mirror of https://github.com/mgba-emu/mgba.git
Util: Add UTF-16 and UTF-8 parsing functions
This commit is contained in:
parent
a398b0bb1e
commit
a30ca1ac2c
|
@ -1,4 +1,4 @@
|
||||||
/* Copyright (c) 2013-2014 Jeffrey Pfau
|
/* Copyright (c) 2013-2015 Jeffrey Pfau
|
||||||
*
|
*
|
||||||
* This Source Code Form is subject to the terms of the Mozilla Public
|
* This Source Code Form is subject to the terms of the Mozilla Public
|
||||||
* License, v. 2.0. If a copy of the MPL was not distributed with this
|
* License, v. 2.0. If a copy of the MPL was not distributed with this
|
||||||
|
@ -28,3 +28,172 @@ char* strnrstr(const char* restrict haystack, const char* restrict needle, size_
|
||||||
}
|
}
|
||||||
return last;
|
return last;
|
||||||
}
|
}
|
||||||
|
|
||||||
|
static uint32_t _utf16Char(const uint16_t** unicode, size_t* length) {
|
||||||
|
if (*length < 2) {
|
||||||
|
*length = 0;
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
uint32_t unichar = **unicode;
|
||||||
|
++*unicode;
|
||||||
|
*length -= 2;
|
||||||
|
if (unichar < 0xD800 || unichar >= 0xE000) {
|
||||||
|
return unichar;
|
||||||
|
}
|
||||||
|
if (*length < 2) {
|
||||||
|
*length = 0;
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
uint16_t highSurrogate = unichar;
|
||||||
|
uint16_t lowSurrogate = **unicode;
|
||||||
|
++*unicode;
|
||||||
|
*length -= 2;
|
||||||
|
if (highSurrogate >= 0xDC00) {
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
if (lowSurrogate < 0xDC00 || lowSurrogate >= 0xE000) {
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
highSurrogate -= 0xD800;
|
||||||
|
lowSurrogate -= 0xDC00;
|
||||||
|
return (highSurrogate << 10) + lowSurrogate + 0x10000;
|
||||||
|
}
|
||||||
|
|
||||||
|
static uint32_t _utf8Char(const char** unicode, size_t* length) {
|
||||||
|
if (*length == 0) {
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
char byte = **unicode;
|
||||||
|
--*length;
|
||||||
|
++*unicode;
|
||||||
|
if (!(byte & 0x80)) {
|
||||||
|
return byte;
|
||||||
|
}
|
||||||
|
uint32_t unichar;
|
||||||
|
static int tops[4] = { 0xC0, 0xE0, 0xF0, 0xF8 };
|
||||||
|
size_t numBytes;
|
||||||
|
for (numBytes = 0; numBytes < 3; ++numBytes) {
|
||||||
|
if ((byte & tops[numBytes + 1]) == tops[numBytes]) {
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
unichar = byte & ~tops[numBytes];
|
||||||
|
if (numBytes == 3) {
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
++numBytes;
|
||||||
|
if (*length < numBytes) {
|
||||||
|
*length = 0;
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
size_t i;
|
||||||
|
for (i = 0; i < numBytes; ++i) {
|
||||||
|
unichar <<= 6;
|
||||||
|
byte = **unicode;
|
||||||
|
--*length;
|
||||||
|
++*unicode;
|
||||||
|
if ((byte & 0xC0) != 0x80) {
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
unichar |= byte & 0x3F;
|
||||||
|
}
|
||||||
|
return unichar;
|
||||||
|
}
|
||||||
|
|
||||||
|
static size_t _toUtf8(uint32_t unichar, char* buffer) {
|
||||||
|
if (unichar > 0x10FFFF) {
|
||||||
|
unichar = 0xFFFD;
|
||||||
|
}
|
||||||
|
if (unichar < 0x80) {
|
||||||
|
buffer[0] = unichar;
|
||||||
|
return 1;
|
||||||
|
}
|
||||||
|
if (unichar < 0x800) {
|
||||||
|
buffer[0] = (unichar >> 6) | 0xC0;
|
||||||
|
buffer[1] = (unichar & 0x3F) | 0x80;
|
||||||
|
return 2;
|
||||||
|
}
|
||||||
|
if (unichar < 0x10000) {
|
||||||
|
buffer[0] = (unichar >> 12) | 0xE0;
|
||||||
|
buffer[1] = ((unichar >> 6) & 0x3F) | 0x80;
|
||||||
|
buffer[2] = (unichar & 0x3F) | 0x80;
|
||||||
|
return 3;
|
||||||
|
}
|
||||||
|
if (unichar < 0x200000) {
|
||||||
|
buffer[0] = (unichar >> 18) | 0xF0;
|
||||||
|
buffer[1] = ((unichar >> 12) & 0x3F) | 0x80;
|
||||||
|
buffer[2] = ((unichar >> 6) & 0x3F) | 0x80;
|
||||||
|
buffer[3] = (unichar & 0x3F) | 0x80;
|
||||||
|
return 4;
|
||||||
|
}
|
||||||
|
|
||||||
|
// This shouldn't be possible
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
|
||||||
|
int utfcmp(const uint16_t* utf16, const char* utf8, size_t utf16Length, size_t utf8Length) {
|
||||||
|
uint32_t char1 = 0, char2 = 0;
|
||||||
|
while (utf16Length > 0 && utf8Length > 0) {
|
||||||
|
if (char1 < char2) {
|
||||||
|
return -1;
|
||||||
|
}
|
||||||
|
if (char1 > char2) {
|
||||||
|
return 1;
|
||||||
|
}
|
||||||
|
char1 = _utf16Char(&utf16, &utf16Length);
|
||||||
|
char2 = _utf8Char(&utf8, &utf8Length);
|
||||||
|
}
|
||||||
|
if (utf16Length == 0 && utf8Length > 0) {
|
||||||
|
return -1;
|
||||||
|
}
|
||||||
|
if (utf16Length > 0 && utf8Length == 0) {
|
||||||
|
return 1;
|
||||||
|
}
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
|
||||||
|
char* utf16to8(const uint16_t* utf16, size_t length) {
|
||||||
|
char* utf8 = 0;
|
||||||
|
char* offset;
|
||||||
|
char buffer[4];
|
||||||
|
size_t utf8TotalBytes = 0;
|
||||||
|
size_t utf8Length = 0;
|
||||||
|
while (true) {
|
||||||
|
if (length == 0) {
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
uint32_t unichar = _utf16Char(&utf16, &length);
|
||||||
|
size_t bytes = _toUtf8(unichar, buffer);
|
||||||
|
utf8Length += bytes;
|
||||||
|
if (utf8Length < utf8TotalBytes) {
|
||||||
|
memcpy(offset, buffer, bytes);
|
||||||
|
offset += bytes;
|
||||||
|
} else if (!utf8) {
|
||||||
|
utf8 = malloc(length);
|
||||||
|
if (!utf8) {
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
utf8TotalBytes = length;
|
||||||
|
memcpy(utf8, buffer, bytes);
|
||||||
|
offset = utf8 + bytes;
|
||||||
|
} else if (utf8Length >= utf8TotalBytes) {
|
||||||
|
char* newUTF8 = realloc(utf8, utf8TotalBytes * 2);
|
||||||
|
if (newUTF8 != utf8) {
|
||||||
|
free(utf8);
|
||||||
|
}
|
||||||
|
if (!newUTF8) {
|
||||||
|
return 0;
|
||||||
|
}
|
||||||
|
offset = offset - utf8 + newUTF8;
|
||||||
|
memcpy(offset, buffer, bytes);
|
||||||
|
offset += bytes;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
char* newUTF8 = realloc(utf8, utf8Length + 1);
|
||||||
|
if (newUTF8 != utf8) {
|
||||||
|
free(utf8);
|
||||||
|
}
|
||||||
|
newUTF8[utf8Length] = '\0';
|
||||||
|
return newUTF8;
|
||||||
|
}
|
||||||
|
|
|
@ -15,4 +15,7 @@ char* strndup(const char* start, size_t len);
|
||||||
|
|
||||||
char* strnrstr(const char* restrict s1, const char* restrict s2, size_t len);
|
char* strnrstr(const char* restrict s1, const char* restrict s2, size_t len);
|
||||||
|
|
||||||
|
int utfcmp(const uint16_t* utf16, const char* utf8, size_t utf16Length, size_t utf8Length);
|
||||||
|
char* utf16to8(const uint16_t* utf16, size_t length);
|
||||||
|
|
||||||
#endif
|
#endif
|
||||||
|
|
Loading…
Reference in New Issue