xref: /freebsd/contrib/mandoc/preconv.c (revision 7648bc9fee8dec6cb3c4941e0165a930fbe8dcb0)
1*7295610fSBaptiste Daroussin /*	$Id: preconv.c,v 1.17 2018/12/13 11:55:47 schwarze Exp $ */
261d06d6bSBaptiste Daroussin /*
361d06d6bSBaptiste Daroussin  * Copyright (c) 2011 Kristaps Dzonsons <kristaps@bsd.lv>
461d06d6bSBaptiste Daroussin  * Copyright (c) 2014 Ingo Schwarze <schwarze@openbsd.org>
561d06d6bSBaptiste Daroussin  *
661d06d6bSBaptiste Daroussin  * Permission to use, copy, modify, and distribute this software for any
761d06d6bSBaptiste Daroussin  * purpose with or without fee is hereby granted, provided that the above
861d06d6bSBaptiste Daroussin  * copyright notice and this permission notice appear in all copies.
961d06d6bSBaptiste Daroussin  *
1061d06d6bSBaptiste Daroussin  * THE SOFTWARE IS PROVIDED "AS IS" AND THE AUTHOR DISCLAIMS ALL WARRANTIES
1161d06d6bSBaptiste Daroussin  * WITH REGARD TO THIS SOFTWARE INCLUDING ALL IMPLIED WARRANTIES OF
1261d06d6bSBaptiste Daroussin  * MERCHANTABILITY AND FITNESS. IN NO EVENT SHALL THE AUTHOR BE LIABLE FOR
1361d06d6bSBaptiste Daroussin  * ANY SPECIAL, DIRECT, INDIRECT, OR CONSEQUENTIAL DAMAGES OR ANY DAMAGES
1461d06d6bSBaptiste Daroussin  * WHATSOEVER RESULTING FROM LOSS OF USE, DATA OR PROFITS, WHETHER IN AN
1561d06d6bSBaptiste Daroussin  * ACTION OF CONTRACT, NEGLIGENCE OR OTHER TORTIOUS ACTION, ARISING OUT OF
1661d06d6bSBaptiste Daroussin  * OR IN CONNECTION WITH THE USE OR PERFORMANCE OF THIS SOFTWARE.
1761d06d6bSBaptiste Daroussin  */
1861d06d6bSBaptiste Daroussin #include "config.h"
1961d06d6bSBaptiste Daroussin 
2061d06d6bSBaptiste Daroussin #include <sys/types.h>
2161d06d6bSBaptiste Daroussin 
2261d06d6bSBaptiste Daroussin #include <assert.h>
2361d06d6bSBaptiste Daroussin #include <stdio.h>
2461d06d6bSBaptiste Daroussin #include <string.h>
25*7295610fSBaptiste Daroussin 
2661d06d6bSBaptiste Daroussin #include "mandoc.h"
27*7295610fSBaptiste Daroussin #include "roff.h"
28*7295610fSBaptiste Daroussin #include "mandoc_parse.h"
2961d06d6bSBaptiste Daroussin #include "libmandoc.h"
3061d06d6bSBaptiste Daroussin 
3161d06d6bSBaptiste Daroussin int
preconv_encode(const struct buf * ib,size_t * ii,struct buf * ob,size_t * oi,int * filenc)3261d06d6bSBaptiste Daroussin preconv_encode(const struct buf *ib, size_t *ii, struct buf *ob, size_t *oi,
3361d06d6bSBaptiste Daroussin     int *filenc)
3461d06d6bSBaptiste Daroussin {
3561d06d6bSBaptiste Daroussin 	const unsigned char	*cu;
3661d06d6bSBaptiste Daroussin 	int			 nby;
3761d06d6bSBaptiste Daroussin 	unsigned int		 accum;
3861d06d6bSBaptiste Daroussin 
3961d06d6bSBaptiste Daroussin 	cu = (const unsigned char *)ib->buf + *ii;
4061d06d6bSBaptiste Daroussin 	assert(*cu & 0x80);
4161d06d6bSBaptiste Daroussin 
4261d06d6bSBaptiste Daroussin 	if ( ! (*filenc & MPARSE_UTF8))
4361d06d6bSBaptiste Daroussin 		goto latin;
4461d06d6bSBaptiste Daroussin 
4561d06d6bSBaptiste Daroussin 	nby = 1;
4661d06d6bSBaptiste Daroussin 	while (nby < 5 && *cu & (1 << (7 - nby)))
4761d06d6bSBaptiste Daroussin 		nby++;
4861d06d6bSBaptiste Daroussin 
4961d06d6bSBaptiste Daroussin 	switch (nby) {
5061d06d6bSBaptiste Daroussin 	case 2:
5161d06d6bSBaptiste Daroussin 		accum = *cu & 0x1f;
5261d06d6bSBaptiste Daroussin 		if (accum < 0x02)  /* Obfuscated ASCII. */
5361d06d6bSBaptiste Daroussin 			goto latin;
5461d06d6bSBaptiste Daroussin 		break;
5561d06d6bSBaptiste Daroussin 	case 3:
5661d06d6bSBaptiste Daroussin 		accum = *cu & 0x0f;
5761d06d6bSBaptiste Daroussin 		break;
5861d06d6bSBaptiste Daroussin 	case 4:
5961d06d6bSBaptiste Daroussin 		accum = *cu & 0x07;
6061d06d6bSBaptiste Daroussin 		if (accum > 0x04) /* Beyond Unicode. */
6161d06d6bSBaptiste Daroussin 			goto latin;
6261d06d6bSBaptiste Daroussin 		break;
6361d06d6bSBaptiste Daroussin 	default:  /* Bad sequence header. */
6461d06d6bSBaptiste Daroussin 		goto latin;
6561d06d6bSBaptiste Daroussin 	}
6661d06d6bSBaptiste Daroussin 
6761d06d6bSBaptiste Daroussin 	cu++;
6861d06d6bSBaptiste Daroussin 	switch (nby) {
6961d06d6bSBaptiste Daroussin 	case 3:
7061d06d6bSBaptiste Daroussin 		if ((accum == 0x00 && ! (*cu & 0x20)) ||  /* Use 2-byte. */
7161d06d6bSBaptiste Daroussin 		    (accum == 0x0d && *cu & 0x20))  /* Surrogates. */
7261d06d6bSBaptiste Daroussin 			goto latin;
7361d06d6bSBaptiste Daroussin 		break;
7461d06d6bSBaptiste Daroussin 	case 4:
7561d06d6bSBaptiste Daroussin 		if ((accum == 0x00 && ! (*cu & 0x30)) ||  /* Use 3-byte. */
7661d06d6bSBaptiste Daroussin 		    (accum == 0x04 && *cu & 0x30))  /* Beyond Unicode. */
7761d06d6bSBaptiste Daroussin 			goto latin;
7861d06d6bSBaptiste Daroussin 		break;
7961d06d6bSBaptiste Daroussin 	default:
8061d06d6bSBaptiste Daroussin 		break;
8161d06d6bSBaptiste Daroussin 	}
8261d06d6bSBaptiste Daroussin 
8361d06d6bSBaptiste Daroussin 	while (--nby) {
8461d06d6bSBaptiste Daroussin 		if ((*cu & 0xc0) != 0x80)  /* Invalid continuation. */
8561d06d6bSBaptiste Daroussin 			goto latin;
8661d06d6bSBaptiste Daroussin 		accum <<= 6;
8761d06d6bSBaptiste Daroussin 		accum += *cu & 0x3f;
8861d06d6bSBaptiste Daroussin 		cu++;
8961d06d6bSBaptiste Daroussin 	}
9061d06d6bSBaptiste Daroussin 
9161d06d6bSBaptiste Daroussin 	assert(accum > 0x7f);
9261d06d6bSBaptiste Daroussin 	assert(accum < 0x110000);
9361d06d6bSBaptiste Daroussin 	assert(accum < 0xd800 || accum > 0xdfff);
9461d06d6bSBaptiste Daroussin 
9561d06d6bSBaptiste Daroussin 	*oi += snprintf(ob->buf + *oi, 11, "\\[u%.4X]", accum);
9661d06d6bSBaptiste Daroussin 	*ii = (const char *)cu - ib->buf;
9761d06d6bSBaptiste Daroussin 	*filenc &= ~MPARSE_LATIN1;
9861d06d6bSBaptiste Daroussin 	return 1;
9961d06d6bSBaptiste Daroussin 
10061d06d6bSBaptiste Daroussin latin:
10161d06d6bSBaptiste Daroussin 	if ( ! (*filenc & MPARSE_LATIN1))
10261d06d6bSBaptiste Daroussin 		return 0;
10361d06d6bSBaptiste Daroussin 
10461d06d6bSBaptiste Daroussin 	*oi += snprintf(ob->buf + *oi, 11,
10561d06d6bSBaptiste Daroussin 	    "\\[u%.4X]", (unsigned char)ib->buf[(*ii)++]);
10661d06d6bSBaptiste Daroussin 
10761d06d6bSBaptiste Daroussin 	*filenc &= ~MPARSE_UTF8;
10861d06d6bSBaptiste Daroussin 	return 1;
10961d06d6bSBaptiste Daroussin }
11061d06d6bSBaptiste Daroussin 
11161d06d6bSBaptiste Daroussin int
preconv_cue(const struct buf * b,size_t offset)11261d06d6bSBaptiste Daroussin preconv_cue(const struct buf *b, size_t offset)
11361d06d6bSBaptiste Daroussin {
11461d06d6bSBaptiste Daroussin 	const char	*ln, *eoln, *eoph;
11561d06d6bSBaptiste Daroussin 	size_t		 sz, phsz;
11661d06d6bSBaptiste Daroussin 
11761d06d6bSBaptiste Daroussin 	ln = b->buf + offset;
11861d06d6bSBaptiste Daroussin 	sz = b->sz - offset;
11961d06d6bSBaptiste Daroussin 
12061d06d6bSBaptiste Daroussin 	/* Look for the end-of-line. */
12161d06d6bSBaptiste Daroussin 
12261d06d6bSBaptiste Daroussin 	if (NULL == (eoln = memchr(ln, '\n', sz)))
12361d06d6bSBaptiste Daroussin 		eoln = ln + sz;
12461d06d6bSBaptiste Daroussin 
12561d06d6bSBaptiste Daroussin 	/* Check if we have the correct header/trailer. */
12661d06d6bSBaptiste Daroussin 
12761d06d6bSBaptiste Daroussin 	if ((sz = (size_t)(eoln - ln)) < 10 ||
12861d06d6bSBaptiste Daroussin 	    memcmp(ln, ".\\\" -*-", 7) || memcmp(eoln - 3, "-*-", 3))
12961d06d6bSBaptiste Daroussin 		return MPARSE_UTF8 | MPARSE_LATIN1;
13061d06d6bSBaptiste Daroussin 
13161d06d6bSBaptiste Daroussin 	/* Move after the header and adjust for the trailer. */
13261d06d6bSBaptiste Daroussin 
13361d06d6bSBaptiste Daroussin 	ln += 7;
13461d06d6bSBaptiste Daroussin 	sz -= 10;
13561d06d6bSBaptiste Daroussin 
13661d06d6bSBaptiste Daroussin 	while (sz > 0) {
13761d06d6bSBaptiste Daroussin 		while (sz > 0 && ' ' == *ln) {
13861d06d6bSBaptiste Daroussin 			ln++;
13961d06d6bSBaptiste Daroussin 			sz--;
14061d06d6bSBaptiste Daroussin 		}
14161d06d6bSBaptiste Daroussin 		if (0 == sz)
14261d06d6bSBaptiste Daroussin 			break;
14361d06d6bSBaptiste Daroussin 
14461d06d6bSBaptiste Daroussin 		/* Find the end-of-phrase marker (or eoln). */
14561d06d6bSBaptiste Daroussin 
14661d06d6bSBaptiste Daroussin 		if (NULL == (eoph = memchr(ln, ';', sz)))
14761d06d6bSBaptiste Daroussin 			eoph = eoln - 3;
14861d06d6bSBaptiste Daroussin 		else
14961d06d6bSBaptiste Daroussin 			eoph++;
15061d06d6bSBaptiste Daroussin 
15161d06d6bSBaptiste Daroussin 		/* Only account for the "coding" phrase. */
15261d06d6bSBaptiste Daroussin 
15361d06d6bSBaptiste Daroussin 		if ((phsz = eoph - ln) < 7 ||
15461d06d6bSBaptiste Daroussin 		    strncasecmp(ln, "coding:", 7)) {
15561d06d6bSBaptiste Daroussin 			sz -= phsz;
15661d06d6bSBaptiste Daroussin 			ln += phsz;
15761d06d6bSBaptiste Daroussin 			continue;
15861d06d6bSBaptiste Daroussin 		}
15961d06d6bSBaptiste Daroussin 
16061d06d6bSBaptiste Daroussin 		sz -= 7;
16161d06d6bSBaptiste Daroussin 		ln += 7;
16261d06d6bSBaptiste Daroussin 
16361d06d6bSBaptiste Daroussin 		while (sz > 0 && ' ' == *ln) {
16461d06d6bSBaptiste Daroussin 			ln++;
16561d06d6bSBaptiste Daroussin 			sz--;
16661d06d6bSBaptiste Daroussin 		}
16761d06d6bSBaptiste Daroussin 		if (0 == sz)
16861d06d6bSBaptiste Daroussin 			return 0;
16961d06d6bSBaptiste Daroussin 
17061d06d6bSBaptiste Daroussin 		/* Check us against known encodings. */
17161d06d6bSBaptiste Daroussin 
17261d06d6bSBaptiste Daroussin 		if (phsz > 4 && !strncasecmp(ln, "utf-8", 5))
17361d06d6bSBaptiste Daroussin 			return MPARSE_UTF8;
17461d06d6bSBaptiste Daroussin 		if (phsz > 10 && !strncasecmp(ln, "iso-latin-1", 11))
17561d06d6bSBaptiste Daroussin 			return MPARSE_LATIN1;
17661d06d6bSBaptiste Daroussin 		return 0;
17761d06d6bSBaptiste Daroussin 	}
17861d06d6bSBaptiste Daroussin 	return MPARSE_UTF8 | MPARSE_LATIN1;
17961d06d6bSBaptiste Daroussin }
180