xref: /freebsd/contrib/libyaml/src/reader.c (revision 0f5c86ddb0257f4b7620f1d8e898289be30b19bf)
1*0f5c86ddSBaptiste Daroussin 
2*0f5c86ddSBaptiste Daroussin #include "yaml_private.h"
3*0f5c86ddSBaptiste Daroussin 
4*0f5c86ddSBaptiste Daroussin /*
5*0f5c86ddSBaptiste Daroussin  * Declarations.
6*0f5c86ddSBaptiste Daroussin  */
7*0f5c86ddSBaptiste Daroussin 
8*0f5c86ddSBaptiste Daroussin static int
9*0f5c86ddSBaptiste Daroussin yaml_parser_set_reader_error(yaml_parser_t *parser, const char *problem,
10*0f5c86ddSBaptiste Daroussin         size_t offset, int value);
11*0f5c86ddSBaptiste Daroussin 
12*0f5c86ddSBaptiste Daroussin static int
13*0f5c86ddSBaptiste Daroussin yaml_parser_update_raw_buffer(yaml_parser_t *parser);
14*0f5c86ddSBaptiste Daroussin 
15*0f5c86ddSBaptiste Daroussin static int
16*0f5c86ddSBaptiste Daroussin yaml_parser_determine_encoding(yaml_parser_t *parser);
17*0f5c86ddSBaptiste Daroussin 
18*0f5c86ddSBaptiste Daroussin YAML_DECLARE(int)
19*0f5c86ddSBaptiste Daroussin yaml_parser_update_buffer(yaml_parser_t *parser, size_t length);
20*0f5c86ddSBaptiste Daroussin 
21*0f5c86ddSBaptiste Daroussin /*
22*0f5c86ddSBaptiste Daroussin  * Set the reader error and return 0.
23*0f5c86ddSBaptiste Daroussin  */
24*0f5c86ddSBaptiste Daroussin 
25*0f5c86ddSBaptiste Daroussin static int
yaml_parser_set_reader_error(yaml_parser_t * parser,const char * problem,size_t offset,int value)26*0f5c86ddSBaptiste Daroussin yaml_parser_set_reader_error(yaml_parser_t *parser, const char *problem,
27*0f5c86ddSBaptiste Daroussin         size_t offset, int value)
28*0f5c86ddSBaptiste Daroussin {
29*0f5c86ddSBaptiste Daroussin     parser->error = YAML_READER_ERROR;
30*0f5c86ddSBaptiste Daroussin     parser->problem = problem;
31*0f5c86ddSBaptiste Daroussin     parser->problem_offset = offset;
32*0f5c86ddSBaptiste Daroussin     parser->problem_value = value;
33*0f5c86ddSBaptiste Daroussin 
34*0f5c86ddSBaptiste Daroussin     return 0;
35*0f5c86ddSBaptiste Daroussin }
36*0f5c86ddSBaptiste Daroussin 
37*0f5c86ddSBaptiste Daroussin /*
38*0f5c86ddSBaptiste Daroussin  * Byte order marks.
39*0f5c86ddSBaptiste Daroussin  */
40*0f5c86ddSBaptiste Daroussin 
41*0f5c86ddSBaptiste Daroussin #define BOM_UTF8    "\xef\xbb\xbf"
42*0f5c86ddSBaptiste Daroussin #define BOM_UTF16LE "\xff\xfe"
43*0f5c86ddSBaptiste Daroussin #define BOM_UTF16BE "\xfe\xff"
44*0f5c86ddSBaptiste Daroussin 
45*0f5c86ddSBaptiste Daroussin /*
46*0f5c86ddSBaptiste Daroussin  * Determine the input stream encoding by checking the BOM symbol. If no BOM is
47*0f5c86ddSBaptiste Daroussin  * found, the UTF-8 encoding is assumed. Return 1 on success, 0 on failure.
48*0f5c86ddSBaptiste Daroussin  */
49*0f5c86ddSBaptiste Daroussin 
50*0f5c86ddSBaptiste Daroussin static int
yaml_parser_determine_encoding(yaml_parser_t * parser)51*0f5c86ddSBaptiste Daroussin yaml_parser_determine_encoding(yaml_parser_t *parser)
52*0f5c86ddSBaptiste Daroussin {
53*0f5c86ddSBaptiste Daroussin     /* Ensure that we had enough bytes in the raw buffer. */
54*0f5c86ddSBaptiste Daroussin 
55*0f5c86ddSBaptiste Daroussin     while (!parser->eof
56*0f5c86ddSBaptiste Daroussin             && parser->raw_buffer.last - parser->raw_buffer.pointer < 3) {
57*0f5c86ddSBaptiste Daroussin         if (!yaml_parser_update_raw_buffer(parser)) {
58*0f5c86ddSBaptiste Daroussin             return 0;
59*0f5c86ddSBaptiste Daroussin         }
60*0f5c86ddSBaptiste Daroussin     }
61*0f5c86ddSBaptiste Daroussin 
62*0f5c86ddSBaptiste Daroussin     /* Determine the encoding. */
63*0f5c86ddSBaptiste Daroussin 
64*0f5c86ddSBaptiste Daroussin     if (parser->raw_buffer.last - parser->raw_buffer.pointer >= 2
65*0f5c86ddSBaptiste Daroussin             && !memcmp(parser->raw_buffer.pointer, BOM_UTF16LE, 2)) {
66*0f5c86ddSBaptiste Daroussin         parser->encoding = YAML_UTF16LE_ENCODING;
67*0f5c86ddSBaptiste Daroussin         parser->raw_buffer.pointer += 2;
68*0f5c86ddSBaptiste Daroussin         parser->offset += 2;
69*0f5c86ddSBaptiste Daroussin     }
70*0f5c86ddSBaptiste Daroussin     else if (parser->raw_buffer.last - parser->raw_buffer.pointer >= 2
71*0f5c86ddSBaptiste Daroussin             && !memcmp(parser->raw_buffer.pointer, BOM_UTF16BE, 2)) {
72*0f5c86ddSBaptiste Daroussin         parser->encoding = YAML_UTF16BE_ENCODING;
73*0f5c86ddSBaptiste Daroussin         parser->raw_buffer.pointer += 2;
74*0f5c86ddSBaptiste Daroussin         parser->offset += 2;
75*0f5c86ddSBaptiste Daroussin     }
76*0f5c86ddSBaptiste Daroussin     else if (parser->raw_buffer.last - parser->raw_buffer.pointer >= 3
77*0f5c86ddSBaptiste Daroussin             && !memcmp(parser->raw_buffer.pointer, BOM_UTF8, 3)) {
78*0f5c86ddSBaptiste Daroussin         parser->encoding = YAML_UTF8_ENCODING;
79*0f5c86ddSBaptiste Daroussin         parser->raw_buffer.pointer += 3;
80*0f5c86ddSBaptiste Daroussin         parser->offset += 3;
81*0f5c86ddSBaptiste Daroussin     }
82*0f5c86ddSBaptiste Daroussin     else {
83*0f5c86ddSBaptiste Daroussin         parser->encoding = YAML_UTF8_ENCODING;
84*0f5c86ddSBaptiste Daroussin     }
85*0f5c86ddSBaptiste Daroussin 
86*0f5c86ddSBaptiste Daroussin     return 1;
87*0f5c86ddSBaptiste Daroussin }
88*0f5c86ddSBaptiste Daroussin 
89*0f5c86ddSBaptiste Daroussin /*
90*0f5c86ddSBaptiste Daroussin  * Update the raw buffer.
91*0f5c86ddSBaptiste Daroussin  */
92*0f5c86ddSBaptiste Daroussin 
93*0f5c86ddSBaptiste Daroussin static int
yaml_parser_update_raw_buffer(yaml_parser_t * parser)94*0f5c86ddSBaptiste Daroussin yaml_parser_update_raw_buffer(yaml_parser_t *parser)
95*0f5c86ddSBaptiste Daroussin {
96*0f5c86ddSBaptiste Daroussin     size_t size_read = 0;
97*0f5c86ddSBaptiste Daroussin 
98*0f5c86ddSBaptiste Daroussin     /* Return if the raw buffer is full. */
99*0f5c86ddSBaptiste Daroussin 
100*0f5c86ddSBaptiste Daroussin     if (parser->raw_buffer.start == parser->raw_buffer.pointer
101*0f5c86ddSBaptiste Daroussin             && parser->raw_buffer.last == parser->raw_buffer.end)
102*0f5c86ddSBaptiste Daroussin         return 1;
103*0f5c86ddSBaptiste Daroussin 
104*0f5c86ddSBaptiste Daroussin     /* Return on EOF. */
105*0f5c86ddSBaptiste Daroussin 
106*0f5c86ddSBaptiste Daroussin     if (parser->eof) return 1;
107*0f5c86ddSBaptiste Daroussin 
108*0f5c86ddSBaptiste Daroussin     /* Move the remaining bytes in the raw buffer to the beginning. */
109*0f5c86ddSBaptiste Daroussin 
110*0f5c86ddSBaptiste Daroussin     if (parser->raw_buffer.start < parser->raw_buffer.pointer
111*0f5c86ddSBaptiste Daroussin             && parser->raw_buffer.pointer < parser->raw_buffer.last) {
112*0f5c86ddSBaptiste Daroussin         memmove(parser->raw_buffer.start, parser->raw_buffer.pointer,
113*0f5c86ddSBaptiste Daroussin                 parser->raw_buffer.last - parser->raw_buffer.pointer);
114*0f5c86ddSBaptiste Daroussin     }
115*0f5c86ddSBaptiste Daroussin     parser->raw_buffer.last -=
116*0f5c86ddSBaptiste Daroussin         parser->raw_buffer.pointer - parser->raw_buffer.start;
117*0f5c86ddSBaptiste Daroussin     parser->raw_buffer.pointer = parser->raw_buffer.start;
118*0f5c86ddSBaptiste Daroussin 
119*0f5c86ddSBaptiste Daroussin     /* Call the read handler to fill the buffer. */
120*0f5c86ddSBaptiste Daroussin 
121*0f5c86ddSBaptiste Daroussin     if (!parser->read_handler(parser->read_handler_data, parser->raw_buffer.last,
122*0f5c86ddSBaptiste Daroussin                 parser->raw_buffer.end - parser->raw_buffer.last, &size_read)) {
123*0f5c86ddSBaptiste Daroussin         return yaml_parser_set_reader_error(parser, "input error",
124*0f5c86ddSBaptiste Daroussin                 parser->offset, -1);
125*0f5c86ddSBaptiste Daroussin     }
126*0f5c86ddSBaptiste Daroussin     parser->raw_buffer.last += size_read;
127*0f5c86ddSBaptiste Daroussin     if (!size_read) {
128*0f5c86ddSBaptiste Daroussin         parser->eof = 1;
129*0f5c86ddSBaptiste Daroussin     }
130*0f5c86ddSBaptiste Daroussin 
131*0f5c86ddSBaptiste Daroussin     return 1;
132*0f5c86ddSBaptiste Daroussin }
133*0f5c86ddSBaptiste Daroussin 
134*0f5c86ddSBaptiste Daroussin /*
135*0f5c86ddSBaptiste Daroussin  * Ensure that the buffer contains at least `length` characters.
136*0f5c86ddSBaptiste Daroussin  * Return 1 on success, 0 on failure.
137*0f5c86ddSBaptiste Daroussin  *
138*0f5c86ddSBaptiste Daroussin  * The length is supposed to be significantly less that the buffer size.
139*0f5c86ddSBaptiste Daroussin  */
140*0f5c86ddSBaptiste Daroussin 
141*0f5c86ddSBaptiste Daroussin YAML_DECLARE(int)
yaml_parser_update_buffer(yaml_parser_t * parser,size_t length)142*0f5c86ddSBaptiste Daroussin yaml_parser_update_buffer(yaml_parser_t *parser, size_t length)
143*0f5c86ddSBaptiste Daroussin {
144*0f5c86ddSBaptiste Daroussin     int first = 1;
145*0f5c86ddSBaptiste Daroussin 
146*0f5c86ddSBaptiste Daroussin     assert(parser->read_handler);   /* Read handler must be set. */
147*0f5c86ddSBaptiste Daroussin 
148*0f5c86ddSBaptiste Daroussin     /* If the EOF flag is set and the raw buffer is empty, do nothing. */
149*0f5c86ddSBaptiste Daroussin 
150*0f5c86ddSBaptiste Daroussin     if (parser->eof && parser->raw_buffer.pointer == parser->raw_buffer.last)
151*0f5c86ddSBaptiste Daroussin         return 1;
152*0f5c86ddSBaptiste Daroussin 
153*0f5c86ddSBaptiste Daroussin     /* Return if the buffer contains enough characters. */
154*0f5c86ddSBaptiste Daroussin 
155*0f5c86ddSBaptiste Daroussin     if (parser->unread >= length)
156*0f5c86ddSBaptiste Daroussin         return 1;
157*0f5c86ddSBaptiste Daroussin 
158*0f5c86ddSBaptiste Daroussin     /* Determine the input encoding if it is not known yet. */
159*0f5c86ddSBaptiste Daroussin 
160*0f5c86ddSBaptiste Daroussin     if (!parser->encoding) {
161*0f5c86ddSBaptiste Daroussin         if (!yaml_parser_determine_encoding(parser))
162*0f5c86ddSBaptiste Daroussin             return 0;
163*0f5c86ddSBaptiste Daroussin     }
164*0f5c86ddSBaptiste Daroussin 
165*0f5c86ddSBaptiste Daroussin     /* Move the unread characters to the beginning of the buffer. */
166*0f5c86ddSBaptiste Daroussin 
167*0f5c86ddSBaptiste Daroussin     if (parser->buffer.start < parser->buffer.pointer
168*0f5c86ddSBaptiste Daroussin             && parser->buffer.pointer < parser->buffer.last) {
169*0f5c86ddSBaptiste Daroussin         size_t size = parser->buffer.last - parser->buffer.pointer;
170*0f5c86ddSBaptiste Daroussin         memmove(parser->buffer.start, parser->buffer.pointer, size);
171*0f5c86ddSBaptiste Daroussin         parser->buffer.pointer = parser->buffer.start;
172*0f5c86ddSBaptiste Daroussin         parser->buffer.last = parser->buffer.start + size;
173*0f5c86ddSBaptiste Daroussin     }
174*0f5c86ddSBaptiste Daroussin     else if (parser->buffer.pointer == parser->buffer.last) {
175*0f5c86ddSBaptiste Daroussin         parser->buffer.pointer = parser->buffer.start;
176*0f5c86ddSBaptiste Daroussin         parser->buffer.last = parser->buffer.start;
177*0f5c86ddSBaptiste Daroussin     }
178*0f5c86ddSBaptiste Daroussin 
179*0f5c86ddSBaptiste Daroussin     /* Fill the buffer until it has enough characters. */
180*0f5c86ddSBaptiste Daroussin 
181*0f5c86ddSBaptiste Daroussin     while (parser->unread < length)
182*0f5c86ddSBaptiste Daroussin     {
183*0f5c86ddSBaptiste Daroussin         /* Fill the raw buffer if necessary. */
184*0f5c86ddSBaptiste Daroussin 
185*0f5c86ddSBaptiste Daroussin         if (!first || parser->raw_buffer.pointer == parser->raw_buffer.last) {
186*0f5c86ddSBaptiste Daroussin             if (!yaml_parser_update_raw_buffer(parser)) return 0;
187*0f5c86ddSBaptiste Daroussin         }
188*0f5c86ddSBaptiste Daroussin         first = 0;
189*0f5c86ddSBaptiste Daroussin 
190*0f5c86ddSBaptiste Daroussin         /* Decode the raw buffer. */
191*0f5c86ddSBaptiste Daroussin 
192*0f5c86ddSBaptiste Daroussin         while (parser->raw_buffer.pointer != parser->raw_buffer.last)
193*0f5c86ddSBaptiste Daroussin         {
194*0f5c86ddSBaptiste Daroussin             unsigned int value = 0, value2 = 0;
195*0f5c86ddSBaptiste Daroussin             int incomplete = 0;
196*0f5c86ddSBaptiste Daroussin             unsigned char octet;
197*0f5c86ddSBaptiste Daroussin             unsigned int width = 0;
198*0f5c86ddSBaptiste Daroussin             int low, high;
199*0f5c86ddSBaptiste Daroussin             size_t k;
200*0f5c86ddSBaptiste Daroussin             size_t raw_unread = parser->raw_buffer.last - parser->raw_buffer.pointer;
201*0f5c86ddSBaptiste Daroussin 
202*0f5c86ddSBaptiste Daroussin             /* Decode the next character. */
203*0f5c86ddSBaptiste Daroussin 
204*0f5c86ddSBaptiste Daroussin             switch (parser->encoding)
205*0f5c86ddSBaptiste Daroussin             {
206*0f5c86ddSBaptiste Daroussin                 case YAML_UTF8_ENCODING:
207*0f5c86ddSBaptiste Daroussin 
208*0f5c86ddSBaptiste Daroussin                     /*
209*0f5c86ddSBaptiste Daroussin                      * Decode a UTF-8 character.  Check RFC 3629
210*0f5c86ddSBaptiste Daroussin                      * (http://www.ietf.org/rfc/rfc3629.txt) for more details.
211*0f5c86ddSBaptiste Daroussin                      *
212*0f5c86ddSBaptiste Daroussin                      * The following table (taken from the RFC) is used for
213*0f5c86ddSBaptiste Daroussin                      * decoding.
214*0f5c86ddSBaptiste Daroussin                      *
215*0f5c86ddSBaptiste Daroussin                      *    Char. number range |        UTF-8 octet sequence
216*0f5c86ddSBaptiste Daroussin                      *      (hexadecimal)    |              (binary)
217*0f5c86ddSBaptiste Daroussin                      *   --------------------+------------------------------------
218*0f5c86ddSBaptiste Daroussin                      *   0000 0000-0000 007F | 0xxxxxxx
219*0f5c86ddSBaptiste Daroussin                      *   0000 0080-0000 07FF | 110xxxxx 10xxxxxx
220*0f5c86ddSBaptiste Daroussin                      *   0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
221*0f5c86ddSBaptiste Daroussin                      *   0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
222*0f5c86ddSBaptiste Daroussin                      *
223*0f5c86ddSBaptiste Daroussin                      * Additionally, the characters in the range 0xD800-0xDFFF
224*0f5c86ddSBaptiste Daroussin                      * are prohibited as they are reserved for use with UTF-16
225*0f5c86ddSBaptiste Daroussin                      * surrogate pairs.
226*0f5c86ddSBaptiste Daroussin                      */
227*0f5c86ddSBaptiste Daroussin 
228*0f5c86ddSBaptiste Daroussin                     /* Determine the length of the UTF-8 sequence. */
229*0f5c86ddSBaptiste Daroussin 
230*0f5c86ddSBaptiste Daroussin                     octet = parser->raw_buffer.pointer[0];
231*0f5c86ddSBaptiste Daroussin                     width = (octet & 0x80) == 0x00 ? 1 :
232*0f5c86ddSBaptiste Daroussin                             (octet & 0xE0) == 0xC0 ? 2 :
233*0f5c86ddSBaptiste Daroussin                             (octet & 0xF0) == 0xE0 ? 3 :
234*0f5c86ddSBaptiste Daroussin                             (octet & 0xF8) == 0xF0 ? 4 : 0;
235*0f5c86ddSBaptiste Daroussin 
236*0f5c86ddSBaptiste Daroussin                     /* Check if the leading octet is valid. */
237*0f5c86ddSBaptiste Daroussin 
238*0f5c86ddSBaptiste Daroussin                     if (!width)
239*0f5c86ddSBaptiste Daroussin                         return yaml_parser_set_reader_error(parser,
240*0f5c86ddSBaptiste Daroussin                                 "invalid leading UTF-8 octet",
241*0f5c86ddSBaptiste Daroussin                                 parser->offset, octet);
242*0f5c86ddSBaptiste Daroussin 
243*0f5c86ddSBaptiste Daroussin                     /* Check if the raw buffer contains an incomplete character. */
244*0f5c86ddSBaptiste Daroussin 
245*0f5c86ddSBaptiste Daroussin                     if (width > raw_unread) {
246*0f5c86ddSBaptiste Daroussin                         if (parser->eof) {
247*0f5c86ddSBaptiste Daroussin                             return yaml_parser_set_reader_error(parser,
248*0f5c86ddSBaptiste Daroussin                                     "incomplete UTF-8 octet sequence",
249*0f5c86ddSBaptiste Daroussin                                     parser->offset, -1);
250*0f5c86ddSBaptiste Daroussin                         }
251*0f5c86ddSBaptiste Daroussin                         incomplete = 1;
252*0f5c86ddSBaptiste Daroussin                         break;
253*0f5c86ddSBaptiste Daroussin                     }
254*0f5c86ddSBaptiste Daroussin 
255*0f5c86ddSBaptiste Daroussin                     /* Decode the leading octet. */
256*0f5c86ddSBaptiste Daroussin 
257*0f5c86ddSBaptiste Daroussin                     value = (octet & 0x80) == 0x00 ? octet & 0x7F :
258*0f5c86ddSBaptiste Daroussin                             (octet & 0xE0) == 0xC0 ? octet & 0x1F :
259*0f5c86ddSBaptiste Daroussin                             (octet & 0xF0) == 0xE0 ? octet & 0x0F :
260*0f5c86ddSBaptiste Daroussin                             (octet & 0xF8) == 0xF0 ? octet & 0x07 : 0;
261*0f5c86ddSBaptiste Daroussin 
262*0f5c86ddSBaptiste Daroussin                     /* Check and decode the trailing octets. */
263*0f5c86ddSBaptiste Daroussin 
264*0f5c86ddSBaptiste Daroussin                     for (k = 1; k < width; k ++)
265*0f5c86ddSBaptiste Daroussin                     {
266*0f5c86ddSBaptiste Daroussin                         octet = parser->raw_buffer.pointer[k];
267*0f5c86ddSBaptiste Daroussin 
268*0f5c86ddSBaptiste Daroussin                         /* Check if the octet is valid. */
269*0f5c86ddSBaptiste Daroussin 
270*0f5c86ddSBaptiste Daroussin                         if ((octet & 0xC0) != 0x80)
271*0f5c86ddSBaptiste Daroussin                             return yaml_parser_set_reader_error(parser,
272*0f5c86ddSBaptiste Daroussin                                     "invalid trailing UTF-8 octet",
273*0f5c86ddSBaptiste Daroussin                                     parser->offset+k, octet);
274*0f5c86ddSBaptiste Daroussin 
275*0f5c86ddSBaptiste Daroussin                         /* Decode the octet. */
276*0f5c86ddSBaptiste Daroussin 
277*0f5c86ddSBaptiste Daroussin                         value = (value << 6) + (octet & 0x3F);
278*0f5c86ddSBaptiste Daroussin                     }
279*0f5c86ddSBaptiste Daroussin 
280*0f5c86ddSBaptiste Daroussin                     /* Check the length of the sequence against the value. */
281*0f5c86ddSBaptiste Daroussin 
282*0f5c86ddSBaptiste Daroussin                     if (!((width == 1) ||
283*0f5c86ddSBaptiste Daroussin                             (width == 2 && value >= 0x80) ||
284*0f5c86ddSBaptiste Daroussin                             (width == 3 && value >= 0x800) ||
285*0f5c86ddSBaptiste Daroussin                             (width == 4 && value >= 0x10000)))
286*0f5c86ddSBaptiste Daroussin                         return yaml_parser_set_reader_error(parser,
287*0f5c86ddSBaptiste Daroussin                                 "invalid length of a UTF-8 sequence",
288*0f5c86ddSBaptiste Daroussin                                 parser->offset, -1);
289*0f5c86ddSBaptiste Daroussin 
290*0f5c86ddSBaptiste Daroussin                     /* Check the range of the value. */
291*0f5c86ddSBaptiste Daroussin 
292*0f5c86ddSBaptiste Daroussin                     if ((value >= 0xD800 && value <= 0xDFFF) || value > 0x10FFFF)
293*0f5c86ddSBaptiste Daroussin                         return yaml_parser_set_reader_error(parser,
294*0f5c86ddSBaptiste Daroussin                                 "invalid Unicode character",
295*0f5c86ddSBaptiste Daroussin                                 parser->offset, value);
296*0f5c86ddSBaptiste Daroussin 
297*0f5c86ddSBaptiste Daroussin                     break;
298*0f5c86ddSBaptiste Daroussin 
299*0f5c86ddSBaptiste Daroussin                 case YAML_UTF16LE_ENCODING:
300*0f5c86ddSBaptiste Daroussin                 case YAML_UTF16BE_ENCODING:
301*0f5c86ddSBaptiste Daroussin 
302*0f5c86ddSBaptiste Daroussin                     low = (parser->encoding == YAML_UTF16LE_ENCODING ? 0 : 1);
303*0f5c86ddSBaptiste Daroussin                     high = (parser->encoding == YAML_UTF16LE_ENCODING ? 1 : 0);
304*0f5c86ddSBaptiste Daroussin 
305*0f5c86ddSBaptiste Daroussin                     /*
306*0f5c86ddSBaptiste Daroussin                      * The UTF-16 encoding is not as simple as one might
307*0f5c86ddSBaptiste Daroussin                      * naively think.  Check RFC 2781
308*0f5c86ddSBaptiste Daroussin                      * (http://www.ietf.org/rfc/rfc2781.txt).
309*0f5c86ddSBaptiste Daroussin                      *
310*0f5c86ddSBaptiste Daroussin                      * Normally, two subsequent bytes describe a Unicode
311*0f5c86ddSBaptiste Daroussin                      * character.  However a special technique (called a
312*0f5c86ddSBaptiste Daroussin                      * surrogate pair) is used for specifying character
313*0f5c86ddSBaptiste Daroussin                      * values larger than 0xFFFF.
314*0f5c86ddSBaptiste Daroussin                      *
315*0f5c86ddSBaptiste Daroussin                      * A surrogate pair consists of two pseudo-characters:
316*0f5c86ddSBaptiste Daroussin                      *      high surrogate area (0xD800-0xDBFF)
317*0f5c86ddSBaptiste Daroussin                      *      low surrogate area (0xDC00-0xDFFF)
318*0f5c86ddSBaptiste Daroussin                      *
319*0f5c86ddSBaptiste Daroussin                      * The following formulas are used for decoding
320*0f5c86ddSBaptiste Daroussin                      * and encoding characters using surrogate pairs:
321*0f5c86ddSBaptiste Daroussin                      *
322*0f5c86ddSBaptiste Daroussin                      *  U  = U' + 0x10000   (0x01 00 00 <= U <= 0x10 FF FF)
323*0f5c86ddSBaptiste Daroussin                      *  U' = yyyyyyyyyyxxxxxxxxxx   (0 <= U' <= 0x0F FF FF)
324*0f5c86ddSBaptiste Daroussin                      *  W1 = 110110yyyyyyyyyy
325*0f5c86ddSBaptiste Daroussin                      *  W2 = 110111xxxxxxxxxx
326*0f5c86ddSBaptiste Daroussin                      *
327*0f5c86ddSBaptiste Daroussin                      * where U is the character value, W1 is the high surrogate
328*0f5c86ddSBaptiste Daroussin                      * area, W2 is the low surrogate area.
329*0f5c86ddSBaptiste Daroussin                      */
330*0f5c86ddSBaptiste Daroussin 
331*0f5c86ddSBaptiste Daroussin                     /* Check for incomplete UTF-16 character. */
332*0f5c86ddSBaptiste Daroussin 
333*0f5c86ddSBaptiste Daroussin                     if (raw_unread < 2) {
334*0f5c86ddSBaptiste Daroussin                         if (parser->eof) {
335*0f5c86ddSBaptiste Daroussin                             return yaml_parser_set_reader_error(parser,
336*0f5c86ddSBaptiste Daroussin                                     "incomplete UTF-16 character",
337*0f5c86ddSBaptiste Daroussin                                     parser->offset, -1);
338*0f5c86ddSBaptiste Daroussin                         }
339*0f5c86ddSBaptiste Daroussin                         incomplete = 1;
340*0f5c86ddSBaptiste Daroussin                         break;
341*0f5c86ddSBaptiste Daroussin                     }
342*0f5c86ddSBaptiste Daroussin 
343*0f5c86ddSBaptiste Daroussin                     /* Get the character. */
344*0f5c86ddSBaptiste Daroussin 
345*0f5c86ddSBaptiste Daroussin                     value = parser->raw_buffer.pointer[low]
346*0f5c86ddSBaptiste Daroussin                         + (parser->raw_buffer.pointer[high] << 8);
347*0f5c86ddSBaptiste Daroussin 
348*0f5c86ddSBaptiste Daroussin                     /* Check for unexpected low surrogate area. */
349*0f5c86ddSBaptiste Daroussin 
350*0f5c86ddSBaptiste Daroussin                     if ((value & 0xFC00) == 0xDC00)
351*0f5c86ddSBaptiste Daroussin                         return yaml_parser_set_reader_error(parser,
352*0f5c86ddSBaptiste Daroussin                                 "unexpected low surrogate area",
353*0f5c86ddSBaptiste Daroussin                                 parser->offset, value);
354*0f5c86ddSBaptiste Daroussin 
355*0f5c86ddSBaptiste Daroussin                     /* Check for a high surrogate area. */
356*0f5c86ddSBaptiste Daroussin 
357*0f5c86ddSBaptiste Daroussin                     if ((value & 0xFC00) == 0xD800) {
358*0f5c86ddSBaptiste Daroussin 
359*0f5c86ddSBaptiste Daroussin                         width = 4;
360*0f5c86ddSBaptiste Daroussin 
361*0f5c86ddSBaptiste Daroussin                         /* Check for incomplete surrogate pair. */
362*0f5c86ddSBaptiste Daroussin 
363*0f5c86ddSBaptiste Daroussin                         if (raw_unread < 4) {
364*0f5c86ddSBaptiste Daroussin                             if (parser->eof) {
365*0f5c86ddSBaptiste Daroussin                                 return yaml_parser_set_reader_error(parser,
366*0f5c86ddSBaptiste Daroussin                                         "incomplete UTF-16 surrogate pair",
367*0f5c86ddSBaptiste Daroussin                                         parser->offset, -1);
368*0f5c86ddSBaptiste Daroussin                             }
369*0f5c86ddSBaptiste Daroussin                             incomplete = 1;
370*0f5c86ddSBaptiste Daroussin                             break;
371*0f5c86ddSBaptiste Daroussin                         }
372*0f5c86ddSBaptiste Daroussin 
373*0f5c86ddSBaptiste Daroussin                         /* Get the next character. */
374*0f5c86ddSBaptiste Daroussin 
375*0f5c86ddSBaptiste Daroussin                         value2 = parser->raw_buffer.pointer[low+2]
376*0f5c86ddSBaptiste Daroussin                             + (parser->raw_buffer.pointer[high+2] << 8);
377*0f5c86ddSBaptiste Daroussin 
378*0f5c86ddSBaptiste Daroussin                         /* Check for a low surrogate area. */
379*0f5c86ddSBaptiste Daroussin 
380*0f5c86ddSBaptiste Daroussin                         if ((value2 & 0xFC00) != 0xDC00)
381*0f5c86ddSBaptiste Daroussin                             return yaml_parser_set_reader_error(parser,
382*0f5c86ddSBaptiste Daroussin                                     "expected low surrogate area",
383*0f5c86ddSBaptiste Daroussin                                     parser->offset+2, value2);
384*0f5c86ddSBaptiste Daroussin 
385*0f5c86ddSBaptiste Daroussin                         /* Generate the value of the surrogate pair. */
386*0f5c86ddSBaptiste Daroussin 
387*0f5c86ddSBaptiste Daroussin                         value = 0x10000 + ((value & 0x3FF) << 10) + (value2 & 0x3FF);
388*0f5c86ddSBaptiste Daroussin                     }
389*0f5c86ddSBaptiste Daroussin 
390*0f5c86ddSBaptiste Daroussin                     else {
391*0f5c86ddSBaptiste Daroussin                         width = 2;
392*0f5c86ddSBaptiste Daroussin                     }
393*0f5c86ddSBaptiste Daroussin 
394*0f5c86ddSBaptiste Daroussin                     break;
395*0f5c86ddSBaptiste Daroussin 
396*0f5c86ddSBaptiste Daroussin                 default:
397*0f5c86ddSBaptiste Daroussin                     assert(1);      /* Impossible. */
398*0f5c86ddSBaptiste Daroussin             }
399*0f5c86ddSBaptiste Daroussin 
400*0f5c86ddSBaptiste Daroussin             /* Check if the raw buffer contains enough bytes to form a character. */
401*0f5c86ddSBaptiste Daroussin 
402*0f5c86ddSBaptiste Daroussin             if (incomplete) break;
403*0f5c86ddSBaptiste Daroussin 
404*0f5c86ddSBaptiste Daroussin             /*
405*0f5c86ddSBaptiste Daroussin              * Check if the character is in the allowed range:
406*0f5c86ddSBaptiste Daroussin              *      #x9 | #xA | #xD | [#x20-#x7E]               (8 bit)
407*0f5c86ddSBaptiste Daroussin              *      | #x85 | [#xA0-#xD7FF] | [#xE000-#xFFFD]    (16 bit)
408*0f5c86ddSBaptiste Daroussin              *      | [#x10000-#x10FFFF]                        (32 bit)
409*0f5c86ddSBaptiste Daroussin              */
410*0f5c86ddSBaptiste Daroussin 
411*0f5c86ddSBaptiste Daroussin             if (! (value == 0x09 || value == 0x0A || value == 0x0D
412*0f5c86ddSBaptiste Daroussin                         || (value >= 0x20 && value <= 0x7E)
413*0f5c86ddSBaptiste Daroussin                         || (value == 0x85) || (value >= 0xA0 && value <= 0xD7FF)
414*0f5c86ddSBaptiste Daroussin                         || (value >= 0xE000 && value <= 0xFFFD)
415*0f5c86ddSBaptiste Daroussin                         || (value >= 0x10000 && value <= 0x10FFFF)))
416*0f5c86ddSBaptiste Daroussin                 return yaml_parser_set_reader_error(parser,
417*0f5c86ddSBaptiste Daroussin                         "control characters are not allowed",
418*0f5c86ddSBaptiste Daroussin                         parser->offset, value);
419*0f5c86ddSBaptiste Daroussin 
420*0f5c86ddSBaptiste Daroussin             /* Move the raw pointers. */
421*0f5c86ddSBaptiste Daroussin 
422*0f5c86ddSBaptiste Daroussin             parser->raw_buffer.pointer += width;
423*0f5c86ddSBaptiste Daroussin             parser->offset += width;
424*0f5c86ddSBaptiste Daroussin 
425*0f5c86ddSBaptiste Daroussin             /* Finally put the character into the buffer. */
426*0f5c86ddSBaptiste Daroussin 
427*0f5c86ddSBaptiste Daroussin             /* 0000 0000-0000 007F -> 0xxxxxxx */
428*0f5c86ddSBaptiste Daroussin             if (value <= 0x7F) {
429*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = value;
430*0f5c86ddSBaptiste Daroussin             }
431*0f5c86ddSBaptiste Daroussin             /* 0000 0080-0000 07FF -> 110xxxxx 10xxxxxx */
432*0f5c86ddSBaptiste Daroussin             else if (value <= 0x7FF) {
433*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0xC0 + (value >> 6);
434*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0x80 + (value & 0x3F);
435*0f5c86ddSBaptiste Daroussin             }
436*0f5c86ddSBaptiste Daroussin             /* 0000 0800-0000 FFFF -> 1110xxxx 10xxxxxx 10xxxxxx */
437*0f5c86ddSBaptiste Daroussin             else if (value <= 0xFFFF) {
438*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0xE0 + (value >> 12);
439*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0x80 + ((value >> 6) & 0x3F);
440*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0x80 + (value & 0x3F);
441*0f5c86ddSBaptiste Daroussin             }
442*0f5c86ddSBaptiste Daroussin             /* 0001 0000-0010 FFFF -> 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx */
443*0f5c86ddSBaptiste Daroussin             else {
444*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0xF0 + (value >> 18);
445*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0x80 + ((value >> 12) & 0x3F);
446*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0x80 + ((value >> 6) & 0x3F);
447*0f5c86ddSBaptiste Daroussin                 *(parser->buffer.last++) = 0x80 + (value & 0x3F);
448*0f5c86ddSBaptiste Daroussin             }
449*0f5c86ddSBaptiste Daroussin 
450*0f5c86ddSBaptiste Daroussin             parser->unread ++;
451*0f5c86ddSBaptiste Daroussin         }
452*0f5c86ddSBaptiste Daroussin 
453*0f5c86ddSBaptiste Daroussin         /* On EOF, put NUL into the buffer and return. */
454*0f5c86ddSBaptiste Daroussin 
455*0f5c86ddSBaptiste Daroussin         if (parser->eof) {
456*0f5c86ddSBaptiste Daroussin             *(parser->buffer.last++) = '\0';
457*0f5c86ddSBaptiste Daroussin             parser->unread ++;
458*0f5c86ddSBaptiste Daroussin             return 1;
459*0f5c86ddSBaptiste Daroussin         }
460*0f5c86ddSBaptiste Daroussin 
461*0f5c86ddSBaptiste Daroussin     }
462*0f5c86ddSBaptiste Daroussin 
463*0f5c86ddSBaptiste Daroussin     if (parser->offset >= MAX_FILE_SIZE) {
464*0f5c86ddSBaptiste Daroussin         return yaml_parser_set_reader_error(parser, "input is too long",
465*0f5c86ddSBaptiste Daroussin             parser->offset, -1);
466*0f5c86ddSBaptiste Daroussin     }
467*0f5c86ddSBaptiste Daroussin 
468*0f5c86ddSBaptiste Daroussin     return 1;
469*0f5c86ddSBaptiste Daroussin }
470