source: libyaml/branches/stable/src/reader.c @ 352

Revision 352, 16.2 KB checked in by xi, 5 years ago (diff)

Do not update the raw buffer when not necessary (fixes #123).

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