source: libyaml/trunk/src/reader.c @ 182

Revision 182, 14.9 KB checked in by xi, 9 years ago (diff)

Complete buffering and encoding code.

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