utf8/utf8-convert.c

   1 /* Encoding utility from UTF-8 to another charset and vice versa
   2    Copyright (C) 2001, 2002 Peter Verthez
   3
   4    The UTF8 tools library is free software; you can redistribute it
   5    and/or modify it under the terms of the GNU Lesser General Public
   6    License as published by the Free Software Foundation; either
   7    version 2.1 of the License, or (at your option) any later version.
   8
   9    The Gedcom parser library is distributed in the hope that it will be
  10    useful, but WITHOUT ANY WARRANTY; without even the implied warranty of
  11    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  12    Lesser General Public License for more details.
  13
  14    You should have received a copy of the GNU Lesser General Public
  15    License along with the Gedcom parser library; if not, write to the
  16    Free Software Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA
  17    02111-1307 USA.
  18 */
  19
  20 /* $Id$ */
  21 /* $Name$ */
  22
  23 #include "utf8tools.h"
  24 #include <stdlib.h>
  25 #include <string.h>
  26 #include <errno.h>
  27 #include <iconv.h>
  28 #include "config.h"
  29
  30 #define INITIAL_BUFSIZE 256
  31 #define DEFAULT_UNKNOWN "?"
  32
  33 #define INTERNAL_BUFFER 0
  34 #define EXTERNAL_BUFFER 1
  35
  36 struct conv_buffer {
  37   char*   buffer;
  38   size_t  size;
  39   int     type;  /* For internal use */
  40 };
  41
  42 struct convert {
  43   iconv_t from_utf8;
  44   iconv_t to_utf8;
  45   struct conv_buffer* inbuf;
  46   size_t  insize;
  47   struct conv_buffer* outbuf;
  48   char*   unknown;
  49 };
  50
  51 void reset_conv_buffer(conv_buffer_t buf)
  52 {
  53   memset(buf->buffer, 0, buf->size);
  54 }
  55
  56 conv_buffer_t create_conv_buffer(int size)
  57 {
  58   struct conv_buffer* buf = NULL;
  59
  60   if (size == 0) size = INITIAL_BUFSIZE;
  61
  62   buf = (struct conv_buffer*) malloc(sizeof(struct conv_buffer));
  63   if (buf) {
  64     buf->size   = size;
  65     buf->buffer = (char*)malloc(size);
  66     buf->type   = EXTERNAL_BUFFER;
  67     if (buf->buffer)
  68       reset_conv_buffer(buf);
  69     else
  70       buf->size = 0;
  71   }
  72
  73   return buf;
  74 }
  75
  76 void free_conv_buffer(conv_buffer_t buf)
  77 {
  78   if (buf) {
  79     free(buf->buffer);
  80     free(buf);
  81   }
  82 }
  83
  84 char* grow_conv_buffer(conv_buffer_t buf, char* curr_pos)
  85 {
  86   size_t outlen, new_size;
  87   char*  new_buffer;
  88   outlen     = curr_pos - buf->buffer;
  89   new_size   = buf->size * 2;
  90   new_buffer = realloc(buf->buffer, new_size);
  91   if (new_buffer) {
  92     buf->buffer = new_buffer;
  93     buf->size   = new_size;
  94     curr_pos    = buf->buffer + outlen;
  95     memset(curr_pos, 0, buf->size - (curr_pos - buf->buffer));
  96     return curr_pos;
  97   }
  98   else
  99     return NULL;
 100 }
 101
 102 convert_t initialize_utf8_conversion(const char* charset, int external_outbuf)
 103 {
 104   struct convert *conv = NULL;
 105   int save_errno = 0;
 106   int cleanup = 0;
 107
 108   conv = (struct convert *)malloc(sizeof(struct convert));
 109   if (conv) {
 110     /* Unless reset to 0 at the end, this will force cleanup */
 111     cleanup = 1;
 112     /* First initialize to default values */
 113     conv->from_utf8  = (iconv_t)-1;
 114     conv->to_utf8    = (iconv_t)-1;
 115     conv->inbuf      = NULL;
 116     conv->insize     = 0;
 117     conv->outbuf     = NULL;
 118     conv->unknown    = NULL;
 119
 120     /* Now initialize everything to what it should be */
 121     conv->from_utf8 = iconv_open(charset, "UTF-8");
 122     if (conv->from_utf8 != (iconv_t)-1) {
 123       conv->to_utf8 = iconv_open("UTF-8", charset);
 124       if (conv->to_utf8 != (iconv_t)-1) {
 125         conv->unknown = strdup(DEFAULT_UNKNOWN);
 126         if (conv->unknown) {
 127           conv->inbuf = create_conv_buffer(INITIAL_BUFSIZE);
 128           conv->inbuf->type = INTERNAL_BUFFER;
 129           if (conv->inbuf) {
 130             if (external_outbuf)
 131               cleanup = 0;
 132             else {
 133               conv->outbuf = create_conv_buffer(INITIAL_BUFSIZE);
 134               conv->outbuf->type = INTERNAL_BUFFER;
 135               if (conv->outbuf)
 136                 cleanup = 0;    /* All successful */
 137             }
 138           }
 139         }
 140       }
 141     }
 142   }
 143
 144   if (cleanup) {
 145     save_errno = errno;
 146     cleanup_utf8_conversion(conv);
 147     errno = save_errno;
 148     conv = NULL;
 149   }
 150
 151   return conv;
 152 }
 153
 154 int conversion_set_unknown(convert_t conv, const char* unknown)
 155 {
 156   int result = 1;
 157
 158   if (conv && unknown) {
 159     char* unknown_copy = strdup(unknown);
 160     if (unknown_copy) {
 161       if (conv->unknown) free(conv->unknown);
 162       conv->unknown = unknown_copy;
 163     }
 164     else
 165       result = 0;
 166   }
 167
 168   return result;
 169 }
 170
 171 int conversion_set_output_buffer(convert_t conv, conv_buffer_t buf)
 172 {
 173   if (!conv)
 174     return 0;
 175   else if ((!conv->outbuf || conv->outbuf->type == EXTERNAL_BUFFER)
 176            && buf && buf->type == EXTERNAL_BUFFER) {
 177     conv->outbuf = buf;
 178     return 1;
 179   }
 180   else
 181     return 0;
 182 }
 183
 184 void cleanup_utf8_conversion(convert_t conv)
 185 {
 186   if (conv) {
 187     if (conv->from_utf8 != (iconv_t)-1)
 188       iconv_close(conv->from_utf8);
 189     if (conv->to_utf8 != (iconv_t)-1)
 190       iconv_close(conv->to_utf8);
 191     if (conv->inbuf && conv->inbuf->type == INTERNAL_BUFFER)
 192       free_conv_buffer(conv->inbuf);
 193     if (conv->outbuf && conv->outbuf->type == INTERNAL_BUFFER)
 194       free_conv_buffer(conv->outbuf);
 195     if (conv->unknown)
 196       free(conv->unknown);
 197     free(conv);
 198   }
 199 }
 200
 201 char* convert_from_utf8(convert_t conv, const char* input, int* conv_fails,
 202                         size_t* output_len)
 203 {
 204   size_t insize = strlen(input);
 205   size_t outsize;
 206   ICONV_CONST char* inptr  = (ICONV_CONST char*) input;
 207   char   *outptr;
 208   size_t nconv;
 209   struct conv_buffer* outbuf;
 210
 211   if (!conv || !conv->outbuf) {
 212     if (conv_fails != NULL) *conv_fails = insize;
 213     return NULL;
 214   }
 215   /* make sure we start from an empty state */
 216   iconv(conv->from_utf8, NULL, NULL, NULL, NULL);
 217   if (conv_fails != NULL) *conv_fails = 0;
 218   /* set up output buffer (empty it) */
 219   outbuf  = conv->outbuf;
 220   outptr  = outbuf->buffer;
 221   outsize = outbuf->size;
 222   reset_conv_buffer(conv->outbuf);
 223   nconv = iconv(conv->from_utf8, &inptr, &insize, &outptr, &outsize);
 224   while (nconv == (size_t)-1) {
 225     if (errno == E2BIG) {
 226       /* grow the output buffer */
 227       outptr  = grow_conv_buffer(outbuf, outptr);
 228       if (outptr)
 229         outsize = outbuf->size - (outptr - outbuf->buffer);
 230       else {
 231         errno = ENOMEM;
 232         return NULL;
 233       }
 234     }
 235     else if (errno == EILSEQ) {
 236       /* skip over character */
 237       const char* unkn_ptr = conv->unknown;
 238       if (conv_fails != NULL) (*conv_fails)++;
 239       if ((*inptr & 0x80) == 0) {
 240         /* an ASCII character, just skip one (this case is very improbable) */
 241         inptr++; insize--;
 242       }
 243       else {
 244         /* a general UTF-8 character, skip all 0x10xxxxxx bytes */
 245         inptr++; insize--;
 246         while ((*inptr & 0xC0) == 0x80) {
 247           inptr++; insize--;
 248         }
 249       }
 250       /* append the "unknown" string to the output */
 251       while (*unkn_ptr) { *outptr++ = *unkn_ptr++; outsize--; }
 252     }
 253     else {
 254       /* EINVAL should not happen, since we convert entire strings */
 255       /* EBADF is an error which should be captured by the first if above */
 256       if (conv_fails != NULL) *conv_fails += insize;
 257       return NULL;
 258     }
 259     nconv = iconv(conv->from_utf8, &inptr, &insize, &outptr, &outsize);
 260   }
 261   if (output_len) *output_len = outptr - outbuf->buffer;
 262   return outbuf->buffer;
 263 }
 264
 265 char* convert_to_utf8(convert_t conv, const char* input, size_t input_len)
 266 {
 267   size_t outsize;
 268   ICONV_CONST char *inptr  = (ICONV_CONST char*) input;
 269   char   *outptr;
 270   size_t nconv;
 271   struct conv_buffer* outbuf;
 272
 273   if (!conv || !conv->outbuf)
 274     return NULL;
 275   /* make sure we start from an empty state */
 276   iconv(conv->to_utf8, NULL, NULL, NULL, NULL);
 277   /* set up output buffer (empty it) */
 278   outbuf  = conv->outbuf;
 279   outptr  = outbuf->buffer;
 280   outsize = outbuf->size;
 281   reset_conv_buffer(conv->outbuf);
 282   nconv = iconv(conv->to_utf8, &inptr, &input_len, &outptr, &outsize);
 283   while (nconv == (size_t)-1) {
 284     if (errno == E2BIG) {
 285       /* grow the output buffer */
 286       outptr  = grow_conv_buffer(outbuf, outptr);
 287       if (outptr)
 288         outsize = outbuf->size - (outptr - outbuf->buffer);
 289       else {
 290         errno = ENOMEM;
 291         return NULL;
 292       }
 293     }
 294     else {
 295       /* EILSEQ happens when the input doesn't match the source encoding,
 296          return NULL in this case */
 297       /* EINVAL should not happen, since we convert entire strings */
 298       /* EBADF is an error which should be captured by the first if above */
 299       return NULL;
 300     }
 301     nconv = iconv(conv->to_utf8, &inptr, &input_len, &outptr, &outsize);
 302   }
 303   return outbuf->buffer;
 304 }
 305
 306 char* convert_to_utf8_incremental(convert_t conv,
 307                                   const char* input, size_t input_len)
 308 {
 309   size_t res;
 310   struct conv_buffer* outbuf = conv->outbuf;
 311   struct conv_buffer* inbuf  = conv->inbuf;
 312   size_t outsize = outbuf->size;
 313   char* wrptr = outbuf->buffer;
 314   ICONV_CONST char* rdptr = (ICONV_CONST char*) inbuf->buffer;
 315   char* retval = outbuf->buffer;
 316
 317   if (!conv || !conv->outbuf)
 318     return NULL;
 319
 320   /* set up input buffer (concatenate to what was left previous time) */
 321   /* can't use strcpy, because possible null bytes from unicode */
 322   while (conv->insize + input_len > inbuf->size)
 323     grow_conv_buffer(inbuf, inbuf->buffer + conv->insize);
 324   memcpy(inbuf->buffer + conv->insize, input, input_len);
 325   conv->insize += input_len;
 326
 327   /* set up output buffer (empty it) */
 328   reset_conv_buffer(outbuf);
 329
 330   /* do the conversion */
 331   res = iconv(conv->to_utf8, &rdptr, &conv->insize, &wrptr, &outsize);
 332   if (res == (size_t)-1) {
 333     if (errno == EILSEQ) {
 334       /* restart from an empty state and return NULL */
 335       retval = NULL;
 336       rdptr++;
 337       conv->insize--;
 338     }
 339     else if (errno == EINVAL) {
 340       /* Do nothing, leave it to next iteration */
 341     }
 342     else {
 343       retval = NULL;
 344     }
 345   }
 346
 347   /* then shift what is left over to the head of the input buffer */
 348   memmove(inbuf->buffer, rdptr, conv->insize);
 349   memset(inbuf->buffer + conv->insize, 0, inbuf->size - conv->insize);
 350   return retval;
 351 }