {
-        len = 3;
-               c &= 0x0F;
-
-    } else if ((c & 0xE0 ) == 0xC0) {
-        len = 2;
-               c &= 0x1F;
-
-    } else if ((c & 0x80 ) == 0x80) {
-        return UCS4_INVALID;
-
-    } else {
-       return c;
-       }
+       ch = c[0] & mask[len];
 
        for(i=1; i < len; i++) {
-               ber_int_t ch = ((const unsigned char *) p)[i];
-
-               if ((ch & 0xc0) != 0x80) {
+               if ((c[i] & 0xc0) != 0x80) {
                        return UCS4_INVALID;
                }
 
-               c <<= 6;
-               c |= ch & 0x3f;
+               ch <<= 6;
+               ch |= c[i] & 0x3f;
        }
 
-       return c;
+       return ch;
 }
 
 /* conv UCS-4 to UTF-8, not used */
@@ -196,23 +179,85 @@ int ldap_ucs4_to_utf8( ber_int_t c, char *buf )
        return len;
 }
 
+/*
+ * Advance to the next UTF-8 character
+ *
+ * Ignores length of multibyte character, instead rely on
+ * continuation markers to find start of next character.
+ * This allows for "resyncing" of when invalid characters
+ * are provided provided the start of the next character
+ * is appears within the 6 bytes examined.
+ */
 char* ldap_utf8_next( const char * p )
 {
-       int len = ldap_utf8_charlen( p );
+       int i;
+       const unsigned char *u = p;
+
+       if( LDAP_UTF8_ISASCII(u) ) {
+               return (char *) &p[1];
+       }
 
-       return len ? (char *) &p[len] : NULL;
+       for( i=1; i<6; i++ ) {
+               if ( u[i] & 0xC0 != 0x80 ) {
+                       return (char *) &p[i];
+               }
+       }
+
+       return (char *) &p[i];
 }
 
+/*
+ * Advance to the previous UTF-8 character
+ *
+ * Ignores length of multibyte character, instead rely on
+ * continuation markers to find start of next character.
+ * This allows for "resyncing" of when invalid characters
+ * are provided provided the start of the next character
+ * is appears within the 6 bytes examined.
+ */
 char* ldap_utf8_prev( const char * p )
 {
        int i;
        const unsigned char *u = p;
 
-       for( i = -1; i >= -6 ; i-- ) {
-               if ( u[i] & 0xC0 != 0x80 ) return (char *) &p[i];
+       for( i=-1; i>-6 ; i-- ) {
+               if ( u[i] & 0xC0 != 0x80 ) {
+                       return (char *) &p[i];
+               }
        }
 
-       return NULL;
+       return (char *) &p[i];
+}
+
+/*
+ * Copy one UTF-8 character from src to dst returning
+ * number of bytes copied.
+ *
+ * Ignores length of multibyte character, instead rely on
+ * continuation markers to find start of next character.
+ * This allows for "resyncing" of when invalid characters
+ * are provided provided the start of the next character
+ * is appears within the 6 bytes examined.
+ */
+int ldap_utf8_copy( char* dst, const char *src )
+{
+       int i;
+       const unsigned char *u = src;
+
+       dst[0] = src[0];
+
+       if( LDAP_UTF8_ISASCII(u) ) {
+               return 1;
+       }
+
+       for( i=1; i<6; i++ ) {
+               if ( u[i] & 0xC0 != 0x80 ) {
+                       return i; 
+               }
+               dst[i] = src[i];
+       }
+
+       return i;
 }
 
 /*
@@ -223,14 +268,14 @@ char* ldap_utf8_prev( const char * p )
 int ldap_utf8_isascii( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
-       return UTF8_ISASCII(c);
+       return ISASCII(c);
 }
 
 int ldap_utf8_isdigit( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
 
-       if(!UTF8_ISASCII(c)) return 0;
+       if(!ISASCII(c)) return 0;
 
        return c >= '0' && c <= '9';
 }
@@ -239,7 +284,7 @@ int ldap_utf8_isxdigit( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
 
-       if(!UTF8_ISASCII(c)) return 0;
+       if(!ISASCII(c)) return 0;
 
        return ( c >= '0' && c <= '9' )
                || ( c >= 'A' && c <= 'F' )
@@ -250,7 +295,7 @@ int ldap_utf8_isspace( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
 
-       if(!UTF8_ISASCII(c)) return 0;
+       if(!ISASCII(c)) return 0;
 
        switch(c) {
        case ' ':
@@ -274,7 +319,7 @@ int ldap_utf8_isalpha( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
 
-       if(!UTF8_ISASCII(c)) return 0;
+       if(!ISASCII(c)) return 0;
 
        return ( c >= 'A' && c <= 'Z' )
                || ( c >= 'a' && c <= 'z' );
@@ -284,7 +329,7 @@ int ldap_utf8_isalnum( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
 
-       if(!UTF8_ISASCII(c)) return 0;
+       if(!ISASCII(c)) return 0;
 
        return ( c >= '0' && c <= '9' )
                || ( c >= 'A' && c <= 'Z' )
@@ -304,53 +349,10 @@ int ldap_utf8_isupper( const char * p )
 {
        unsigned c = * (const unsigned char *) p;
 
-       if(!UTF8_ISASCII(c)) return 0;
+       if(!ISASCII(c)) return 0;
 
        return ( c >= 'A' && c <= 'Z' );
 }
-
-/*
- * get one UTF-8 character
- */
-char* ldap_utf8_fgetc( FILE *s, char *buf )
-{
-       int i;
-       unsigned char *p;
-       unsigned int c;
-       int len;
-
-       if( s == NULL ) return NULL;
-
-       p = buf;
-
-       c = fgetc( s );
-       if( c == EOF ) {
-               p[0] = -1;
-               return NULL;
-       }
-
-       p[0] = c;
-
-       len = ldap_utf8_charlen( buf );
-
-       if( len < 1 ) return NULL;
-
-       for( i = 1; i < len; i++ ) {
-               unsigned int c = fgetc( s );
-               if( c == EOF ) {
-                       p[i] = -1;
-                       return NULL;
-               }
-               if( c & 0xC0 != 0x80 ) {
-                       ungetc( c, s );
-                       p[i] = -1;
-                       return NULL;
-               }
-               p[i] = c;
-       }
-
-       return buf;
-}
 #endif
 
 
@@ -361,23 +363,16 @@ char* ldap_utf8_fgetc( FILE *s, char *buf )
 /* like strcspn() but returns number of bytes, not characters */
 ber_len_t (ldap_utf8_strcspn)( const char *str, const char *set )
 {
-       int len;
        const char *cstr;
 
-       for( cstr = str; *cstr != '\0'; cstr += len ) {
+       for( cstr = str; *cstr != '\0'; cstr = LDAP_UTF8_NEXT(cstr) ) {
                const char *cset;
 
-               for( cset = set; ; cset += len ) {
+               for( cset = set; ; cset = LDAP_UTF8_NEXT(cset) ) {
                        if( ldap_utf8_to_ucs4( cstr ) == ldap_utf8_to_ucs4( cset ) ) {
                                return cstr - str;
                        } 
-
-                       len = ldap_utf8_charlen(cset);
-                       if( !len ) break;
                }
-
-               len = ldap_utf8_charlen(cstr);
-               if( !len ) break;
        }
 
        return cstr - str;
@@ -386,13 +381,12 @@ ber_len_t (ldap_utf8_strcspn)( const char *str, const char *set )
 /* like strspn() but returns number of bytes, not characters */
 ber_len_t (ldap_utf8_strspn)( const char *str, const char *set )
 {
-       int len;
        const char *cstr;
 
-       for( cstr = str; *cstr != '\0'; cstr += len ) {
+       for( cstr = str; *cstr != '\0'; LDAP_UTF8_INCR(cstr) ) {
                const char *cset;
 
-               for( cset = set; ; cset += len ) {
+               for( cset = set; ; LDAP_UTF8_INCR(cset) ) {
                        if( *cset == '\0' ) {
                                return cstr - str;
                        }
@@ -400,13 +394,7 @@ ber_len_t (ldap_utf8_strspn)( const char *str, const char *set )
                        if( ldap_utf8_to_ucs4( cstr ) == ldap_utf8_to_ucs4( cset ) ) {
                                break;
                        } 
-
-                       len = ldap_utf8_charlen(cset);
-                       if( !len ) break;
                }
-
-               len = ldap_utf8_charlen(cstr);
-               if( !len ) break;
        }
 
        return cstr - str;
@@ -418,20 +406,14 @@ char *(ldap_utf8_strpbrk)( const char *str, const char *set )
        int len;
        const char *cstr;
 
-       for( cstr = str; *cstr != '\0'; cstr += len ) {
+       for( cstr = str; *cstr != '\0'; LDAP_UTF8_INCR(cstr) ) {
                const char *cset;
 
-               for( cset = set; ; cset += len ) {
+               for( cset = set; ; LDAP_UTF8_INCR(cset) ) {
                        if( ldap_utf8_to_ucs4( cstr ) == ldap_utf8_to_ucs4( cset ) ) {
                                return (char *) cstr;
                        } 
-
-                       len = ldap_utf8_charlen(cset);
-                       if( !len ) break;
                }
-
-               len = ldap_utf8_charlen(cstr);
-               if( !len ) break;
        }
 
        return NULL;
@@ -457,14 +439,9 @@ char *(ldap_utf8_strtok)(char *str, const char *sep, char **last)
        end = &begin[ ldap_utf8_strcpn( begin, sep ) ];
 
        if( *end != '\0' ) {
-               int len = ldap_utf8_charlen( end );
+               char *next = LDAP_UTF8_NEXT( end );
                *end = '\0';
-
-               if( len ) {
-                       end += len;
-               } else {
-                       end = NULL;
-               }
+               end = next;
        }
 
        *last = end;