sys/teken/teken_wcwidth.h

   1 /*
   2  * Markus Kuhn -- 2007-05-26 (Unicode 5.0)
   3  *
   4  * Permission to use, copy, modify, and distribute this software
   5  * for any purpose and without fee is hereby granted. The author
   6  * disclaims all warranties with regard to this software.
   7  *
   8  * Latest version: http://www.cl.cam.ac.uk/~mgk25/ucs/wcwidth.c
   9  */
  10
  11 #define TEKEN_UTF8_INVALID_CODEPOINT -1
  12
  13 struct interval {
  14         teken_char_t first;
  15         teken_char_t last;
  16 };
  17
  18 /* Auxiliary function for binary search in interval table */
  19 static inline int
  20 bisearch(teken_char_t ucs, const struct interval *table, int max)
  21 {
  22         int min = 0;
  23         int mid;
  24
  25         if (ucs < table[0].first || ucs > table[max].last)
  26                 return (0);
  27         while (max >= min) {
  28                 mid = (min + max) / 2;
  29                 if (ucs > table[mid].last)
  30                         min = mid + 1;
  31                 else if (ucs < table[mid].first)
  32                         max = mid - 1;
  33                 else
  34                         return (1);
  35         }
  36
  37         return (0);
  38 }
  39
  40 static inline int
  41 teken_wcwidth(teken_char_t ucs)
  42 {
  43         /*
  44          * Sorted list of non-overlapping intervals of non-spacing characters.
  45          * Generated by "uniset +cat=Me +cat=Mn +cat=Cf -00AD +1160-11FF +200B c"
  46          */
  47         static const struct interval combining[] = {
  48                 { 0x0300, 0x036F }, { 0x0483, 0x0486 }, { 0x0488, 0x0489 },
  49                 { 0x0591, 0x05BD }, { 0x05BF, 0x05BF }, { 0x05C1, 0x05C2 },
  50                 { 0x05C4, 0x05C5 }, { 0x05C7, 0x05C7 }, { 0x0600, 0x0603 },
  51                 { 0x0610, 0x0615 }, { 0x064B, 0x065E }, { 0x0670, 0x0670 },
  52                 { 0x06D6, 0x06E4 }, { 0x06E7, 0x06E8 }, { 0x06EA, 0x06ED },
  53                 { 0x070F, 0x070F }, { 0x0711, 0x0711 }, { 0x0730, 0x074A },
  54                 { 0x07A6, 0x07B0 }, { 0x07EB, 0x07F3 }, { 0x0901, 0x0902 },
  55                 { 0x093C, 0x093C }, { 0x0941, 0x0948 }, { 0x094D, 0x094D },
  56                 { 0x0951, 0x0954 }, { 0x0962, 0x0963 }, { 0x0981, 0x0981 },
  57                 { 0x09BC, 0x09BC }, { 0x09C1, 0x09C4 }, { 0x09CD, 0x09CD },
  58                 { 0x09E2, 0x09E3 }, { 0x0A01, 0x0A02 }, { 0x0A3C, 0x0A3C },
  59                 { 0x0A41, 0x0A42 }, { 0x0A47, 0x0A48 }, { 0x0A4B, 0x0A4D },
  60                 { 0x0A70, 0x0A71 }, { 0x0A81, 0x0A82 }, { 0x0ABC, 0x0ABC },
  61                 { 0x0AC1, 0x0AC5 }, { 0x0AC7, 0x0AC8 }, { 0x0ACD, 0x0ACD },
  62                 { 0x0AE2, 0x0AE3 }, { 0x0B01, 0x0B01 }, { 0x0B3C, 0x0B3C },
  63                 { 0x0B3F, 0x0B3F }, { 0x0B41, 0x0B43 }, { 0x0B4D, 0x0B4D },
  64                 { 0x0B56, 0x0B56 }, { 0x0B82, 0x0B82 }, { 0x0BC0, 0x0BC0 },
  65                 { 0x0BCD, 0x0BCD }, { 0x0C3E, 0x0C40 }, { 0x0C46, 0x0C48 },
  66                 { 0x0C4A, 0x0C4D }, { 0x0C55, 0x0C56 }, { 0x0CBC, 0x0CBC },
  67                 { 0x0CBF, 0x0CBF }, { 0x0CC6, 0x0CC6 }, { 0x0CCC, 0x0CCD },
  68                 { 0x0CE2, 0x0CE3 }, { 0x0D41, 0x0D43 }, { 0x0D4D, 0x0D4D },
  69                 { 0x0DCA, 0x0DCA }, { 0x0DD2, 0x0DD4 }, { 0x0DD6, 0x0DD6 },
  70                 { 0x0E31, 0x0E31 }, { 0x0E34, 0x0E3A }, { 0x0E47, 0x0E4E },
  71                 { 0x0EB1, 0x0EB1 }, { 0x0EB4, 0x0EB9 }, { 0x0EBB, 0x0EBC },
  72                 { 0x0EC8, 0x0ECD }, { 0x0F18, 0x0F19 }, { 0x0F35, 0x0F35 },
  73                 { 0x0F37, 0x0F37 }, { 0x0F39, 0x0F39 }, { 0x0F71, 0x0F7E },
  74                 { 0x0F80, 0x0F84 }, { 0x0F86, 0x0F87 }, { 0x0F90, 0x0F97 },
  75                 { 0x0F99, 0x0FBC }, { 0x0FC6, 0x0FC6 }, { 0x102D, 0x1030 },
  76                 { 0x1032, 0x1032 }, { 0x1036, 0x1037 }, { 0x1039, 0x1039 },
  77                 { 0x1058, 0x1059 }, { 0x1160, 0x11FF }, { 0x135F, 0x135F },
  78                 { 0x1712, 0x1714 }, { 0x1732, 0x1734 }, { 0x1752, 0x1753 },
  79                 { 0x1772, 0x1773 }, { 0x17B4, 0x17B5 }, { 0x17B7, 0x17BD },
  80                 { 0x17C6, 0x17C6 }, { 0x17C9, 0x17D3 }, { 0x17DD, 0x17DD },
  81                 { 0x180B, 0x180D }, { 0x18A9, 0x18A9 }, { 0x1920, 0x1922 },
  82                 { 0x1927, 0x1928 }, { 0x1932, 0x1932 }, { 0x1939, 0x193B },
  83                 { 0x1A17, 0x1A18 }, { 0x1B00, 0x1B03 }, { 0x1B34, 0x1B34 },
  84                 { 0x1B36, 0x1B3A }, { 0x1B3C, 0x1B3C }, { 0x1B42, 0x1B42 },
  85                 { 0x1B6B, 0x1B73 }, { 0x1DC0, 0x1DCA }, { 0x1DFE, 0x1DFF },
  86                 { 0x200B, 0x200F }, { 0x202A, 0x202E }, { 0x2060, 0x2063 },
  87                 { 0x206A, 0x206F }, { 0x20D0, 0x20EF }, { 0x302A, 0x302F },
  88                 { 0x3099, 0x309A }, { 0xA806, 0xA806 }, { 0xA80B, 0xA80B },
  89                 { 0xA825, 0xA826 }, { 0xFB1E, 0xFB1E }, { 0xFE00, 0xFE0F },
  90                 { 0xFE20, 0xFE23 }, { 0xFEFF, 0xFEFF }, { 0xFFF9, 0xFFFB },
  91                 { 0x10A01, 0x10A03 }, { 0x10A05, 0x10A06 }, { 0x10A0C, 0x10A0F },
  92                 { 0x10A38, 0x10A3A }, { 0x10A3F, 0x10A3F }, { 0x1D167, 0x1D169 },
  93                 { 0x1D173, 0x1D182 }, { 0x1D185, 0x1D18B }, { 0x1D1AA, 0x1D1AD },
  94                 { 0x1D242, 0x1D244 }, { 0xE0001, 0xE0001 }, { 0xE0020, 0xE007F },
  95                 { 0xE0100, 0xE01EF }
  96         };
  97
  98         /* Test for 8-bit control characters */
  99         if (ucs == 0)
 100                 return (0);
 101         if (ucs < 32 || (ucs >= 0x7f && ucs < 0xa0))
 102                 return (-1);
 103
 104         /* Binary search in table of non-spacing characters */
 105         if (bisearch(ucs, combining, sizeof(combining) /
 106             sizeof(struct interval) - 1))
 107                 return (0);
 108
 109         /*
 110          * If we arrive here, ucs is not a combining or C0/C1 control character
 111          */
 112         return (1 +
 113             (ucs >= 0x1100 &&
 114             (ucs <= 0x115f ||                   /* Hangul Jamo init. consonants */
 115             ucs == 0x2329 || ucs == 0x232a ||
 116             (ucs >= 0x2e80 && ucs <= 0xa4cf &&
 117             ucs != 0x303f) ||                   /* CJK ... Yi */
 118             (ucs >= 0xac00 && ucs <= 0xd7a3) || /* Hangul Syllables */
 119             (ucs >= 0xf900 && ucs <= 0xfaff) || /* CJK Compatibility Ideographs */
 120             (ucs >= 0xfe10 && ucs <= 0xfe19) || /* Vertical forms */
 121             (ucs >= 0xfe30 && ucs <= 0xfe6f) || /* CJK Compatibility Forms */
 122             (ucs >= 0xff00 && ucs <= 0xff60) || /* Fullwidth Forms */
 123             (ucs >= 0xffe0 && ucs <= 0xffe6) ||
 124             (ucs >= 0x20000 && ucs <= 0x2fffd) ||
 125             (ucs >= 0x30000 && ucs <= 0x3fffd))));
 126 }
 127
 128 /*
 129  * Converts an UTF-8 byte sequence to a codepoint as specified in
 130  * https://datatracker.ietf.org/doc/html/rfc3629#section-3 . The function
 131  * expects the 'bytes' array to start with the leading character.
 132  */
 133 static inline teken_char_t
 134 teken_utf8_bytes_to_codepoint(uint8_t bytes[4], int nbytes)
 135 {
 136         /*
 137          * Check for malformed characters by comparing 'nbytes' to the byte
 138          * length of the character.
 139          *
 140          * The table in section 3 of RFC 3629 defines 4 different values
 141          * indicating the length of a UTF-8 byte sequence.
 142          *
 143          * 0xxxxxxx -> 1 byte
 144          * 110xxxxx -> 2 bytes
 145          * 1110xxxx -> 3 bytes
 146          * 11110xxx -> 4 bytes
 147          *
 148          * The length is determined by the higher-order bits in the leading
 149          * octet (except in the first case, where an MSB of 0 means a byte
 150          * length of 1). Here we flip the 4 upper bits and count the leading
 151          * zeros using __builtin_clz() to determine the number of bytes.
 152          */
 153         if (__builtin_clz(~(bytes[0] & 0xf0) << 24) != nbytes)
 154                 return (TEKEN_UTF8_INVALID_CODEPOINT);
 155
 156         switch (nbytes) {
 157         case 1:
 158                 return (bytes[0] & 0x7f);
 159         case 2:
 160                 return (bytes[0] & 0x1f) << 6 | (bytes[1] & 0x3f);
 161         case 3:
 162                 return (bytes[0] & 0xf) << 12 | (bytes[1] & 0x3f) << 6 |
 163                     (bytes[2] & 0x3f);
 164         case 4:
 165                 return (bytes[0] & 0x7) << 18 | (bytes[1] & 0x3f) << 12 |
 166                     (bytes[2] & 0x3f) << 6 | (bytes[3] & 0x3f);
 167         default:
 168                 return (TEKEN_UTF8_INVALID_CODEPOINT);
 169         }
 170 }