codepage.cpp 10 KB

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114115116117118119120121122123124125126127128129130131132133134135136137138139140141142143144145146147148149150151152153154155156157158159160161162163164165166167168169170171172173174175176177178179180181182183184185186187188189190191192193194195196197198199200201202203204205206207208209210211212213214215216217218219220221222223224225226227228229230231232233234235236237238239240241242243244245246247248249250251252253254255256257258259260261262263264265266267268269270271272273274275276277278279280281282283284285286287288289290291292293294295296297298299300301302303304305306307308309310311312313314315316317318319320321322323324325326327328329330331332333334335336337338339340341342343344345346347348349350351352353354355356357358359360361362363364365366367368369370371372373374375376377378379380381382383384385386387388389390391392393394
  1. #include "ci_string.h"
  2. #include "codepage.h"
  3. #include <util/string/cast.h>
  4. #include <util/string/subst.h>
  5. #include <util/string/util.h>
  6. #include <util/system/hi_lo.h>
  7. #include <util/system/yassert.h>
  8. #include <util/generic/hash.h>
  9. #include <util/generic/string.h>
  10. #include <util/generic/vector.h>
  11. #include <util/generic/hash_set.h>
  12. #include <util/generic/singleton.h>
  13. #include <util/generic/yexception.h>
  14. #include <util/memory/pool.h>
  15. #include <cstring>
  16. #include <ctype.h>
  17. using namespace NCodepagePrivate;
  18. void Recoder::Create(const CodePage& source, const CodePage& target) {
  19. const Encoder* wideTarget = &EncoderByCharset(target.CPEnum);
  20. Create(source, wideTarget);
  21. }
  22. void Recoder::Create(const CodePage& page, wchar32 (*mapfunc)(wchar32)) {
  23. const Encoder* widePage = &EncoderByCharset(page.CPEnum);
  24. Create(page, widePage, mapfunc);
  25. }
  26. template <class T, class T1>
  27. static inline T1 Apply(T b, T e, T1 to, const Recoder& mapper) {
  28. while (b != e) {
  29. *to++ = mapper.Table[(unsigned char)*b++];
  30. }
  31. return to;
  32. }
  33. template <class T, class T1>
  34. static inline T1 Apply(T b, T1 to, const Recoder& mapper) {
  35. while (*b != 0) {
  36. *to++ = mapper.Table[(unsigned char)*b++];
  37. }
  38. return to;
  39. }
  40. char* CodePage::ToLower(const char* b, const char* e, char* to) const {
  41. return Apply(b, e, to, TCodePageData::rcdr_to_lower[CPEnum]);
  42. }
  43. char* CodePage::ToLower(const char* b, char* to) const {
  44. return Apply(b, to, TCodePageData::rcdr_to_lower[CPEnum]);
  45. }
  46. char* CodePage::ToUpper(const char* b, const char* e, char* to) const {
  47. return Apply(b, e, to, TCodePageData::rcdr_to_upper[CPEnum]);
  48. }
  49. char* CodePage::ToUpper(const char* b, char* to) const {
  50. return Apply(b, to, TCodePageData::rcdr_to_upper[CPEnum]);
  51. }
  52. int CodePage::stricmp(const char* dst, const char* src) const {
  53. unsigned char f, l;
  54. do {
  55. f = ToLower(*dst++);
  56. l = ToLower(*src++);
  57. } while (f && (f == l));
  58. return f - l;
  59. }
  60. int CodePage::strnicmp(const char* dst, const char* src, size_t len) const {
  61. unsigned char f, l;
  62. if (len) {
  63. do {
  64. f = ToLower(*dst++);
  65. l = ToLower(*src++);
  66. } while (--len && f && (f == l));
  67. return f - l;
  68. }
  69. return 0;
  70. }
  71. static const CodePage UNSUPPORTED_CODEPAGE = {
  72. CODES_UNSUPPORTED,
  73. {
  74. "unsupported",
  75. },
  76. {},
  77. nullptr,
  78. };
  79. static const CodePage UNKNOWN_CODEPAGE = {
  80. CODES_UNKNOWN,
  81. {
  82. "unknown",
  83. },
  84. {},
  85. nullptr,
  86. };
  87. void NCodepagePrivate::TCodepagesMap::SetData(const CodePage* cp) {
  88. Y_ASSERT(cp);
  89. int code = static_cast<int>(cp->CPEnum) + DataShift;
  90. Y_ASSERT(code >= 0 && code < DataSize);
  91. Y_ASSERT(Data[code] == nullptr);
  92. Data[code] = cp;
  93. }
  94. NCodepagePrivate::TCodepagesMap::TCodepagesMap() {
  95. memset(Data, 0, sizeof(const CodePage*) * DataSize);
  96. SetData(&UNSUPPORTED_CODEPAGE);
  97. SetData(&UNKNOWN_CODEPAGE);
  98. for (size_t i = 0; i != CODES_MAX; ++i) {
  99. SetData(TCodePageData::AllCodePages[i]);
  100. }
  101. }
  102. const NCodepagePrivate::TCodepagesMap& NCodepagePrivate::TCodepagesMap::Instance() {
  103. return *Singleton<NCodepagePrivate::TCodepagesMap>();
  104. }
  105. class TCodePageHash {
  106. private:
  107. using TData = THashMap<TStringBuf, ECharset, ci_hash, ci_equal_to>;
  108. TData Data;
  109. TMemoryPool Pool;
  110. private:
  111. inline void AddNameWithCheck(const TString& name, ECharset code) {
  112. if (Data.find(name.c_str()) == Data.end()) {
  113. Data.insert(TData::value_type(Pool.Append(name.data(), name.size() + 1), code));
  114. } else {
  115. Y_ASSERT(Data.find(name.c_str())->second == code);
  116. }
  117. }
  118. inline void AddName(const TString& name, ECharset code) {
  119. AddNameWithCheck(name, code);
  120. TString temp = name;
  121. RemoveAll(temp, '-');
  122. RemoveAll(temp, '_');
  123. AddNameWithCheck(temp, code);
  124. temp = name;
  125. SubstGlobal(temp, '-', '_');
  126. AddNameWithCheck(temp, code);
  127. temp = name;
  128. SubstGlobal(temp, '_', '-');
  129. AddNameWithCheck(temp, code);
  130. }
  131. public:
  132. inline TCodePageHash()
  133. : Pool(20 * 1024) /* Currently used: 17KB. */
  134. {
  135. TString xPrefix = "x-";
  136. const char* name;
  137. for (size_t i = 0; i != CODES_MAX; ++i) {
  138. ECharset e = static_cast<ECharset>(i);
  139. const CodePage* page = Singleton<NCodepagePrivate::TCodepagesMap>()->GetPrivate(e);
  140. AddName(ToString(static_cast<int>(i)), e);
  141. for (size_t j = 0; (name = page->Names[j]) != nullptr && name[0]; ++j) {
  142. AddName(name, e);
  143. AddName(xPrefix + name, e);
  144. }
  145. }
  146. }
  147. inline ECharset CharsetByName(TStringBuf name) {
  148. if (!name)
  149. return CODES_UNKNOWN;
  150. TData::const_iterator it = Data.find(name);
  151. if (it == Data.end())
  152. return CODES_UNKNOWN;
  153. return it->second;
  154. }
  155. };
  156. ECharset CharsetByName(TStringBuf name) {
  157. return Singleton<TCodePageHash>()->CharsetByName(name);
  158. }
  159. ECharset CharsetByNameOrDie(TStringBuf name) {
  160. ECharset result = CharsetByName(name);
  161. if (result == CODES_UNKNOWN)
  162. ythrow yexception() << "CharsetByNameOrDie: unknown charset '" << name << "'";
  163. return result;
  164. }
  165. namespace {
  166. class THashSetType: public THashSet<TString> {
  167. public:
  168. inline void Add(const TString& s) {
  169. insert(s);
  170. }
  171. inline bool Has(const TString& s) const noexcept {
  172. return find(s) != end();
  173. }
  174. };
  175. }
  176. class TWindowsPrefixesHashSet: public THashSetType {
  177. public:
  178. inline TWindowsPrefixesHashSet() {
  179. Add("win");
  180. Add("wincp");
  181. Add("window");
  182. Add("windowcp");
  183. Add("windows");
  184. Add("windowscp");
  185. Add("ansi");
  186. Add("ansicp");
  187. }
  188. };
  189. class TCpPrefixesHashSet: public THashSetType {
  190. public:
  191. inline TCpPrefixesHashSet() {
  192. Add("microsoft");
  193. Add("microsoftcp");
  194. Add("cp");
  195. }
  196. };
  197. class TIsoPrefixesHashSet: public THashSetType {
  198. public:
  199. inline TIsoPrefixesHashSet() {
  200. Add("iso");
  201. Add("isolatin");
  202. Add("latin");
  203. }
  204. };
  205. class TLatinToIsoHash: public THashMap<const char*, TString, ci_hash, ci_equal_to> {
  206. public:
  207. inline TLatinToIsoHash() {
  208. insert(value_type("latin1", "iso-8859-1"));
  209. insert(value_type("latin2", "iso-8859-2"));
  210. insert(value_type("latin3", "iso-8859-3"));
  211. insert(value_type("latin4", "iso-8859-4"));
  212. insert(value_type("latin5", "iso-8859-9"));
  213. insert(value_type("latin6", "iso-8859-10"));
  214. insert(value_type("latin7", "iso-8859-13"));
  215. insert(value_type("latin8", "iso-8859-14"));
  216. insert(value_type("latin9", "iso-8859-15"));
  217. insert(value_type("latin10", "iso-8859-16"));
  218. }
  219. };
  220. static inline void NormalizeEncodingPrefixes(TString& enc) {
  221. size_t preflen = enc.find_first_of("0123456789");
  222. if (preflen == TString::npos)
  223. return;
  224. TString prefix = enc.substr(0, preflen);
  225. for (size_t i = 0; i < prefix.length(); ++i) {
  226. if (prefix[i] == '-') {
  227. prefix.remove(i--);
  228. }
  229. }
  230. if (Singleton<TWindowsPrefixesHashSet>()->Has(prefix)) {
  231. enc.remove(0, preflen);
  232. enc.prepend("windows-");
  233. return;
  234. }
  235. if (Singleton<TCpPrefixesHashSet>()->Has(prefix)) {
  236. if (enc.length() > preflen + 3 && !strncmp(enc.c_str() + preflen, "125", 3) && isdigit(enc[preflen + 3])) {
  237. enc.remove(0, preflen);
  238. enc.prepend("windows-");
  239. return;
  240. }
  241. enc.remove(0, preflen);
  242. enc.prepend("cp");
  243. return;
  244. }
  245. if (Singleton<TIsoPrefixesHashSet>()->Has(prefix)) {
  246. if (enc.length() == preflen + 1 || enc.length() == preflen + 2) {
  247. TString enccopy = enc.substr(preflen);
  248. enccopy.prepend("latin");
  249. const TLatinToIsoHash* latinhash = Singleton<TLatinToIsoHash>();
  250. TLatinToIsoHash::const_iterator it = latinhash->find(enccopy.data());
  251. if (it != latinhash->end())
  252. enc.assign(it->second);
  253. return;
  254. } else if (enc.length() > preflen + 5 && enc[preflen] == '8') {
  255. enc.remove(0, preflen);
  256. enc.prepend("iso-");
  257. return;
  258. }
  259. }
  260. }
  261. class TEncodingNamesHashSet: public THashSetType {
  262. public:
  263. TEncodingNamesHashSet() {
  264. Add("iso-8859-1");
  265. Add("iso-8859-2");
  266. Add("iso-8859-3");
  267. Add("iso-8859-4");
  268. Add("iso-8859-5");
  269. Add("iso-8859-6");
  270. Add("iso-8859-7");
  271. Add("iso-8859-8");
  272. Add("iso-8859-8-i");
  273. Add("iso-8859-9");
  274. Add("iso-8859-10");
  275. Add("iso-8859-11");
  276. Add("iso-8859-12");
  277. Add("iso-8859-13");
  278. Add("iso-8859-14");
  279. Add("iso-8859-15");
  280. Add("windows-1250");
  281. Add("windows-1251");
  282. Add("windows-1252");
  283. Add("windows-1253");
  284. Add("windows-1254");
  285. Add("windows-1255");
  286. Add("windows-1256");
  287. Add("windows-1257");
  288. Add("windows-1258");
  289. Add("windows-874");
  290. Add("iso-2022-jp");
  291. Add("euc-jp");
  292. Add("shift-jis");
  293. Add("shiftjis");
  294. Add("iso-2022-kr");
  295. Add("euc-kr");
  296. Add("gb-2312");
  297. Add("gb2312");
  298. Add("gb-18030");
  299. Add("gb18030");
  300. Add("gbk");
  301. Add("big5");
  302. Add("tis-620");
  303. Add("tis620");
  304. }
  305. };
  306. ECharset EncodingHintByName(const char* encname) {
  307. if (!encname)
  308. return CODES_UNKNOWN; // safety check
  309. // Common trouble: spurious "charset=" in the encoding name
  310. if (!strnicmp(encname, "charset=", 8)) {
  311. encname += 8;
  312. }
  313. // Strip everything up to the first alphanumeric, and after the last one
  314. while (*encname && !isalnum(*encname))
  315. ++encname;
  316. if (!*encname)
  317. return CODES_UNKNOWN;
  318. const char* lastpos = encname + strlen(encname) - 1;
  319. while (lastpos > encname && !isalnum(*lastpos))
  320. --lastpos;
  321. // Do some normalization
  322. TString enc(encname, lastpos - encname + 1);
  323. enc.to_lower();
  324. for (char* p = enc.begin(); p != enc.end(); ++p) {
  325. if (*p == ' ' || *p == '=' || *p == '_')
  326. *p = '-';
  327. }
  328. NormalizeEncodingPrefixes(enc);
  329. ECharset hint = CharsetByName(enc.c_str());
  330. if (hint != CODES_UNKNOWN)
  331. return hint;
  332. if (Singleton<TEncodingNamesHashSet>()->Has(enc))
  333. return CODES_UNSUPPORTED;
  334. return CODES_UNKNOWN;
  335. }