106f32e7eSjoerg //===-- ConvertUTFWrapper.cpp - Wrap ConvertUTF.h with clang data types -----===
206f32e7eSjoerg //
306f32e7eSjoerg // Part of the LLVM Project, under the Apache License v2.0 with LLVM Exceptions.
406f32e7eSjoerg // See https://llvm.org/LICENSE.txt for license information.
506f32e7eSjoerg // SPDX-License-Identifier: Apache-2.0 WITH LLVM-exception
606f32e7eSjoerg //
706f32e7eSjoerg //===----------------------------------------------------------------------===//
806f32e7eSjoerg 
906f32e7eSjoerg #include "llvm/ADT/ArrayRef.h"
1006f32e7eSjoerg #include "llvm/ADT/StringRef.h"
1106f32e7eSjoerg #include "llvm/Support/ConvertUTF.h"
1206f32e7eSjoerg #include "llvm/Support/ErrorHandling.h"
1306f32e7eSjoerg #include "llvm/Support/SwapByteOrder.h"
1406f32e7eSjoerg #include <string>
1506f32e7eSjoerg #include <vector>
1606f32e7eSjoerg 
1706f32e7eSjoerg namespace llvm {
1806f32e7eSjoerg 
ConvertUTF8toWide(unsigned WideCharWidth,llvm::StringRef Source,char * & ResultPtr,const UTF8 * & ErrorPtr)1906f32e7eSjoerg bool ConvertUTF8toWide(unsigned WideCharWidth, llvm::StringRef Source,
2006f32e7eSjoerg                        char *&ResultPtr, const UTF8 *&ErrorPtr) {
2106f32e7eSjoerg   assert(WideCharWidth == 1 || WideCharWidth == 2 || WideCharWidth == 4);
2206f32e7eSjoerg   ConversionResult result = conversionOK;
2306f32e7eSjoerg   // Copy the character span over.
2406f32e7eSjoerg   if (WideCharWidth == 1) {
2506f32e7eSjoerg     const UTF8 *Pos = reinterpret_cast<const UTF8*>(Source.begin());
2606f32e7eSjoerg     if (!isLegalUTF8String(&Pos, reinterpret_cast<const UTF8*>(Source.end()))) {
2706f32e7eSjoerg       result = sourceIllegal;
2806f32e7eSjoerg       ErrorPtr = Pos;
2906f32e7eSjoerg     } else {
3006f32e7eSjoerg       memcpy(ResultPtr, Source.data(), Source.size());
3106f32e7eSjoerg       ResultPtr += Source.size();
3206f32e7eSjoerg     }
3306f32e7eSjoerg   } else if (WideCharWidth == 2) {
3406f32e7eSjoerg     const UTF8 *sourceStart = (const UTF8*)Source.data();
3506f32e7eSjoerg     // FIXME: Make the type of the result buffer correct instead of
3606f32e7eSjoerg     // using reinterpret_cast.
3706f32e7eSjoerg     UTF16 *targetStart = reinterpret_cast<UTF16*>(ResultPtr);
3806f32e7eSjoerg     ConversionFlags flags = strictConversion;
3906f32e7eSjoerg     result = ConvertUTF8toUTF16(
4006f32e7eSjoerg         &sourceStart, sourceStart + Source.size(),
4106f32e7eSjoerg         &targetStart, targetStart + Source.size(), flags);
4206f32e7eSjoerg     if (result == conversionOK)
4306f32e7eSjoerg       ResultPtr = reinterpret_cast<char*>(targetStart);
4406f32e7eSjoerg     else
4506f32e7eSjoerg       ErrorPtr = sourceStart;
4606f32e7eSjoerg   } else if (WideCharWidth == 4) {
4706f32e7eSjoerg     const UTF8 *sourceStart = (const UTF8*)Source.data();
4806f32e7eSjoerg     // FIXME: Make the type of the result buffer correct instead of
4906f32e7eSjoerg     // using reinterpret_cast.
5006f32e7eSjoerg     UTF32 *targetStart = reinterpret_cast<UTF32*>(ResultPtr);
5106f32e7eSjoerg     ConversionFlags flags = strictConversion;
5206f32e7eSjoerg     result = ConvertUTF8toUTF32(
5306f32e7eSjoerg         &sourceStart, sourceStart + Source.size(),
5406f32e7eSjoerg         &targetStart, targetStart + Source.size(), flags);
5506f32e7eSjoerg     if (result == conversionOK)
5606f32e7eSjoerg       ResultPtr = reinterpret_cast<char*>(targetStart);
5706f32e7eSjoerg     else
5806f32e7eSjoerg       ErrorPtr = sourceStart;
5906f32e7eSjoerg   }
6006f32e7eSjoerg   assert((result != targetExhausted)
6106f32e7eSjoerg          && "ConvertUTF8toUTFXX exhausted target buffer");
6206f32e7eSjoerg   return result == conversionOK;
6306f32e7eSjoerg }
6406f32e7eSjoerg 
ConvertCodePointToUTF8(unsigned Source,char * & ResultPtr)6506f32e7eSjoerg bool ConvertCodePointToUTF8(unsigned Source, char *&ResultPtr) {
6606f32e7eSjoerg   const UTF32 *SourceStart = &Source;
6706f32e7eSjoerg   const UTF32 *SourceEnd = SourceStart + 1;
6806f32e7eSjoerg   UTF8 *TargetStart = reinterpret_cast<UTF8 *>(ResultPtr);
6906f32e7eSjoerg   UTF8 *TargetEnd = TargetStart + 4;
7006f32e7eSjoerg   ConversionResult CR = ConvertUTF32toUTF8(&SourceStart, SourceEnd,
7106f32e7eSjoerg                                            &TargetStart, TargetEnd,
7206f32e7eSjoerg                                            strictConversion);
7306f32e7eSjoerg   if (CR != conversionOK)
7406f32e7eSjoerg     return false;
7506f32e7eSjoerg 
7606f32e7eSjoerg   ResultPtr = reinterpret_cast<char*>(TargetStart);
7706f32e7eSjoerg   return true;
7806f32e7eSjoerg }
7906f32e7eSjoerg 
hasUTF16ByteOrderMark(ArrayRef<char> S)8006f32e7eSjoerg bool hasUTF16ByteOrderMark(ArrayRef<char> S) {
8106f32e7eSjoerg   return (S.size() >= 2 &&
8206f32e7eSjoerg           ((S[0] == '\xff' && S[1] == '\xfe') ||
8306f32e7eSjoerg            (S[0] == '\xfe' && S[1] == '\xff')));
8406f32e7eSjoerg }
8506f32e7eSjoerg 
convertUTF16ToUTF8String(ArrayRef<char> SrcBytes,std::string & Out)8606f32e7eSjoerg bool convertUTF16ToUTF8String(ArrayRef<char> SrcBytes, std::string &Out) {
8706f32e7eSjoerg   assert(Out.empty());
8806f32e7eSjoerg 
8906f32e7eSjoerg   // Error out on an uneven byte count.
9006f32e7eSjoerg   if (SrcBytes.size() % 2)
9106f32e7eSjoerg     return false;
9206f32e7eSjoerg 
9306f32e7eSjoerg   // Avoid OOB by returning early on empty input.
9406f32e7eSjoerg   if (SrcBytes.empty())
9506f32e7eSjoerg     return true;
9606f32e7eSjoerg 
9706f32e7eSjoerg   const UTF16 *Src = reinterpret_cast<const UTF16 *>(SrcBytes.begin());
9806f32e7eSjoerg   const UTF16 *SrcEnd = reinterpret_cast<const UTF16 *>(SrcBytes.end());
9906f32e7eSjoerg 
100*da58b97aSjoerg   assert((uintptr_t)Src % sizeof(UTF16) == 0);
101*da58b97aSjoerg 
10206f32e7eSjoerg   // Byteswap if necessary.
10306f32e7eSjoerg   std::vector<UTF16> ByteSwapped;
10406f32e7eSjoerg   if (Src[0] == UNI_UTF16_BYTE_ORDER_MARK_SWAPPED) {
10506f32e7eSjoerg     ByteSwapped.insert(ByteSwapped.end(), Src, SrcEnd);
10606f32e7eSjoerg     for (unsigned I = 0, E = ByteSwapped.size(); I != E; ++I)
107*da58b97aSjoerg       ByteSwapped[I] = llvm::ByteSwap_16(ByteSwapped[I]);
10806f32e7eSjoerg     Src = &ByteSwapped[0];
10906f32e7eSjoerg     SrcEnd = &ByteSwapped[ByteSwapped.size() - 1] + 1;
11006f32e7eSjoerg   }
11106f32e7eSjoerg 
11206f32e7eSjoerg   // Skip the BOM for conversion.
11306f32e7eSjoerg   if (Src[0] == UNI_UTF16_BYTE_ORDER_MARK_NATIVE)
11406f32e7eSjoerg     Src++;
11506f32e7eSjoerg 
11606f32e7eSjoerg   // Just allocate enough space up front.  We'll shrink it later.  Allocate
11706f32e7eSjoerg   // enough that we can fit a null terminator without reallocating.
11806f32e7eSjoerg   Out.resize(SrcBytes.size() * UNI_MAX_UTF8_BYTES_PER_CODE_POINT + 1);
11906f32e7eSjoerg   UTF8 *Dst = reinterpret_cast<UTF8 *>(&Out[0]);
12006f32e7eSjoerg   UTF8 *DstEnd = Dst + Out.size();
12106f32e7eSjoerg 
12206f32e7eSjoerg   ConversionResult CR =
12306f32e7eSjoerg       ConvertUTF16toUTF8(&Src, SrcEnd, &Dst, DstEnd, strictConversion);
12406f32e7eSjoerg   assert(CR != targetExhausted);
12506f32e7eSjoerg 
12606f32e7eSjoerg   if (CR != conversionOK) {
12706f32e7eSjoerg     Out.clear();
12806f32e7eSjoerg     return false;
12906f32e7eSjoerg   }
13006f32e7eSjoerg 
13106f32e7eSjoerg   Out.resize(reinterpret_cast<char *>(Dst) - &Out[0]);
13206f32e7eSjoerg   Out.push_back(0);
13306f32e7eSjoerg   Out.pop_back();
13406f32e7eSjoerg   return true;
13506f32e7eSjoerg }
13606f32e7eSjoerg 
convertUTF16ToUTF8String(ArrayRef<UTF16> Src,std::string & Out)13706f32e7eSjoerg bool convertUTF16ToUTF8String(ArrayRef<UTF16> Src, std::string &Out)
13806f32e7eSjoerg {
13906f32e7eSjoerg   return convertUTF16ToUTF8String(
14006f32e7eSjoerg       llvm::ArrayRef<char>(reinterpret_cast<const char *>(Src.data()),
14106f32e7eSjoerg       Src.size() * sizeof(UTF16)), Out);
14206f32e7eSjoerg }
14306f32e7eSjoerg 
convertUTF8ToUTF16String(StringRef SrcUTF8,SmallVectorImpl<UTF16> & DstUTF16)14406f32e7eSjoerg bool convertUTF8ToUTF16String(StringRef SrcUTF8,
14506f32e7eSjoerg                               SmallVectorImpl<UTF16> &DstUTF16) {
14606f32e7eSjoerg   assert(DstUTF16.empty());
14706f32e7eSjoerg 
14806f32e7eSjoerg   // Avoid OOB by returning early on empty input.
14906f32e7eSjoerg   if (SrcUTF8.empty()) {
15006f32e7eSjoerg     DstUTF16.push_back(0);
15106f32e7eSjoerg     DstUTF16.pop_back();
15206f32e7eSjoerg     return true;
15306f32e7eSjoerg   }
15406f32e7eSjoerg 
15506f32e7eSjoerg   const UTF8 *Src = reinterpret_cast<const UTF8 *>(SrcUTF8.begin());
15606f32e7eSjoerg   const UTF8 *SrcEnd = reinterpret_cast<const UTF8 *>(SrcUTF8.end());
15706f32e7eSjoerg 
15806f32e7eSjoerg   // Allocate the same number of UTF-16 code units as UTF-8 code units. Encoding
15906f32e7eSjoerg   // as UTF-16 should always require the same amount or less code units than the
16006f32e7eSjoerg   // UTF-8 encoding.  Allocate one extra byte for the null terminator though,
16106f32e7eSjoerg   // so that someone calling DstUTF16.data() gets a null terminated string.
16206f32e7eSjoerg   // We resize down later so we don't have to worry that this over allocates.
16306f32e7eSjoerg   DstUTF16.resize(SrcUTF8.size()+1);
16406f32e7eSjoerg   UTF16 *Dst = &DstUTF16[0];
16506f32e7eSjoerg   UTF16 *DstEnd = Dst + DstUTF16.size();
16606f32e7eSjoerg 
16706f32e7eSjoerg   ConversionResult CR =
16806f32e7eSjoerg       ConvertUTF8toUTF16(&Src, SrcEnd, &Dst, DstEnd, strictConversion);
16906f32e7eSjoerg   assert(CR != targetExhausted);
17006f32e7eSjoerg 
17106f32e7eSjoerg   if (CR != conversionOK) {
17206f32e7eSjoerg     DstUTF16.clear();
17306f32e7eSjoerg     return false;
17406f32e7eSjoerg   }
17506f32e7eSjoerg 
17606f32e7eSjoerg   DstUTF16.resize(Dst - &DstUTF16[0]);
17706f32e7eSjoerg   DstUTF16.push_back(0);
17806f32e7eSjoerg   DstUTF16.pop_back();
17906f32e7eSjoerg   return true;
18006f32e7eSjoerg }
18106f32e7eSjoerg 
18206f32e7eSjoerg static_assert(sizeof(wchar_t) == 1 || sizeof(wchar_t) == 2 ||
18306f32e7eSjoerg                   sizeof(wchar_t) == 4,
18406f32e7eSjoerg               "Expected wchar_t to be 1, 2, or 4 bytes");
18506f32e7eSjoerg 
18606f32e7eSjoerg template <typename TResult>
ConvertUTF8toWideInternal(llvm::StringRef Source,TResult & Result)18706f32e7eSjoerg static inline bool ConvertUTF8toWideInternal(llvm::StringRef Source,
18806f32e7eSjoerg                                              TResult &Result) {
18906f32e7eSjoerg   // Even in the case of UTF-16, the number of bytes in a UTF-8 string is
19006f32e7eSjoerg   // at least as large as the number of elements in the resulting wide
19106f32e7eSjoerg   // string, because surrogate pairs take at least 4 bytes in UTF-8.
19206f32e7eSjoerg   Result.resize(Source.size() + 1);
19306f32e7eSjoerg   char *ResultPtr = reinterpret_cast<char *>(&Result[0]);
19406f32e7eSjoerg   const UTF8 *ErrorPtr;
19506f32e7eSjoerg   if (!ConvertUTF8toWide(sizeof(wchar_t), Source, ResultPtr, ErrorPtr)) {
19606f32e7eSjoerg     Result.clear();
19706f32e7eSjoerg     return false;
19806f32e7eSjoerg   }
19906f32e7eSjoerg   Result.resize(reinterpret_cast<wchar_t *>(ResultPtr) - &Result[0]);
20006f32e7eSjoerg   return true;
20106f32e7eSjoerg }
20206f32e7eSjoerg 
ConvertUTF8toWide(llvm::StringRef Source,std::wstring & Result)20306f32e7eSjoerg bool ConvertUTF8toWide(llvm::StringRef Source, std::wstring &Result) {
20406f32e7eSjoerg   return ConvertUTF8toWideInternal(Source, Result);
20506f32e7eSjoerg }
20606f32e7eSjoerg 
ConvertUTF8toWide(const char * Source,std::wstring & Result)20706f32e7eSjoerg bool ConvertUTF8toWide(const char *Source, std::wstring &Result) {
20806f32e7eSjoerg   if (!Source) {
20906f32e7eSjoerg     Result.clear();
21006f32e7eSjoerg     return true;
21106f32e7eSjoerg   }
21206f32e7eSjoerg   return ConvertUTF8toWide(llvm::StringRef(Source), Result);
21306f32e7eSjoerg }
21406f32e7eSjoerg 
convertWideToUTF8(const std::wstring & Source,std::string & Result)21506f32e7eSjoerg bool convertWideToUTF8(const std::wstring &Source, std::string &Result) {
21606f32e7eSjoerg   if (sizeof(wchar_t) == 1) {
21706f32e7eSjoerg     const UTF8 *Start = reinterpret_cast<const UTF8 *>(Source.data());
21806f32e7eSjoerg     const UTF8 *End =
21906f32e7eSjoerg         reinterpret_cast<const UTF8 *>(Source.data() + Source.size());
22006f32e7eSjoerg     if (!isLegalUTF8String(&Start, End))
22106f32e7eSjoerg       return false;
22206f32e7eSjoerg     Result.resize(Source.size());
22306f32e7eSjoerg     memcpy(&Result[0], Source.data(), Source.size());
22406f32e7eSjoerg     return true;
22506f32e7eSjoerg   } else if (sizeof(wchar_t) == 2) {
22606f32e7eSjoerg     return convertUTF16ToUTF8String(
22706f32e7eSjoerg         llvm::ArrayRef<UTF16>(reinterpret_cast<const UTF16 *>(Source.data()),
22806f32e7eSjoerg                               Source.size()),
22906f32e7eSjoerg         Result);
23006f32e7eSjoerg   } else if (sizeof(wchar_t) == 4) {
23106f32e7eSjoerg     const UTF32 *Start = reinterpret_cast<const UTF32 *>(Source.data());
23206f32e7eSjoerg     const UTF32 *End =
23306f32e7eSjoerg         reinterpret_cast<const UTF32 *>(Source.data() + Source.size());
23406f32e7eSjoerg     Result.resize(UNI_MAX_UTF8_BYTES_PER_CODE_POINT * Source.size());
23506f32e7eSjoerg     UTF8 *ResultPtr = reinterpret_cast<UTF8 *>(&Result[0]);
23606f32e7eSjoerg     UTF8 *ResultEnd = reinterpret_cast<UTF8 *>(&Result[0] + Result.size());
23706f32e7eSjoerg     if (ConvertUTF32toUTF8(&Start, End, &ResultPtr, ResultEnd,
23806f32e7eSjoerg                            strictConversion) == conversionOK) {
23906f32e7eSjoerg       Result.resize(reinterpret_cast<char *>(ResultPtr) - &Result[0]);
24006f32e7eSjoerg       return true;
24106f32e7eSjoerg     } else {
24206f32e7eSjoerg       Result.clear();
24306f32e7eSjoerg       return false;
24406f32e7eSjoerg     }
24506f32e7eSjoerg   } else {
24606f32e7eSjoerg     llvm_unreachable(
24706f32e7eSjoerg         "Control should never reach this point; see static_assert further up");
24806f32e7eSjoerg   }
24906f32e7eSjoerg }
25006f32e7eSjoerg 
25106f32e7eSjoerg } // end namespace llvm
25206f32e7eSjoerg 
253