]> git.saurik.com Git - apple/libc.git/blobdiff - locale/FreeBSD/utf8.c
Libc-1158.1.2.tar.gz
[apple/libc.git] / locale / FreeBSD / utf8.c
index 9a9ffa92ac6d80b85d1464f7761798a6ca927222..100573eedfd01846e520ff726fcd01a7e205aab0 100644 (file)
@@ -27,6 +27,8 @@
 #include <sys/param.h>
 __FBSDID("$FreeBSD: src/lib/libc/locale/utf8.c,v 1.16 2007/10/15 09:51:30 ache Exp $");
 
+#include "xlocale_private.h"
+
 #include <errno.h>
 #include <limits.h>
 #include <runetype.h>
@@ -35,48 +37,84 @@ __FBSDID("$FreeBSD: src/lib/libc/locale/utf8.c,v 1.16 2007/10/15 09:51:30 ache E
 #include <wchar.h>
 #include "mblocal.h"
 
-extern int __mb_sb_limit;
+/*
+ * 10952550: detect ill-formed UTF-8
+ * Unicode 6.0, section D92, mandates specific byte sequences for well-
+ * formed UTF-8.  UTF-8 sequences are now limited to 4 bytes, while the
+ * FreeBSD code originally handled up to 6.  Illegal surrogate code point
+ * sequences are now detected.  And while "non-shortest forms" were detected,
+ * this only happened after completing the sequence.  Now, all ill-formed
+ * sequences are detected at the earliest point.
+ *
+ *          Table 3-7.  Well-Formed UTF-8 Byte Sequences
+ *
+ *      Code Points         1st      2nd      3rd      4th Byte
+ *    U+0000..U+007F       00..7F
+ *    U+0080..U+07FF       C2..DF   80..BF
+ *    U+0800..U+0FFF       E0       A0..BF   80..BF
+ *    U+1000..U+CFFF       E1..EC   80..BF   80..BF
+ *    U+D000..U+D7FF       ED       80..9F   80..BF
+ *    U+E000..U+FFFF       EE..EF   80..BF   80..BF
+ *    U+10000..U+3FFFF     F0       90..BF   80..BF   80..BF
+ *    U+40000..U+FFFFF     F1..F3   80..BF   80..BF   80..BF
+ *    U+100000..U+10FFFF   F4       80..8F   80..BF   80..BF
+ *
+ * Note that while any 3rd and 4th byte can be in the range 80..BF, the
+ * second byte is often limited to a smaller range.
+ */
+
+typedef struct {
+       unsigned char lowerbound;
+       unsigned char upperbound;
+} SecondByte;
+static SecondByte sb_00_00 = {0x00, 0x00};
+static SecondByte sb_80_8F = {0x80, 0x8F};
+static SecondByte sb_80_9F = {0x80, 0x9F};
+static SecondByte sb_80_BF = {0x80, 0xBF};
+static SecondByte sb_90_BF = {0x90, 0xBF};
+static SecondByte sb_A0_BF = {0xA0, 0xBF};
+
+#define UTF8_MB_CUR_MAX                4
 
 static size_t  _UTF8_mbrtowc(wchar_t * __restrict, const char * __restrict,
-                   size_t, mbstate_t * __restrict);
-static int     _UTF8_mbsinit(const mbstate_t *);
+                   size_t, mbstate_t * __restrict, locale_t);
+static int     _UTF8_mbsinit(const mbstate_t *, locale_t);
 static size_t  _UTF8_mbsnrtowcs(wchar_t * __restrict,
                    const char ** __restrict, size_t, size_t,
-                   mbstate_t * __restrict);
+                   mbstate_t * __restrict, locale_t);
 static size_t  _UTF8_wcrtomb(char * __restrict, wchar_t,
-                   mbstate_t * __restrict);
+                   mbstate_t * __restrict, locale_t);
 static size_t  _UTF8_wcsnrtombs(char * __restrict, const wchar_t ** __restrict,
-                   size_t, size_t, mbstate_t * __restrict);
+                   size_t, size_t, mbstate_t * __restrict, locale_t);
 
 typedef struct {
        wchar_t ch;
        int     want;
-       wchar_t lbound;
+       SecondByte sb;
 } _UTF8State;
 
 int
-_UTF8_init(_RuneLocale *rl)
+_UTF8_init(struct __xlocale_st_runelocale *xrl)
 {
 
-       __mbrtowc = _UTF8_mbrtowc;
-       __wcrtomb = _UTF8_wcrtomb;
-       __mbsinit = _UTF8_mbsinit;
-       __mbsnrtowcs = _UTF8_mbsnrtowcs;
-       __wcsnrtombs = _UTF8_wcsnrtombs;
-       _CurrentRuneLocale = rl;
-       __mb_cur_max = 6;
+       xrl->__mbrtowc = _UTF8_mbrtowc;
+       xrl->__wcrtomb = _UTF8_wcrtomb;
+       xrl->__mbsinit = _UTF8_mbsinit;
+       xrl->__mbsnrtowcs = _UTF8_mbsnrtowcs;
+       xrl->__wcsnrtombs = _UTF8_wcsnrtombs;
+       xrl->__mb_cur_max = UTF8_MB_CUR_MAX;
        /*
         * UCS-4 encoding used as the internal representation, so
         * slots 0x0080-0x00FF are occuped and must be excluded
         * from the single byte ctype by setting the limit.
         */
-       __mb_sb_limit = 128;
+       xrl->__mb_sb_limit = 128;
 
        return (0);
 }
 
 static int
-_UTF8_mbsinit(const mbstate_t *ps)
+_UTF8_mbsinit(const mbstate_t *ps, locale_t loc)
 {
 
        return (ps == NULL || ((const _UTF8State *)ps)->want == 0);
@@ -84,15 +122,16 @@ _UTF8_mbsinit(const mbstate_t *ps)
 
 static size_t
 _UTF8_mbrtowc(wchar_t * __restrict pwc, const char * __restrict s, size_t n,
-    mbstate_t * __restrict ps)
+    mbstate_t * __restrict ps, locale_t loc)
 {
        _UTF8State *us;
        int ch, i, mask, want;
-       wchar_t lbound, wch;
+       wchar_t wch;
+       SecondByte sb;
 
        us = (_UTF8State *)ps;
 
-       if (us->want < 0 || us->want > 6) {
+       if (us->want < 0 || us->want > UTF8_MB_CUR_MAX) {
                errno = EINVAL;
                return ((size_t)-1);
        }
@@ -121,38 +160,50 @@ _UTF8_mbrtowc(wchar_t * __restrict pwc, const char * __restrict s, size_t n,
                 * interesting bits of the first octet. We already know
                 * the character is at least two bytes long.
                 *
-                * We also specify a lower bound for the character code to
-                * detect redundant, non-"shortest form" encodings. For
-                * example, the sequence C0 80 is _not_ a legal representation
-                * of the null character. This enforces a 1-to-1 mapping
-                * between character codes and their multibyte representations.
+                * We detect if the first byte is illegal, and set sb to
+                * the legal range of the second byte.
                 */
                ch = (unsigned char)*s;
                if ((ch & 0x80) == 0) {
                        mask = 0x7f;
                        want = 1;
-                       lbound = 0;
+                       sb = sb_00_00;
                } else if ((ch & 0xe0) == 0xc0) {
+                       if (ch < 0xc2) goto malformed;
                        mask = 0x1f;
                        want = 2;
-                       lbound = 0x80;
+                       sb = sb_80_BF;
                } else if ((ch & 0xf0) == 0xe0) {
                        mask = 0x0f;
                        want = 3;
-                       lbound = 0x800;
+                       switch (ch) {
+                       case 0xe0:
+                               sb = sb_A0_BF;
+                               break;
+                       case 0xed:
+                               sb = sb_80_9F;
+                               break;
+                       default:
+                               sb = sb_80_BF;
+                               break;
+                       }
                } else if ((ch & 0xf8) == 0xf0) {
+                       if (ch > 0xf4) goto malformed;
                        mask = 0x07;
                        want = 4;
-                       lbound = 0x10000;
-               } else if ((ch & 0xfc) == 0xf8) {
-                       mask = 0x03;
-                       want = 5;
-                       lbound = 0x200000;
-               } else if ((ch & 0xfe) == 0xfc) {
-                       mask = 0x01;
-                       want = 6;
-                       lbound = 0x4000000;
+                       switch (ch) {
+                       case 0xf0:
+                               sb = sb_90_BF;
+                               break;
+                       case 0xf4:
+                               sb = sb_80_8F;
+                               break;
+                       default:
+                               sb = sb_80_BF;
+                               break;
+                       }
                } else {
+malformed:
                        /*
                         * Malformed input; input is not UTF-8.
                         */
@@ -161,7 +212,7 @@ _UTF8_mbrtowc(wchar_t * __restrict pwc, const char * __restrict s, size_t n,
                }
        } else {
                want = us->want;
-               lbound = us->lbound;
+               sb = us->sb;
        }
 
        /*
@@ -173,31 +224,21 @@ _UTF8_mbrtowc(wchar_t * __restrict pwc, const char * __restrict s, size_t n,
        else
                wch = us->ch;
        for (i = (us->want == 0) ? 1 : 0; i < MIN(want, n); i++) {
-               if ((*s & 0xc0) != 0x80) {
-                       /*
-                        * Malformed input; bad characters in the middle
-                        * of a character.
-                        */
-                       errno = EILSEQ;
-                       return ((size_t)-1);
-               }
+               if (sb.lowerbound) {
+                       if ((unsigned char)*s < sb.lowerbound ||
+                          (unsigned char)*s > sb.upperbound) goto malformed;
+                       sb = sb_00_00;
+               } else if ((*s & 0xc0) != 0x80) goto malformed;
                wch <<= 6;
                wch |= *s++ & 0x3f;
        }
        if (i < want) {
                /* Incomplete multibyte sequence. */
                us->want = want - i;
-               us->lbound = lbound;
+               us->sb = sb;
                us->ch = wch;
                return ((size_t)-2);
        }
-       if (wch < lbound) {
-               /*
-                * Malformed input; redundant encoding.
-                */
-               errno = EILSEQ;
-               return ((size_t)-1);
-       }
        if (pwc != NULL)
                *pwc = wch;
        us->want = 0;
@@ -206,7 +247,7 @@ _UTF8_mbrtowc(wchar_t * __restrict pwc, const char * __restrict s, size_t n,
 
 static size_t
 _UTF8_mbsnrtowcs(wchar_t * __restrict dst, const char ** __restrict src,
-    size_t nms, size_t len, mbstate_t * __restrict ps)
+    size_t nms, size_t len, mbstate_t * __restrict ps, locale_t loc)
 {
        _UTF8State *us;
        const char *s;
@@ -236,7 +277,7 @@ _UTF8_mbsnrtowcs(wchar_t * __restrict dst, const char ** __restrict src,
                                 * excluding NUL.
                                 */
                                nb = 1;
-                       else if ((nb = _UTF8_mbrtowc(&wc, s, nms, ps)) ==
+                       else if ((nb = _UTF8_mbrtowc(&wc, s, nms, ps, loc)) ==
                            (size_t)-1)
                                /* Invalid sequence - mbrtowc() sets errno. */
                                return ((size_t)-1);
@@ -266,7 +307,7 @@ _UTF8_mbsnrtowcs(wchar_t * __restrict dst, const char ** __restrict src,
                         */
                        *dst = (wchar_t)*s;
                        nb = 1;
-               } else if ((nb = _UTF8_mbrtowc(dst, s, nms, ps)) ==
+               } else if ((nb = _UTF8_mbrtowc(dst, s, nms, ps, loc)) ==
                    (size_t)-1) {
                        *src = s;
                        return ((size_t)-1);
@@ -287,7 +328,7 @@ _UTF8_mbsnrtowcs(wchar_t * __restrict dst, const char ** __restrict src,
 }
 
 static size_t
-_UTF8_wcrtomb(char * __restrict s, wchar_t wc, mbstate_t * __restrict ps)
+_UTF8_wcrtomb(char * __restrict s, wchar_t wc, mbstate_t * __restrict ps, locale_t loc)
 {
        _UTF8State *us;
        unsigned char lead;
@@ -323,18 +364,15 @@ _UTF8_wcrtomb(char * __restrict s, wchar_t wc, mbstate_t * __restrict ps)
                lead = 0xc0;
                len = 2;
        } else if ((wc & ~0xffff) == 0) {
+               if (wc >= 0xd800 && wc <= 0xdfff) goto illegal;
                lead = 0xe0;
                len = 3;
        } else if ((wc & ~0x1fffff) == 0) {
+               if (wc > 0x10ffff) goto illegal;
                lead = 0xf0;
                len = 4;
-       } else if ((wc & ~0x3ffffff) == 0) {
-               lead = 0xf8;
-               len = 5;
-       } else if ((wc & ~0x7fffffff) == 0) {
-               lead = 0xfc;
-               len = 6;
        } else {
+illegal:
                errno = EILSEQ;
                return ((size_t)-1);
        }
@@ -356,7 +394,7 @@ _UTF8_wcrtomb(char * __restrict s, wchar_t wc, mbstate_t * __restrict ps)
 
 static size_t
 _UTF8_wcsnrtombs(char * __restrict dst, const wchar_t ** __restrict src,
-    size_t nwc, size_t len, mbstate_t * __restrict ps)
+    size_t nwc, size_t len, mbstate_t * __restrict ps, locale_t loc)
 {
        _UTF8State *us;
        char buf[MB_LEN_MAX];
@@ -379,7 +417,7 @@ _UTF8_wcsnrtombs(char * __restrict dst, const wchar_t ** __restrict src,
                        if (0 <= *s && *s < 0x80)
                                /* Fast path for plain ASCII characters. */
                                nb = 1;
-                       else if ((nb = _UTF8_wcrtomb(buf, *s, ps)) ==
+                       else if ((nb = _UTF8_wcrtomb(buf, *s, ps, loc)) ==
                            (size_t)-1)
                                /* Invalid character - wcrtomb() sets errno. */
                                return ((size_t)-1);
@@ -396,9 +434,9 @@ _UTF8_wcsnrtombs(char * __restrict dst, const wchar_t ** __restrict src,
                        /* Fast path for plain ASCII characters. */
                        nb = 1;
                        *dst = *s;
-               } else if (len > (size_t)MB_CUR_MAX) {
+               } else if (len > (size_t)UTF8_MB_CUR_MAX) {
                        /* Enough space to translate in-place. */
-                       if ((nb = _UTF8_wcrtomb(dst, *s, ps)) == (size_t)-1) {
+                       if ((nb = _UTF8_wcrtomb(dst, *s, ps, loc)) == (size_t)-1) {
                                *src = s;
                                return ((size_t)-1);
                        }
@@ -406,7 +444,7 @@ _UTF8_wcsnrtombs(char * __restrict dst, const wchar_t ** __restrict src,
                        /*
                         * May not be enough space; use temp. buffer.
                         */
-                       if ((nb = _UTF8_wcrtomb(buf, *s, ps)) == (size_t)-1) {
+                       if ((nb = _UTF8_wcrtomb(buf, *s, ps, loc)) == (size_t)-1) {
                                *src = s;
                                return ((size_t)-1);
                        }