mirror of
https://github.com/TerryCavanagh/VVVVVV.git
synced 2024-12-23 01:59:43 +01:00
Add UTF8.c
This is a small library I wrote to handle UTF-8. Usage is meant to be as simple as possible - see for example decoding a UTF-8 string: const char* str = "asdf"; uint32_t codepoint; while ((codepoint = UTF8_next(&str))) { // you have a codepoint congrats } Or encoding a single codepoint to add it to a string: std::string result; result.append(UTF8_encode(0x1234).bytes); There are some other functions (UTF8_total_codepoints() to get the total number of codepoints in a string, UTF8_backspace() to get the length of a string after backspacing one character, and UTF8_peek_next() as a slightly less fancy version of UTF8_next()), but more functions could always be added if we need them. This will allow us to replace utfcpp (utf8::unchecked) and also fix some less-than-ideal code: - Some places have to resort to ignoring UTF-8 (next_wrap) or using UCS-4→UTF-8 functions (VFormat had to use PHYSFS ones, and one other place has four lines of code including a std::back_inserter just for one character) - The iterator stuff is kinda confusing and verbose anyway
This commit is contained in:
parent
22f1a18fe7
commit
3ce4735d50
3 changed files with 238 additions and 0 deletions
|
@ -111,6 +111,7 @@ set(VVV_SRC
|
||||||
src/Network.c
|
src/Network.c
|
||||||
src/Textbook.c
|
src/Textbook.c
|
||||||
src/ThirdPartyDeps.c
|
src/ThirdPartyDeps.c
|
||||||
|
src/UTF8.c
|
||||||
src/VFormat.c
|
src/VFormat.c
|
||||||
src/Vlogging.c
|
src/Vlogging.c
|
||||||
src/Xoshiro.c
|
src/Xoshiro.c
|
||||||
|
|
202
desktop_version/src/UTF8.c
Normal file
202
desktop_version/src/UTF8.c
Normal file
|
@ -0,0 +1,202 @@
|
||||||
|
#include "UTF8.h"
|
||||||
|
|
||||||
|
#define STARTS_0(byte) ((byte & 0x80) == 0x00)
|
||||||
|
#define STARTS_10(byte) ((byte & 0xC0) == 0x80)
|
||||||
|
#define STARTS_110(byte) ((byte & 0xE0) == 0xC0)
|
||||||
|
#define STARTS_1110(byte) ((byte & 0xF0) == 0xE0)
|
||||||
|
#define STARTS_11110(byte) ((byte & 0xF8) == 0xF0)
|
||||||
|
#define TAKE(byte, nbits) (byte & ((1 << nbits)-1))
|
||||||
|
|
||||||
|
static inline bool is_illegal(uint32_t codepoint)
|
||||||
|
{
|
||||||
|
return (codepoint >= 0xD800 && codepoint <= 0xDFFF) || codepoint > 0x10FFFF;
|
||||||
|
}
|
||||||
|
|
||||||
|
uint32_t UTF8_peek_next(const char* s_str, uint8_t* codepoint_nbytes)
|
||||||
|
{
|
||||||
|
/* Get the next codepoint from a string, but instead of advancing the
|
||||||
|
* pointer, give the number of bytes the index will need to advance. */
|
||||||
|
if (s_str == NULL)
|
||||||
|
{
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
|
||||||
|
// Pointer conversion to avoid all those brilliant signedness plot twists...
|
||||||
|
const unsigned char* str = (const unsigned char*) s_str;
|
||||||
|
uint32_t codepoint;
|
||||||
|
*codepoint_nbytes = 1;
|
||||||
|
|
||||||
|
if (STARTS_0(str[0]))
|
||||||
|
{
|
||||||
|
// 0xxx xxxx - ASCII
|
||||||
|
codepoint = str[0];
|
||||||
|
}
|
||||||
|
else if (STARTS_10(str[0]))
|
||||||
|
{
|
||||||
|
// 10xx xxxx - unexpected continuation byte
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
}
|
||||||
|
else if (STARTS_110(str[0]))
|
||||||
|
{
|
||||||
|
// 110x xxxx - 2-byte sequence
|
||||||
|
if (!STARTS_10(str[1]))
|
||||||
|
{
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
}
|
||||||
|
else
|
||||||
|
{
|
||||||
|
codepoint =
|
||||||
|
(TAKE(str[0], 5) << 6) |
|
||||||
|
(TAKE(str[1], 6));
|
||||||
|
*codepoint_nbytes = 2;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
else if (STARTS_1110(str[0]))
|
||||||
|
{
|
||||||
|
// 1110 xxxx - 3-byte sequence
|
||||||
|
if (!STARTS_10(str[1]) || !STARTS_10(str[2]))
|
||||||
|
{
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
}
|
||||||
|
else
|
||||||
|
{
|
||||||
|
codepoint =
|
||||||
|
(TAKE(str[0], 4) << 12) |
|
||||||
|
(TAKE(str[1], 6) << 6) |
|
||||||
|
(TAKE(str[2], 6));
|
||||||
|
*codepoint_nbytes = 3;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
else if (STARTS_11110(str[0]))
|
||||||
|
{
|
||||||
|
// 1111 0xxx - 4-byte sequence
|
||||||
|
if (!STARTS_10(str[1]) || !STARTS_10(str[2]) || !STARTS_10(str[3]))
|
||||||
|
{
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
}
|
||||||
|
else
|
||||||
|
{
|
||||||
|
codepoint =
|
||||||
|
(TAKE(str[0], 3) << 18) |
|
||||||
|
(TAKE(str[1], 6) << 12) |
|
||||||
|
(TAKE(str[2], 6) << 6) |
|
||||||
|
(TAKE(str[3], 6));
|
||||||
|
*codepoint_nbytes = 4;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
else
|
||||||
|
{
|
||||||
|
// 1111 1xxx - invalid
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
}
|
||||||
|
|
||||||
|
// Overlong sequence?
|
||||||
|
if (
|
||||||
|
(codepoint <= 0x7F && *codepoint_nbytes > 1) ||
|
||||||
|
(codepoint > 0x7F && codepoint <= 0x7FF && *codepoint_nbytes > 2) ||
|
||||||
|
(codepoint > 0x7FF && codepoint <= 0xFFFF && *codepoint_nbytes > 3)
|
||||||
|
) {
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
}
|
||||||
|
|
||||||
|
// UTF-16 surrogates are invalid, so are codepoints after 10FFFF
|
||||||
|
if (is_illegal(codepoint))
|
||||||
|
{
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
}
|
||||||
|
|
||||||
|
return codepoint;
|
||||||
|
}
|
||||||
|
|
||||||
|
uint32_t UTF8_next(const char** p_str)
|
||||||
|
{
|
||||||
|
/* Get the next codepoint from a string, and advance the pointer.
|
||||||
|
* Example usage:
|
||||||
|
*
|
||||||
|
* const char* str = "asdf";
|
||||||
|
* uint32_t codepoint;
|
||||||
|
* while ((codepoint = UTF8_next(&str)))
|
||||||
|
* {
|
||||||
|
* // you have a codepoint congrats
|
||||||
|
* }
|
||||||
|
*/
|
||||||
|
if (p_str == NULL)
|
||||||
|
{
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
|
||||||
|
uint8_t codepoint_nbytes;
|
||||||
|
uint32_t codepoint = UTF8_peek_next(*p_str, &codepoint_nbytes);
|
||||||
|
*p_str += codepoint_nbytes;
|
||||||
|
return codepoint;
|
||||||
|
}
|
||||||
|
|
||||||
|
UTF8_encoding UTF8_encode(uint32_t codepoint)
|
||||||
|
{
|
||||||
|
UTF8_encoding enc = {0};
|
||||||
|
|
||||||
|
// Pretend the bytes array is unsigned...
|
||||||
|
unsigned char* bytes = (unsigned char*) &enc.bytes;
|
||||||
|
|
||||||
|
if (is_illegal(codepoint))
|
||||||
|
{
|
||||||
|
codepoint = 0xFFFD;
|
||||||
|
enc.error = true;
|
||||||
|
}
|
||||||
|
|
||||||
|
if (codepoint <= 0x7F)
|
||||||
|
{
|
||||||
|
enc.nbytes = 1;
|
||||||
|
bytes[0] = codepoint;
|
||||||
|
}
|
||||||
|
else if (codepoint <= 0x7FF)
|
||||||
|
{
|
||||||
|
enc.nbytes = 2;
|
||||||
|
bytes[0] = 0xC0 | (codepoint >> 6);
|
||||||
|
bytes[1] = 0x80 | (codepoint & 0x3F);
|
||||||
|
}
|
||||||
|
else if (codepoint <= 0xFFFF)
|
||||||
|
{
|
||||||
|
enc.nbytes = 3;
|
||||||
|
bytes[0] = 0xE0 | (codepoint >> 12);
|
||||||
|
bytes[1] = 0x80 | ((codepoint >> 6) & 0x3F);
|
||||||
|
bytes[2] = 0x80 | (codepoint & 0x3F);
|
||||||
|
}
|
||||||
|
else
|
||||||
|
{
|
||||||
|
enc.nbytes = 4;
|
||||||
|
bytes[0] = 0xF0 | (codepoint >> 18);
|
||||||
|
bytes[1] = 0x80 | ((codepoint >> 12) & 0x3F);
|
||||||
|
bytes[2] = 0x80 | ((codepoint >> 6) & 0x3F);
|
||||||
|
bytes[3] = 0x80 | (codepoint & 0x3F);
|
||||||
|
}
|
||||||
|
|
||||||
|
return enc;
|
||||||
|
}
|
||||||
|
|
||||||
|
size_t UTF8_total_codepoints(const char* str)
|
||||||
|
{
|
||||||
|
size_t total = 0;
|
||||||
|
while (UTF8_next(&str))
|
||||||
|
{
|
||||||
|
total++;
|
||||||
|
}
|
||||||
|
return total;
|
||||||
|
}
|
||||||
|
|
||||||
|
size_t UTF8_backspace(const char* str, size_t len)
|
||||||
|
{
|
||||||
|
/* Given a string of length len,
|
||||||
|
* give the new length after removing the last character.
|
||||||
|
* In other words, the index at which to write a \0 byte. */
|
||||||
|
|
||||||
|
for (len -= 1; len > 0; len--)
|
||||||
|
{
|
||||||
|
if (!STARTS_10(str[len]))
|
||||||
|
{
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return len;
|
||||||
|
}
|
35
desktop_version/src/UTF8.h
Normal file
35
desktop_version/src/UTF8.h
Normal file
|
@ -0,0 +1,35 @@
|
||||||
|
#ifndef UTF8_H
|
||||||
|
#define UTF8_H
|
||||||
|
|
||||||
|
#include <stdbool.h>
|
||||||
|
#include <stddef.h>
|
||||||
|
#include <stdint.h>
|
||||||
|
|
||||||
|
#ifdef __cplusplus
|
||||||
|
extern "C"
|
||||||
|
{
|
||||||
|
#endif
|
||||||
|
|
||||||
|
typedef struct
|
||||||
|
{
|
||||||
|
char bytes[5];
|
||||||
|
uint8_t nbytes;
|
||||||
|
bool error;
|
||||||
|
}
|
||||||
|
UTF8_encoding;
|
||||||
|
|
||||||
|
|
||||||
|
uint32_t UTF8_peek_next(const char* s_str, uint8_t* codepoint_nbytes);
|
||||||
|
|
||||||
|
uint32_t UTF8_next(const char** p_str);
|
||||||
|
UTF8_encoding UTF8_encode(uint32_t codepoint);
|
||||||
|
|
||||||
|
size_t UTF8_total_codepoints(const char* str);
|
||||||
|
size_t UTF8_backspace(const char* str, size_t len);
|
||||||
|
|
||||||
|
|
||||||
|
#ifdef __cplusplus
|
||||||
|
} /* extern "C" */
|
||||||
|
#endif
|
||||||
|
|
||||||
|
#endif // UTF8_H
|
Loading…
Reference in a new issue