[BACK]Return to preconv.c CVS log [TXT][DIR] Up to [cvsweb.bsd.lv] / mandoc

Diff for /mandoc/preconv.c between version 1.2 and 1.13

version 1.2, 2011/05/26 12:01:14 version 1.13, 2014/12/19 04:58:35
Line 1 
Line 1 
 /*      $Id$ */  /*      $Id$ */
 /*  /*
  * Copyright (c) 2011 Kristaps Dzonsons <kristaps@bsd.lv>   * Copyright (c) 2011 Kristaps Dzonsons <kristaps@bsd.lv>
    * Copyright (c) 2014 Ingo Schwarze <schwarze@openbsd.org>
  *   *
  * Permission to use, copy, modify, and distribute this software for any   * Permission to use, copy, modify, and distribute this software for any
  * purpose with or without fee is hereby granted, provided that the above   * purpose with or without fee is hereby granted, provided that the above
Line 14 
Line 15 
  * ACTION OF CONTRACT, NEGLIGENCE OR OTHER TORTIOUS ACTION, ARISING OUT OF   * ACTION OF CONTRACT, NEGLIGENCE OR OTHER TORTIOUS ACTION, ARISING OUT OF
  * OR IN CONNECTION WITH THE USE OR PERFORMANCE OF THIS SOFTWARE.   * OR IN CONNECTION WITH THE USE OR PERFORMANCE OF THIS SOFTWARE.
  */   */
 #ifdef HAVE_CONFIG_H  
 #include "config.h"  #include "config.h"
 #endif  
   
 #include <sys/stat.h>  #include <sys/types.h>
 #include <sys/mman.h>  
   
 #include <assert.h>  #include <assert.h>
 #include <fcntl.h>  
 #include <stdio.h>  #include <stdio.h>
 #include <stdlib.h>  
 #include <string.h>  #include <string.h>
 #include <unistd.h>  #include "mandoc.h"
   #include "libmandoc.h"
   
 /*  int
  * The read_whole_file() and resize_buf() functions are copied from  preconv_encode(struct buf *ib, size_t *ii, struct buf *ob, size_t *oi,
  * read.c, including all dependency code (MAP_FILE, etc.).      int *filenc)
  */  
   
 #ifndef MAP_FILE  
 #define MAP_FILE        0  
 #endif  
   
 enum    enc {  
         ENC_UTF_8, /* UTF-8 */  
         ENC_US_ASCII, /* US-ASCII */  
         ENC_LATIN_1, /* Latin-1 */  
         ENC__MAX  
 };  
   
 struct  buf {  
         char             *buf; /* binary input buffer */  
         size_t            sz; /* size of binary buffer */  
         size_t            offs; /* starting buffer offset */  
 };  
   
 struct  encode {  
         const char       *name;  
         int             (*conv)(const struct buf *);  
 };  
   
 static  int      conv_latin_1(const struct buf *);  
 static  int      conv_us_ascii(const struct buf *);  
 static  int      conv_utf_8(const struct buf *);  
 static  int      read_whole_file(const char *, int,  
                         struct buf *, int *);  
 static  void     resize_buf(struct buf *, size_t);  
 static  void     usage(void);  
   
 static  const struct encode encs[ENC__MAX] = {  
         { "utf-8", conv_utf_8 }, /* ENC_UTF_8 */  
         { "us-ascii", conv_us_ascii }, /* ENC_US_ASCII */  
         { "latin-1", conv_latin_1 }, /* ENC_LATIN_1 */  
 };  
   
 static  const char       *progname;  
   
 static void  
 usage(void)  
 {  {
           unsigned char   *cu;
           int              nby;
           unsigned int     accum;
   
         fprintf(stderr, "usage: %s "          cu = ib->buf + *ii;
                         "[-D enc] "          assert(*cu & 0x80);
                         "[-e ENC] "  
                         "[file]\n", progname);  
 }  
   
 static int          if ( ! (*filenc & MPARSE_UTF8))
 conv_latin_1(const struct buf *b)                  goto latin;
 {  
         size_t           i;  
         unsigned char    cu;  
         const char      *cp;  
   
         cp = b->buf + (int)b->offs;          nby = 1;
           while (nby < 5 && *cu & (1 << (7 - nby)))
                   nby++;
   
         /*          switch (nby) {
          * Latin-1 falls into the first 256 code-points of Unicode, so          case 2:
          * there's no need for any sort of translation.  Just make the                  accum = *cu & 0x1f;
          * 8-bit characters use the Unicode escape.                  if (accum < 0x02)  /* Obfuscated ASCII. */
          */                          goto latin;
                   break;
           case 3:
                   accum = *cu & 0x0f;
                   break;
           case 4:
                   accum = *cu & 0x07;
                   if (accum > 0x04) /* Beyond Unicode. */
                           goto latin;
                   break;
           default:  /* Bad sequence header. */
                   goto latin;
           }
   
         for (i = b->offs; i < b->sz; i++) {          cu++;
                 cu = (unsigned char)*cp++;          switch (nby) {
                 cu < 128U ? putchar(cu) : printf("\\[u%.4X]", cu);          case 3:
                   if ((accum == 0x00 && ! (*cu & 0x20)) ||  /* Use 2-byte. */
                       (accum == 0x0d && *cu & 0x20))  /* Surrogates. */
                           goto latin;
                   break;
           case 4:
                   if ((accum == 0x00 && ! (*cu & 0x30)) ||  /* Use 3-byte. */
                       (accum == 0x04 && *cu & 0x30))  /* Beyond Unicode. */
                           goto latin;
                   break;
           default:
                   break;
         }          }
   
         return(1);          while (--nby) {
 }                  if ((*cu & 0xc0) != 0x80)  /* Invalid continuation. */
                           goto latin;
                   accum <<= 6;
                   accum += *cu & 0x3f;
                   cu++;
           }
   
 static int          assert(accum > 0x7f);
 conv_us_ascii(const struct buf *b)          assert(accum < 0x110000);
 {          assert(accum < 0xd800 || accum > 0xdfff);
   
         /*          *oi += snprintf(ob->buf + *oi, 11, "\\[u%.4X]", accum);
          * US-ASCII has no conversion since it falls into the first 128          *ii = (char *)cu - ib->buf;
          * bytes of Unicode.          *filenc &= ~MPARSE_LATIN1;
          */  
   
         fwrite(b->buf, 1, b->sz, stdout);  
         return(1);          return(1);
 }  
   
 static int  latin:
 conv_utf_8(const struct buf *b)          if ( ! (*filenc & MPARSE_LATIN1))
 {  
         int              state, be;  
         unsigned int     accum;  
         size_t           i;  
         unsigned char    cu;  
         const char      *cp;  
         const long       one = 1L;  
   
         cp = b->buf + (int)b->offs;  
         state = 0;  
         accum = 0U;  
         be = 0;  
   
         /* Quick test for big-endian value. */  
   
         if ( ! (*((char *)(&one))))  
                 be = 1;  
   
         for (i = b->offs; i < b->sz; i++) {  
                 cu = (unsigned char)*cp++;  
                 if (state) {  
                         if ( ! (cu & 128) || (cu & 64)) {  
                                 /* Bad sequence header. */  
                                 return(0);  
                         }  
   
                         /* Accept only legitimate bit patterns. */  
   
                         if (cu > 191 || cu < 128) {  
                                 /* Bad in-sequence bits. */  
                                 return(0);  
                         }  
   
                         accum |= (cu & 63) << --state * 6;  
   
                         /*  
                          * Accum is held in little-endian order as  
                          * stipulated by the UTF-8 sequence coding.  We  
                          * need to convert to a native big-endian if our  
                          * architecture requires it.  
                          */  
   
                         if (0 == state && be)  
                                 accum = (accum >> 24) |  
                                         ((accum << 8) & 0x00FF0000) |  
                                         ((accum >> 8) & 0x0000FF00) |  
                                         (accum << 24);  
   
                         if (0 == state) {  
                                 accum < 128U ? putchar(accum) :  
                                         printf("\\[u%.4X]", accum);  
                                 accum = 0U;  
                         }  
                 } else if (cu & (1 << 7)) {  
                         /*  
                          * Entering a UTF-8 state:  if we encounter a  
                          * UTF-8 bitmask, calculate the expected UTF-8  
                          * state from it.  
                          */  
                         for (state = 0; state < 7; state++)  
                                 if ( ! (cu & (1 << (7 - state))))  
                                         break;  
   
                         /* Accept only legitimate bit patterns. */  
   
                         switch (state) {  
                         case (4):  
                                 if (cu <= 244 && cu >= 240) {  
                                         accum = (cu & 7) << 18;  
                                         break;  
                                 }  
                                 /* Bad 4-sequence start bits. */  
                                 return(0);  
                         case (3):  
                                 if (cu <= 239 && cu >= 224) {  
                                         accum = (cu & 15) << 12;  
                                         break;  
                                 }  
                                 /* Bad 3-sequence start bits. */  
                                 return(0);  
                         case (2):  
                                 if (cu <= 223 && cu >= 194) {  
                                         accum = (cu & 31) << 6;  
                                         break;  
                                 }  
                                 /* Bad 2-sequence start bits. */  
                                 return(0);  
                         default:  
                                 /* Bad sequence bit mask. */  
                                 return(0);  
                         }  
                         state--;  
                 } else  
                         putchar(cu);  
         }  
   
         if (0 != state) {  
                 /* Bad trailing bits. */  
                 return(0);                  return(0);
         }  
   
           *oi += snprintf(ob->buf + *oi, 11,
               "\\[u%.4X]", (unsigned char)ib->buf[(*ii)++]);
   
           *filenc &= ~MPARSE_UTF8;
         return(1);          return(1);
 }  }
   
 static void  int
 resize_buf(struct buf *buf, size_t initial)  preconv_cue(const struct buf *b, size_t offset)
 {  {
           const char      *ln, *eoln, *eoph;
           size_t           sz, phsz;
   
         buf->sz = buf->sz > initial / 2 ?          ln = b->buf + offset;
                 2 * buf->sz : initial;          sz = b->sz - offset;
   
         buf->buf = realloc(buf->buf, buf->sz);          /* Look for the end-of-line. */
         if (NULL == buf->buf) {  
                 perror(NULL);  
                 exit(EXIT_FAILURE);  
         }  
 }  
   
 static int          if (NULL == (eoln = memchr(ln, '\n', sz)))
 read_whole_file(const char *f, int fd,                  eoln = ln + sz;
                 struct buf *fb, int *with_mmap)  
 {  
         struct stat      st;  
         size_t           off;  
         ssize_t          ssz;  
   
         if (-1 == fstat(fd, &st)) {          /* Check if we have the correct header/trailer. */
                 perror(f);  
                 return(0);  
         }  
   
         /*          if ((sz = (size_t)(eoln - ln)) < 10 ||
          * If we're a regular file, try just reading in the whole entry              memcmp(ln, ".\\\" -*-", 7) || memcmp(eoln - 3, "-*-", 3))
          * via mmap().  This is faster than reading it into blocks, and                  return(MPARSE_UTF8 | MPARSE_LATIN1);
          * since each file is only a few bytes to begin with, I'm not  
          * concerned that this is going to tank any machines.  
          */  
   
         if (S_ISREG(st.st_mode) && st.st_size >= (1U << 31)) {          /* Move after the header and adjust for the trailer. */
                 fprintf(stderr, "%s: input too large\n", f);  
                 return(0);  
         }  
   
         if (S_ISREG(st.st_mode)) {  
                 *with_mmap = 1;  
                 fb->sz = (size_t)st.st_size;  
                 fb->buf = mmap(NULL, fb->sz, PROT_READ,  
                                 MAP_FILE|MAP_SHARED, fd, 0);  
                 if (fb->buf != MAP_FAILED)  
                         return(1);  
         }  
   
         /*          ln += 7;
          * If this isn't a regular file (like, say, stdin), then we must          sz -= 10;
          * go the old way and just read things in bit by bit.  
          */  
   
         *with_mmap = 0;          while (sz > 0) {
         off = 0;                  while (sz > 0 && ' ' == *ln) {
         fb->sz = 0;                          ln++;
         fb->buf = NULL;                          sz--;
         for (;;) {  
                 if (off == fb->sz && fb->sz == (1U << 31)) {  
                         fprintf(stderr, "%s: input too large\n", f);  
                         break;  
                 }  
   
                 if (off == fb->sz)  
                         resize_buf(fb, 65536);  
   
                 ssz = read(fd, fb->buf + (int)off, fb->sz - off);  
                 if (ssz == 0) {  
                         fb->sz = off;  
                         return(1);  
                 }                  }
                 if (ssz == -1) {                  if (0 == sz)
                         perror(f);  
                         break;                          break;
                 }  
                 off += (size_t)ssz;  
         }  
   
         free(fb->buf);                  /* Find the end-of-phrase marker (or eoln). */
         fb->buf = NULL;  
         return(0);  
 }  
   
 int                  if (NULL == (eoph = memchr(ln, ';', sz)))
 main(int argc, char *argv[])                          eoph = eoln - 3;
 {                  else
         int              i, ch, map, fd, rc;                          eoph++;
         struct buf       b;  
         const char      *fn;  
         enum enc         enc, def;  
         const char       bom[3] = { 0xEF, 0xBB, 0xBF };  
         extern int       optind;  
         extern char     *optarg;  
   
         progname = strrchr(argv[0], '/');                  /* Only account for the "coding" phrase. */
         if (progname == NULL)  
                 progname = argv[0];  
         else  
                 ++progname;  
   
         fn = "<stdin>";                  if ((phsz = eoph - ln) < 7 ||
         fd = STDIN_FILENO;                      strncasecmp(ln, "coding:", 7)) {
         rc = EXIT_FAILURE;                          sz -= phsz;
         enc = def = ENC__MAX;                          ln += phsz;
         map = 0;                          continue;
   
         memset(&b, 0, sizeof(struct buf));  
   
         while (-1 != (ch = getopt(argc, argv, "D:e:rdvh")))  
                 switch (ch) {  
                 case ('D'):  
                         /* FALLTHROUGH */  
                 case ('e'):  
                         for (i = 0; i < ENC__MAX; i++) {  
                                 if (strcasecmp(optarg, encs[i].name))  
                                         continue;  
                                 break;  
                         }  
                         if (i < ENC__MAX) {  
                                 if ('D' == ch)  
                                         def = (enum enc)i;  
                                 else  
                                         enc = (enum enc)i;  
                                 break;  
                         }  
   
                         fprintf(stderr, "%s: Bad encoding\n", optarg);  
                         return(EXIT_FAILURE);  
                 case ('r'):  
                         /* FALLTHROUGH */  
                 case ('d'):  
                         /* FALLTHROUGH */  
                 case ('v'):  
                         /* Compatibility with GNU preconv. */  
                         break;  
                 case ('h'):  
                         /* Compatibility with GNU preconv. */  
                         /* FALLTHROUGH */  
                 default:  
                         usage();  
                         return(EXIT_FAILURE);  
                 }                  }
   
         argc -= optind;                  sz -= 7;
         argv += optind;                  ln += 7;
   
         /*  
          * Open and read the first argument on the command-line.  
          * If we don't have one, we default to stdin.  
          */  
   
         if (argc > 0) {                  while (sz > 0 && ' ' == *ln) {
                 fn = *argv;                          ln++;
                 fd = open(fn, O_RDONLY, 0);                          sz--;
                 if (-1 == fd) {  
                         perror(fn);  
                         return(EXIT_FAILURE);  
                 }                  }
         }                  if (0 == sz)
                           return(0);
   
         if ( ! read_whole_file(fn, fd, &b, &map))                  /* Check us against known encodings. */
                 goto out;  
   
         /* Try to read the UTF-8 BOM. */                  if (phsz > 4 && !strncasecmp(ln, "utf-8", 5))
                           return(MPARSE_UTF8);
         if (ENC__MAX == enc)                  if (phsz > 10 && !strncasecmp(ln, "iso-latin-1", 11))
                 if (b.sz > 3 && 0 == memcmp(b.buf, bom, 3)) {                          return(MPARSE_LATIN1);
                         b.offs = 3;                  return(0);
                         enc = ENC_UTF_8;          }
                 }          return(MPARSE_UTF8 | MPARSE_LATIN1);
   
         /*  
          * No encoding has been detected.  
          * Thus, we either fall into our default encoder, if specified,  
          * or use Latin-1 if all else fails.  
          */  
   
         if (ENC__MAX == enc)  
                 enc = ENC__MAX == def ? ENC_LATIN_1 : def;  
   
         if ( ! (*encs[(int)enc].conv)(&b))  
                 goto out;  
   
         rc = EXIT_SUCCESS;  
 out:  
         if (map)  
                 munmap(b.buf, b.sz);  
         else  
                 free(b.buf);  
   
         if (fd > STDIN_FILENO)  
                 close(fd);  
   
         return(rc);  
 }  }
Legend:
Removed from v.1.2  
changed lines
  Added in v.1.13
CVSweb