source: libyaml/trunk/src/reader.c @ 239

Revision 239, 16.0 KB checked in by xi, 8 years ago (diff)

Add win32 fixes and project files for VC6.

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)) {
123        return yaml_parser_set_reader_error(parser, "Input error",
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{
[208]144    assert(parser->read_handler);   /* Read handler must be set. */
145
[182]146    /* If the EOF flag is set and the raw buffer is empty, do nothing. */
[179]147
[208]148    if (parser->eof && parser->raw_buffer.pointer == parser->raw_buffer.last)
[179]149        return 1;
150
[180]151    /* Return if the buffer contains enough characters. */
[179]152
[180]153    if (parser->unread >= length)
154        return 1;
155
156    /* Determine the input encoding if it is not known yet. */
157
158    if (!parser->encoding) {
159        if (!yaml_parser_determine_encoding(parser))
[179]160            return 0;
161    }
162
[180]163    /* Move the unread characters to the beginning of the buffer. */
164
[208]165    if (parser->buffer.start < parser->buffer.pointer
166            && parser->buffer.pointer < parser->buffer.last) {
167        size_t size = parser->buffer.last - parser->buffer.pointer;
168        memmove(parser->buffer.start, parser->buffer.pointer, size);
169        parser->buffer.pointer = parser->buffer.start;
170        parser->buffer.last = parser->buffer.start + size;
[180]171    }
[208]172    else if (parser->buffer.pointer == parser->buffer.last) {
173        parser->buffer.pointer = parser->buffer.start;
174        parser->buffer.last = parser->buffer.start;
[180]175    }
176
177    /* Fill the buffer until it has enough characters. */
178
179    while (parser->unread < length)
180    {
181        /* Fill the raw buffer. */
182
183        if (!yaml_parser_update_raw_buffer(parser)) return 0;
184
185        /* Decode the raw buffer. */
186
[208]187        while (parser->raw_buffer.pointer != parser->raw_buffer.last)
[180]188        {
[210]189            unsigned int value = 0, value2 = 0;
[180]190            int incomplete = 0;
[182]191            unsigned char octet;
[210]192            unsigned int width = 0;
[239]193            int low, high;
194            size_t k;
195            size_t raw_unread = parser->raw_buffer.last - parser->raw_buffer.pointer;
[180]196
197            /* Decode the next character. */
198
199            switch (parser->encoding)
200            {
201                case YAML_UTF8_ENCODING:
202
[181]203                    /*
204                     * Decode a UTF-8 character.  Check RFC 3629
205                     * (http://www.ietf.org/rfc/rfc3629.txt) for more details.
206                     *
207                     * The following table (taken from the RFC) is used for
208                     * decoding.
209                     *
210                     *    Char. number range |        UTF-8 octet sequence
211                     *      (hexadecimal)    |              (binary)
212                     *   --------------------+------------------------------------
213                     *   0000 0000-0000 007F | 0xxxxxxx
214                     *   0000 0080-0000 07FF | 110xxxxx 10xxxxxx
215                     *   0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
216                     *   0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
217                     *
218                     * Additionally, the characters in the range 0xD800-0xDFFF
219                     * are prohibited as they are reserved for use with UTF-16
220                     * surrogate pairs.
221                     */
[180]222
[181]223                    /* Determine the length of the UTF-8 sequence. */
224
[208]225                    octet = parser->raw_buffer.pointer[0];
[182]226                    width = (octet & 0x80) == 0x00 ? 1 :
227                            (octet & 0xE0) == 0xC0 ? 2 :
228                            (octet & 0xF0) == 0xE0 ? 3 :
229                            (octet & 0xF8) == 0xF0 ? 4 : 0;
[181]230
231                    /* Check if the leading octet is valid. */
232
[182]233                    if (!width)
[181]234                        return yaml_parser_set_reader_error(parser,
[182]235                                "Invalid leading UTF-8 octet",
236                                parser->offset, octet);
[181]237
[180]238                    /* Check if the raw buffer contains an incomplete character. */
239
[208]240                    if (width > raw_unread) {
[180]241                        if (parser->eof) {
[181]242                            return yaml_parser_set_reader_error(parser,
[182]243                                    "Incomplete UTF-8 octet sequence",
244                                    parser->offset, -1);
[180]245                        }
246                        incomplete = 1;
[181]247                        break;
[180]248                    }
249
[181]250                    /* Decode the leading octet. */
[180]251
[182]252                    value = (octet & 0x80) == 0x00 ? octet & 0x7F :
253                            (octet & 0xE0) == 0xC0 ? octet & 0x1F :
254                            (octet & 0xF0) == 0xE0 ? octet & 0x0F :
255                            (octet & 0xF8) == 0xF0 ? octet & 0x07 : 0;
[181]256
257                    /* Check and decode the trailing octets. */
258
[182]259                    for (k = 1; k < width; k ++)
[181]260                    {
[208]261                        octet = parser->raw_buffer.pointer[k];
[181]262
263                        /* Check if the octet is valid. */
264
[182]265                        if ((octet & 0xC0) != 0x80)
[181]266                            return yaml_parser_set_reader_error(parser,
[182]267                                    "Invalid trailing UTF-8 octet",
268                                    parser->offset+k, octet);
[181]269
270                        /* Decode the octet. */
271
[182]272                        value = (value << 6) + (octet & 0x3F);
[180]273                    }
274
[181]275                    /* Check the length of the sequence against the value. */
276
[182]277                    if (!((width == 1) ||
278                            (width == 2 && value >= 0x80) ||
279                            (width == 3 && value >= 0x800) ||
280                            (width == 4 && value >= 0x10000)))
[181]281                        return yaml_parser_set_reader_error(parser,
[182]282                                "Invalid length of a UTF-8 sequence",
283                                parser->offset, -1);
[181]284
285                    /* Check the range of the value. */
286
287                    if ((value >= 0xD800 && value <= 0xDFFF) || value > 0x10FFFF)
288                        return yaml_parser_set_reader_error(parser,
[182]289                                "Invalid Unicode character",
290                                parser->offset, value);
[181]291
[180]292                    break;
293               
294                case YAML_UTF16LE_ENCODING:
[181]295                case YAML_UTF16BE_ENCODING:
[180]296
[181]297                    low = (parser->encoding == YAML_UTF16LE_ENCODING ? 0 : 1);
298                    high = (parser->encoding == YAML_UTF16LE_ENCODING ? 1 : 0);
[180]299
[181]300                    /*
301                     * The UTF-16 encoding is not as simple as one might
302                     * naively think.  Check RFC 2781
303                     * (http://www.ietf.org/rfc/rfc2781.txt).
304                     *
305                     * Normally, two subsequent bytes describe a Unicode
306                     * character.  However a special technique (called a
307                     * surrogate pair) is used for specifying character
308                     * values larger than 0xFFFF.
309                     *
310                     * A surrogate pair consists of two pseudo-characters:
311                     *      high surrogate area (0xD800-0xDBFF)
312                     *      low surrogate area (0xDC00-0xDFFF)
313                     *
314                     * The following formulas are used for decoding
315                     * and encoding characters using surrogate pairs:
316                     *
317                     *  U  = U' + 0x10000   (0x01 00 00 <= U <= 0x10 FF FF)
318                     *  U' = yyyyyyyyyyxxxxxxxxxx   (0 <= U' <= 0x0F FF FF)
319                     *  W1 = 110110yyyyyyyyyy
320                     *  W2 = 110111xxxxxxxxxx
321                     *
322                     * where U is the character value, W1 is the high surrogate
323                     * area, W2 is the low surrogate area.
324                     */
325
326                    /* Check for incomplete UTF-16 character. */
327
[208]328                    if (raw_unread < 2) {
[180]329                        if (parser->eof) {
[181]330                            return yaml_parser_set_reader_error(parser,
[182]331                                    "Incomplete UTF-16 character",
332                                    parser->offset, -1);
[180]333                        }
334                        incomplete = 1;
[181]335                        break;
[180]336                    }
337
[181]338                    /* Get the character. */
[180]339
[208]340                    value = parser->raw_buffer.pointer[low]
341                        + (parser->raw_buffer.pointer[high] << 8);
[180]342
[181]343                    /* Check for unexpected low surrogate area. */
[180]344
[181]345                    if ((value & 0xFC00) == 0xDC00)
346                        return yaml_parser_set_reader_error(parser,
[182]347                                "Unexpected low surrogate area",
348                                parser->offset, value);
[180]349
[181]350                    /* Check for a high surrogate area. */
[180]351
[181]352                    if ((value & 0xFC00) == 0xD800) {
353
[182]354                        width = 4;
355
[181]356                        /* Check for incomplete surrogate pair. */
357
[208]358                        if (raw_unread < 4) {
[181]359                            if (parser->eof) {
360                                return yaml_parser_set_reader_error(parser,
[182]361                                        "Incomplete UTF-16 surrogate pair",
362                                        parser->offset, -1);
[181]363                            }
364                            incomplete = 1;
365                            break;
[180]366                        }
[181]367
368                        /* Get the next character. */
369
[210]370                        value2 = parser->raw_buffer.pointer[low+2]
[208]371                            + (parser->raw_buffer.pointer[high+2] << 8);
[181]372
373                        /* Check for a low surrogate area. */
374
375                        if ((value2 & 0xFC00) != 0xDC00)
376                            return yaml_parser_set_reader_error(parser,
[182]377                                    "Expected low surrogate area",
378                                    parser->offset+2, value2);
[181]379
380                        /* Generate the value of the surrogate pair. */
381
382                        value = 0x10000 + ((value & 0x3FF) << 10) + (value2 & 0x3FF);
[180]383                    }
384
[181]385                    else {
[182]386                        width = 2;
[181]387                    }
[180]388
389                    break;
[210]390
391                default:
392                    assert(1);      /* Impossible. */
[180]393            }
394
[181]395            /* Check if the raw buffer contains enough bytes to form a character. */
396
397            if (incomplete) break;
398
[180]399            /*
400             * Check if the character is in the allowed range:
401             *      #x9 | #xA | #xD | [#x20-#x7E]               (8 bit)
402             *      | #x85 | [#xA0-#xD7FF] | [#xE000-#xFFFD]    (16 bit)
403             *      | [#x10000-#x10FFFF]                        (32 bit)
404             */
405
[181]406            if (! (value == 0x09 || value == 0x0A || value == 0x0D
407                        || (value >= 0x20 && value <= 0x7E)
408                        || (value == 0x85) || (value >= 0xA0 && value <= 0xD7FF)
409                        || (value >= 0xE000 && value <= 0xFFFD)
410                        || (value >= 0x10000 && value <= 0x10FFFF)))
411                return yaml_parser_set_reader_error(parser,
[182]412                        "Control characters are not allowed",
413                        parser->offset, value);
[180]414
[182]415            /* Move the raw pointers. */
416
[208]417            parser->raw_buffer.pointer += width;
[182]418            parser->offset += width;
419
[180]420            /* Finally put the character into the buffer. */
421
422            /* 0000 0000-0000 007F -> 0xxxxxxx */
[181]423            if (value <= 0x7F) {
[208]424                *(parser->buffer.last++) = value;
[180]425            }
426            /* 0000 0080-0000 07FF -> 110xxxxx 10xxxxxx */
[181]427            else if (value <= 0x7FF) {
[208]428                *(parser->buffer.last++) = 0xC0 + (value >> 6);
429                *(parser->buffer.last++) = 0x80 + (value & 0x3F);
[180]430            }
431            /* 0000 0800-0000 FFFF -> 1110xxxx 10xxxxxx 10xxxxxx */
[181]432            else if (value <= 0xFFFF) {
[208]433                *(parser->buffer.last++) = 0xE0 + (value >> 12);
434                *(parser->buffer.last++) = 0x80 + ((value >> 6) & 0x3F);
435                *(parser->buffer.last++) = 0x80 + (value & 0x3F);
[180]436            }
437            /* 0001 0000-0010 FFFF -> 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx */
438            else {
[208]439                *(parser->buffer.last++) = 0xF0 + (value >> 18);
440                *(parser->buffer.last++) = 0x80 + ((value >> 12) & 0x3F);
441                *(parser->buffer.last++) = 0x80 + ((value >> 6) & 0x3F);
442                *(parser->buffer.last++) = 0x80 + (value & 0x3F);
[180]443            }
[182]444
445            parser->unread ++;
[179]446        }
[182]447
448        /* On EOF, put NUL into the buffer and return. */
449
450        if (parser->eof) {
[208]451            *(parser->buffer.last++) = '\0';
[182]452            parser->unread ++;
453            return 1;
454        }
455
[179]456    }
457
[181]458    return 1;
[180]459}
[179]460
Note: See TracBrowser for help on using the repository browser.