[packages] libiconv: implement UTF-8 encode/decode
authorJo-Philipp Wich <jow@openwrt.org>
Fri, 3 Feb 2012 01:29:42 +0000 (01:29 +0000)
committerJo-Philipp Wich <jow@openwrt.org>
Fri, 3 Feb 2012 01:29:42 +0000 (01:29 +0000)
Implement own UTF-8 encoding and decoding routines as uClibc's wchar procedures are mostly stubbed.
Add UTF-8 -> Latin9 (ISO-8859-15) encoding support while we're at it.

SVN-Revision: 30006

libs/libiconv/Makefile
libs/libiconv/src/iconv.c

index 6509ce17d5792579c04ebd0f5cfd2fff2aee8ad5..8a90ef1d6e60f907eac64a817135db2c185fd777 100644 (file)
@@ -1,5 +1,5 @@
 #
-# Copyright (C) 2010-2011 OpenWrt.org
+# Copyright (C) 2010-2012 OpenWrt.org
 #
 # This Makefile and the code shipped in src/ is free software, licensed
 # under the GNU Lesser General Public License, version 2.1 and later.
@@ -11,7 +11,7 @@
 include $(TOPDIR)/rules.mk
 
 PKG_NAME:=libiconv
-PKG_RELEASE:=5
+PKG_RELEASE:=6
 
 include $(INCLUDE_DIR)/package.mk
 include $(INCLUDE_DIR)/host-build.mk
index 8b2bd97d99d3842255a7239e7dd150acd36955c4..8dd5a0cb3abbc1e62f3bd97fb10c3b22d657e6a2 100644 (file)
@@ -99,14 +99,14 @@ iconv_t iconv_open(const char *to, const char *from)
        unsigned f, t;
        int m;
 
-       if ((t = find_charset(to)) >= 8)
+       if ((t = find_charset(to)) > 8)
                return -1;
 
        if ((f = find_charset(from)) < 255)
-               return 0 | (t<<1) | (f<<4);
+               return 0 | (t<<1) | (f<<8);
 
        if ((m = find_charmap(from)) > -1)
-               return 1 | (t<<1) | (m<<4);
+               return 1 | (t<<1) | (m<<8);
 
        return -1;
 }
@@ -129,13 +129,143 @@ static inline void put_16(unsigned char *s, wchar_t c, int endian)
        s[endian^1] = c;
 }
 
+static inline int utf8enc_wchar(char *outb, wchar_t c)
+{
+       if (c <= 0x7F) {
+               *outb = c;
+               return 1;
+       }
+       else if (c <= 0x7FF) {
+               *outb++ = ((c >>  6) & 0x1F) | 0xC0;
+               *outb++ = ( c        & 0x3F) | 0x80;
+               return 2;
+       }
+       else if (c <= 0xFFFF) {
+               *outb++ = ((c >> 12) & 0x0F) | 0xE0;
+               *outb++ = ((c >>  6) & 0x3F) | 0x80;
+               *outb++ = ( c        & 0x3F) | 0x80;
+               return 3;
+       }
+       else if (c <= 0x10FFFF) {
+               *outb++ = ((c >> 18) & 0x07) | 0xF0;
+               *outb++ = ((c >> 12) & 0x3F) | 0x80;
+               *outb++ = ((c >>  6) & 0x3F) | 0x80;
+               *outb++ = ( c        & 0x3F) | 0x80;
+               return 4;
+       }
+       else {
+               *outb++ = '?';
+               return 1;
+       }
+}
+
+static inline int utf8seq_is_overlong(char *s, int n)
+{
+       switch (n)
+       {
+       case 2:
+               /* 1100000x (10xxxxxx) */
+               return (((*s >> 1) == 0x60) &&
+                               ((*(s+1) >> 6) == 0x02));
+
+       case 3:
+               /* 11100000 100xxxxx (10xxxxxx) */
+               return ((*s == 0xE0) &&
+                               ((*(s+1) >> 5) == 0x04) &&
+                               ((*(s+2) >> 6) == 0x02));
+
+       case 4:
+               /* 11110000 1000xxxx (10xxxxxx 10xxxxxx) */
+               return ((*s == 0xF0) &&
+                               ((*(s+1) >> 4) == 0x08) &&
+                               ((*(s+2) >> 6) == 0x02) &&
+                               ((*(s+3) >> 6) == 0x02));
+       }
+
+       return 0;
+}
+
+static inline int utf8seq_is_surrogate(char *s, int n)
+{
+       return ((n == 3) && (*s == 0xED) && (*(s+1) >= 0xA0) && (*(s+1) <= 0xBF));
+}
+
+static inline int utf8seq_is_illegal(char *s, int n)
+{
+       return ((n == 3) && (*s == 0xEF) && (*(s+1) == 0xBF) &&
+               (*(s+2) >= 0xBE) && (*(s+2) <= 0xBF));
+}
+
+static inline int utf8dec_wchar(wchar_t *c, unsigned char *in, size_t inb)
+{
+       int i;
+       int n = -1;
+
+       /* trivial char */
+       if (*in <= 0x7F) {
+               *c = *in;
+               return 1;
+       }
+
+       /* find utf8 sequence length */
+       if      ((*in & 0xE0) == 0xC0) n = 2;
+       else if ((*in & 0xF0) == 0xE0) n = 3;
+       else if ((*in & 0xF8) == 0xF0) n = 4;
+       else if ((*in & 0xFC) == 0xF8) n = 5;
+       else if ((*in & 0xFE) == 0xFC) n = 6;
+
+       /* starved? */
+       if (n > inb)
+               return -2;
+
+       /* decode ... */
+       if (n > 1 && n < 5) {
+               /* reject invalid sequences */
+               if (utf8seq_is_overlong(in, n) ||
+                       utf8seq_is_surrogate(in, n) ||
+                       utf8seq_is_illegal(in, n))
+                       return -1;
+
+               /* decode ... */
+               *c = (char)(*in++ & (0x7F >> n));
+
+               for (i = 1; i < n; i++) {
+                       /* illegal continuation byte */
+                       if (*in < 0x80 || *in > 0xBF)
+                               return -1;
+
+                       *c = (*c << 6) | (*in++ & 0x3F);
+               }
+
+               return n;
+       }
+
+       /* unmapped sequence (> 4) */
+       return -1;
+}
+
+static inline char latin9_translit(wchar_t c)
+{
+       /* a number of trivial iso-8859-15 <> utf-8 transliterations */
+       switch (c) {
+       case 0x20AC: return 0xA4; /* Euro */
+       case 0x0160: return 0xA6; /* S caron */
+       case 0x0161: return 0xA8; /* s caron */
+       case 0x017D: return 0xB4; /* Z caron */
+       case 0x017E: return 0xB8; /* z caron */
+       case 0x0152: return 0xBC; /* OE */
+       case 0x0153: return 0xBD; /* oe */
+       case 0x0178: return 0xBE; /* Y diaeresis */
+       default:     return '?';
+       }
+}
+
 size_t iconv(iconv_t cd, char **in, size_t *inb, char **out, size_t *outb)
 {
        size_t x=0;
-       unsigned char to = (cd>>1)&7;
+       unsigned char to = (cd>>1)&127;
        unsigned char from = 255;
        const unsigned char *map = 0;
-       mbstate_t st = {0};
        char tmp[MB_LEN_MAX];
        wchar_t c, d;
        size_t k, l;
@@ -144,9 +274,9 @@ size_t iconv(iconv_t cd, char **in, size_t *inb, char **out, size_t *outb)
        if (!in || !*in || !*inb) return 0;
 
        if (cd & 1)
-               map = charmaps[cd>>4].map;
+               map = charmaps[cd>>8].map;
        else
-               from = cd>>4;
+               from = cd>>8;
 
        for (; *inb; *in+=l, *inb-=l) {
                c = *(unsigned char *)*in;
@@ -159,7 +289,7 @@ size_t iconv(iconv_t cd, char **in, size_t *inb, char **out, size_t *outb)
                        c = *(wchar_t *)*in;
                        break;
                case UTF_8:
-                       l = mbrtowc(&c, *in, *inb, &st);
+                       l = utf8dec_wchar(&c, *in, *inb);
                        if (!l) l++;
                        else if (l == (size_t)-1) goto ilseq;
                        else if (l == (size_t)-2) goto starved;
@@ -249,16 +379,20 @@ charok:
                        break;
                case UTF_8:
                        if (*outb < 4) {
-                               k = wctomb(tmp, c);
+                               k = utf8enc_wchar(tmp, c);
                                if (*outb < k) goto toobig;
                                memcpy(*out, tmp, k);
-                       } else k = wctomb(*out, c);
+                       } else k = utf8enc_wchar(*out, c);
                        *out += k;
                        *outb -= k;
                        break;
                case US_ASCII:
                        if (c > 0x7f) c = 0xfffd;
                        /* fall thru and count replacement in latin1 case */
+               case LATIN_9:
+                       if (c >= 0x100 && c != 0xfffd)
+                               c = latin9_translit(c);
+                       /* fall through */
                case LATIN_1:
                        if (!*outb) goto toobig;
                        if (c < 0x100) **out = c;