xref: /freebsd/contrib/mandoc/preconv.c (revision 61d06d6bd19dafe8ea971dd43e8328fa1b473456)
1*61d06d6bSBaptiste Daroussin /*	$Id: preconv.c,v 1.16 2017/02/18 13:43:52 schwarze Exp $ */
2*61d06d6bSBaptiste Daroussin /*
3*61d06d6bSBaptiste Daroussin  * Copyright (c) 2011 Kristaps Dzonsons <kristaps@bsd.lv>
4*61d06d6bSBaptiste Daroussin  * Copyright (c) 2014 Ingo Schwarze <schwarze@openbsd.org>
5*61d06d6bSBaptiste Daroussin  *
6*61d06d6bSBaptiste Daroussin  * Permission to use, copy, modify, and distribute this software for any
7*61d06d6bSBaptiste Daroussin  * purpose with or without fee is hereby granted, provided that the above
8*61d06d6bSBaptiste Daroussin  * copyright notice and this permission notice appear in all copies.
9*61d06d6bSBaptiste Daroussin  *
10*61d06d6bSBaptiste Daroussin  * THE SOFTWARE IS PROVIDED "AS IS" AND THE AUTHOR DISCLAIMS ALL WARRANTIES
11*61d06d6bSBaptiste Daroussin  * WITH REGARD TO THIS SOFTWARE INCLUDING ALL IMPLIED WARRANTIES OF
12*61d06d6bSBaptiste Daroussin  * MERCHANTABILITY AND FITNESS. IN NO EVENT SHALL THE AUTHOR BE LIABLE FOR
13*61d06d6bSBaptiste Daroussin  * ANY SPECIAL, DIRECT, INDIRECT, OR CONSEQUENTIAL DAMAGES OR ANY DAMAGES
14*61d06d6bSBaptiste Daroussin  * WHATSOEVER RESULTING FROM LOSS OF USE, DATA OR PROFITS, WHETHER IN AN
15*61d06d6bSBaptiste Daroussin  * ACTION OF CONTRACT, NEGLIGENCE OR OTHER TORTIOUS ACTION, ARISING OUT OF
16*61d06d6bSBaptiste Daroussin  * OR IN CONNECTION WITH THE USE OR PERFORMANCE OF THIS SOFTWARE.
17*61d06d6bSBaptiste Daroussin  */
18*61d06d6bSBaptiste Daroussin #include "config.h"
19*61d06d6bSBaptiste Daroussin 
20*61d06d6bSBaptiste Daroussin #include <sys/types.h>
21*61d06d6bSBaptiste Daroussin 
22*61d06d6bSBaptiste Daroussin #include <assert.h>
23*61d06d6bSBaptiste Daroussin #include <stdio.h>
24*61d06d6bSBaptiste Daroussin #include <string.h>
25*61d06d6bSBaptiste Daroussin #include "mandoc.h"
26*61d06d6bSBaptiste Daroussin #include "libmandoc.h"
27*61d06d6bSBaptiste Daroussin 
28*61d06d6bSBaptiste Daroussin int
29*61d06d6bSBaptiste Daroussin preconv_encode(const struct buf *ib, size_t *ii, struct buf *ob, size_t *oi,
30*61d06d6bSBaptiste Daroussin     int *filenc)
31*61d06d6bSBaptiste Daroussin {
32*61d06d6bSBaptiste Daroussin 	const unsigned char	*cu;
33*61d06d6bSBaptiste Daroussin 	int			 nby;
34*61d06d6bSBaptiste Daroussin 	unsigned int		 accum;
35*61d06d6bSBaptiste Daroussin 
36*61d06d6bSBaptiste Daroussin 	cu = (const unsigned char *)ib->buf + *ii;
37*61d06d6bSBaptiste Daroussin 	assert(*cu & 0x80);
38*61d06d6bSBaptiste Daroussin 
39*61d06d6bSBaptiste Daroussin 	if ( ! (*filenc & MPARSE_UTF8))
40*61d06d6bSBaptiste Daroussin 		goto latin;
41*61d06d6bSBaptiste Daroussin 
42*61d06d6bSBaptiste Daroussin 	nby = 1;
43*61d06d6bSBaptiste Daroussin 	while (nby < 5 && *cu & (1 << (7 - nby)))
44*61d06d6bSBaptiste Daroussin 		nby++;
45*61d06d6bSBaptiste Daroussin 
46*61d06d6bSBaptiste Daroussin 	switch (nby) {
47*61d06d6bSBaptiste Daroussin 	case 2:
48*61d06d6bSBaptiste Daroussin 		accum = *cu & 0x1f;
49*61d06d6bSBaptiste Daroussin 		if (accum < 0x02)  /* Obfuscated ASCII. */
50*61d06d6bSBaptiste Daroussin 			goto latin;
51*61d06d6bSBaptiste Daroussin 		break;
52*61d06d6bSBaptiste Daroussin 	case 3:
53*61d06d6bSBaptiste Daroussin 		accum = *cu & 0x0f;
54*61d06d6bSBaptiste Daroussin 		break;
55*61d06d6bSBaptiste Daroussin 	case 4:
56*61d06d6bSBaptiste Daroussin 		accum = *cu & 0x07;
57*61d06d6bSBaptiste Daroussin 		if (accum > 0x04) /* Beyond Unicode. */
58*61d06d6bSBaptiste Daroussin 			goto latin;
59*61d06d6bSBaptiste Daroussin 		break;
60*61d06d6bSBaptiste Daroussin 	default:  /* Bad sequence header. */
61*61d06d6bSBaptiste Daroussin 		goto latin;
62*61d06d6bSBaptiste Daroussin 	}
63*61d06d6bSBaptiste Daroussin 
64*61d06d6bSBaptiste Daroussin 	cu++;
65*61d06d6bSBaptiste Daroussin 	switch (nby) {
66*61d06d6bSBaptiste Daroussin 	case 3:
67*61d06d6bSBaptiste Daroussin 		if ((accum == 0x00 && ! (*cu & 0x20)) ||  /* Use 2-byte. */
68*61d06d6bSBaptiste Daroussin 		    (accum == 0x0d && *cu & 0x20))  /* Surrogates. */
69*61d06d6bSBaptiste Daroussin 			goto latin;
70*61d06d6bSBaptiste Daroussin 		break;
71*61d06d6bSBaptiste Daroussin 	case 4:
72*61d06d6bSBaptiste Daroussin 		if ((accum == 0x00 && ! (*cu & 0x30)) ||  /* Use 3-byte. */
73*61d06d6bSBaptiste Daroussin 		    (accum == 0x04 && *cu & 0x30))  /* Beyond Unicode. */
74*61d06d6bSBaptiste Daroussin 			goto latin;
75*61d06d6bSBaptiste Daroussin 		break;
76*61d06d6bSBaptiste Daroussin 	default:
77*61d06d6bSBaptiste Daroussin 		break;
78*61d06d6bSBaptiste Daroussin 	}
79*61d06d6bSBaptiste Daroussin 
80*61d06d6bSBaptiste Daroussin 	while (--nby) {
81*61d06d6bSBaptiste Daroussin 		if ((*cu & 0xc0) != 0x80)  /* Invalid continuation. */
82*61d06d6bSBaptiste Daroussin 			goto latin;
83*61d06d6bSBaptiste Daroussin 		accum <<= 6;
84*61d06d6bSBaptiste Daroussin 		accum += *cu & 0x3f;
85*61d06d6bSBaptiste Daroussin 		cu++;
86*61d06d6bSBaptiste Daroussin 	}
87*61d06d6bSBaptiste Daroussin 
88*61d06d6bSBaptiste Daroussin 	assert(accum > 0x7f);
89*61d06d6bSBaptiste Daroussin 	assert(accum < 0x110000);
90*61d06d6bSBaptiste Daroussin 	assert(accum < 0xd800 || accum > 0xdfff);
91*61d06d6bSBaptiste Daroussin 
92*61d06d6bSBaptiste Daroussin 	*oi += snprintf(ob->buf + *oi, 11, "\\[u%.4X]", accum);
93*61d06d6bSBaptiste Daroussin 	*ii = (const char *)cu - ib->buf;
94*61d06d6bSBaptiste Daroussin 	*filenc &= ~MPARSE_LATIN1;
95*61d06d6bSBaptiste Daroussin 	return 1;
96*61d06d6bSBaptiste Daroussin 
97*61d06d6bSBaptiste Daroussin latin:
98*61d06d6bSBaptiste Daroussin 	if ( ! (*filenc & MPARSE_LATIN1))
99*61d06d6bSBaptiste Daroussin 		return 0;
100*61d06d6bSBaptiste Daroussin 
101*61d06d6bSBaptiste Daroussin 	*oi += snprintf(ob->buf + *oi, 11,
102*61d06d6bSBaptiste Daroussin 	    "\\[u%.4X]", (unsigned char)ib->buf[(*ii)++]);
103*61d06d6bSBaptiste Daroussin 
104*61d06d6bSBaptiste Daroussin 	*filenc &= ~MPARSE_UTF8;
105*61d06d6bSBaptiste Daroussin 	return 1;
106*61d06d6bSBaptiste Daroussin }
107*61d06d6bSBaptiste Daroussin 
108*61d06d6bSBaptiste Daroussin int
109*61d06d6bSBaptiste Daroussin preconv_cue(const struct buf *b, size_t offset)
110*61d06d6bSBaptiste Daroussin {
111*61d06d6bSBaptiste Daroussin 	const char	*ln, *eoln, *eoph;
112*61d06d6bSBaptiste Daroussin 	size_t		 sz, phsz;
113*61d06d6bSBaptiste Daroussin 
114*61d06d6bSBaptiste Daroussin 	ln = b->buf + offset;
115*61d06d6bSBaptiste Daroussin 	sz = b->sz - offset;
116*61d06d6bSBaptiste Daroussin 
117*61d06d6bSBaptiste Daroussin 	/* Look for the end-of-line. */
118*61d06d6bSBaptiste Daroussin 
119*61d06d6bSBaptiste Daroussin 	if (NULL == (eoln = memchr(ln, '\n', sz)))
120*61d06d6bSBaptiste Daroussin 		eoln = ln + sz;
121*61d06d6bSBaptiste Daroussin 
122*61d06d6bSBaptiste Daroussin 	/* Check if we have the correct header/trailer. */
123*61d06d6bSBaptiste Daroussin 
124*61d06d6bSBaptiste Daroussin 	if ((sz = (size_t)(eoln - ln)) < 10 ||
125*61d06d6bSBaptiste Daroussin 	    memcmp(ln, ".\\\" -*-", 7) || memcmp(eoln - 3, "-*-", 3))
126*61d06d6bSBaptiste Daroussin 		return MPARSE_UTF8 | MPARSE_LATIN1;
127*61d06d6bSBaptiste Daroussin 
128*61d06d6bSBaptiste Daroussin 	/* Move after the header and adjust for the trailer. */
129*61d06d6bSBaptiste Daroussin 
130*61d06d6bSBaptiste Daroussin 	ln += 7;
131*61d06d6bSBaptiste Daroussin 	sz -= 10;
132*61d06d6bSBaptiste Daroussin 
133*61d06d6bSBaptiste Daroussin 	while (sz > 0) {
134*61d06d6bSBaptiste Daroussin 		while (sz > 0 && ' ' == *ln) {
135*61d06d6bSBaptiste Daroussin 			ln++;
136*61d06d6bSBaptiste Daroussin 			sz--;
137*61d06d6bSBaptiste Daroussin 		}
138*61d06d6bSBaptiste Daroussin 		if (0 == sz)
139*61d06d6bSBaptiste Daroussin 			break;
140*61d06d6bSBaptiste Daroussin 
141*61d06d6bSBaptiste Daroussin 		/* Find the end-of-phrase marker (or eoln). */
142*61d06d6bSBaptiste Daroussin 
143*61d06d6bSBaptiste Daroussin 		if (NULL == (eoph = memchr(ln, ';', sz)))
144*61d06d6bSBaptiste Daroussin 			eoph = eoln - 3;
145*61d06d6bSBaptiste Daroussin 		else
146*61d06d6bSBaptiste Daroussin 			eoph++;
147*61d06d6bSBaptiste Daroussin 
148*61d06d6bSBaptiste Daroussin 		/* Only account for the "coding" phrase. */
149*61d06d6bSBaptiste Daroussin 
150*61d06d6bSBaptiste Daroussin 		if ((phsz = eoph - ln) < 7 ||
151*61d06d6bSBaptiste Daroussin 		    strncasecmp(ln, "coding:", 7)) {
152*61d06d6bSBaptiste Daroussin 			sz -= phsz;
153*61d06d6bSBaptiste Daroussin 			ln += phsz;
154*61d06d6bSBaptiste Daroussin 			continue;
155*61d06d6bSBaptiste Daroussin 		}
156*61d06d6bSBaptiste Daroussin 
157*61d06d6bSBaptiste Daroussin 		sz -= 7;
158*61d06d6bSBaptiste Daroussin 		ln += 7;
159*61d06d6bSBaptiste Daroussin 
160*61d06d6bSBaptiste Daroussin 		while (sz > 0 && ' ' == *ln) {
161*61d06d6bSBaptiste Daroussin 			ln++;
162*61d06d6bSBaptiste Daroussin 			sz--;
163*61d06d6bSBaptiste Daroussin 		}
164*61d06d6bSBaptiste Daroussin 		if (0 == sz)
165*61d06d6bSBaptiste Daroussin 			return 0;
166*61d06d6bSBaptiste Daroussin 
167*61d06d6bSBaptiste Daroussin 		/* Check us against known encodings. */
168*61d06d6bSBaptiste Daroussin 
169*61d06d6bSBaptiste Daroussin 		if (phsz > 4 && !strncasecmp(ln, "utf-8", 5))
170*61d06d6bSBaptiste Daroussin 			return MPARSE_UTF8;
171*61d06d6bSBaptiste Daroussin 		if (phsz > 10 && !strncasecmp(ln, "iso-latin-1", 11))
172*61d06d6bSBaptiste Daroussin 			return MPARSE_LATIN1;
173*61d06d6bSBaptiste Daroussin 		return 0;
174*61d06d6bSBaptiste Daroussin 	}
175*61d06d6bSBaptiste Daroussin 	return MPARSE_UTF8 | MPARSE_LATIN1;
176*61d06d6bSBaptiste Daroussin }
177