1.0.33.14: improve UCS external formats
[sbcl.git] / src / code / external-formats / enc-ucs.lisp
diff --git a/src/code/external-formats/enc-ucs.lisp b/src/code/external-formats/enc-ucs.lisp
new file mode 100644 (file)
index 0000000..6fecf6b
--- /dev/null
@@ -0,0 +1,441 @@
+;;;; Universal Character Set (UCS) encodings
+;;;;
+;;;; In our interpretation, these are distinct from UTF encodings: the
+;;;; UCS encodings are a direct encoding of the code point, in 16- and
+;;;; 32-bit variants; by contrast, the UTF encodings handle Unicode
+;;;; surrogate code points specially.
+
+;;;; This software is part of the SBCL system. See the README file for
+;;;; more information.
+;;;;
+;;;; This software is derived from the CMU CL system, which was
+;;;; written at Carnegie Mellon University and released into the
+;;;; public domain. The software is in the public domain and is
+;;;; provided with absolutely no warranty. See the COPYING and CREDITS
+;;;; files for more information.
+
+(in-package "SB!IMPL")
+
+;;; TODO Macro for generating different variants:
+;;; :ucs-2le (little endian)    sap-ref-16le
+;;; :ucs-2be (big endian)       sap-ref-16be
+;;; :ucs-2   (native)           sap-ref-16
+
+;;;  Utilities
+
+(declaim
+ (inline sap-ref-16le (setf sap-ref-16le) sap-ref-16be (setf sap-ref-16be)
+         sap-ref-32le (setf sap-ref-32le) sap-ref-32be (setf sap-ref-32be)))
+
+;;; Define feature LITTLE-ENDIAN-AND-MISALIGNED-READ?
+(defun sap-ref-16le (sap offset)
+  #!+(or x86 x86-64)
+  (sap-ref-16 sap offset)
+  #!-(or x86 x86-64)
+  (dpb (sap-ref-8 sap (1+ offset)) (byte 8 8)
+       (sap-ref-8 sap offset)))
+
+(defun (setf sap-ref-16le) (value sap offset)
+  #!+(or x86 x86-64)
+  (setf (sap-ref-16 sap offset) value)
+  #!-(or x86 x86-64)
+  (setf (sap-ref-8 sap offset) (logand value #xff)
+        (sap-ref-8 sap (1+ offset)) (ldb (byte 8 8) value)))
+
+(defun sap-ref-16be (sap offset)
+  (dpb (sap-ref-8 sap offset) (byte 8 8)
+       (sap-ref-8 sap (1+ offset))))
+
+(defun (setf sap-ref-16be) (value sap offset)
+  (setf (sap-ref-8 sap (1+ offset)) (logand value #xff)
+        (sap-ref-8 sap offset) (ldb (byte 8 8) value)))
+
+(defun sap-ref-32le (sap offset)
+  #!+(or x86 x86-64)
+  (sap-ref-32 sap offset)
+  #!-(or x86 x86-64)
+  (dpb (sap-ref-8 sap (+ offset 3)) (byte 8 24)
+       (dpb (sap-ref-8 sap (+ offset 2)) (byte 8 16)
+            (sap-ref-16 sap offset))))
+
+(defun (setf sap-ref-32le) (value sap offset)
+  #!+(or x86 x86-64)
+  (setf (sap-ref-32 sap offset) value)
+  #!-(or x86 x86-64)
+  (setf (sap-ref-8 sap offset) (logand value #xff)
+        (sap-ref-8 sap (1+ offset)) (ldb (byte 8 8) value)
+        (sap-ref-8 sap (+ offset 2)) (ldb (byte 8 16) value)
+        (sap-ref-8 sap (+ offset 3)) (ldb (byte 8 24) value)))
+
+(defun sap-ref-32be (sap offset)
+  (dpb (sap-ref-8 sap offset) (byte 8 24)
+       (dpb (sap-ref-8 sap (1+ offset)) (byte 8 16)
+            (dpb (sap-ref-8 sap (+ offset 2)) (byte 8 8)
+                 (sap-ref-8 sap (+ offset 3))))))
+
+(defun (setf sap-ref-32be) (value sap offset)
+  (setf (sap-ref-8 sap offset) (ldb (byte 8 24) value)
+        (sap-ref-8 sap (1+ offset)) (ldb (byte 8 16) value)
+        (sap-ref-8 sap (+ offset 2)) (ldb (byte 8 8) value)
+        (sap-ref-8 sap (+ offset 3)) (logand value #xff)))
+\f
+;;;
+;;;   octets
+;;;
+
+;;; Conversion to UCS-2{LE,BE}
+(declaim (inline char->ucs-2le))
+(defun char->ucs-2le (char dest string pos)
+  (declare (optimize speed (safety 0))
+           (type (array (unsigned-byte 8) (*)) dest))
+  (let ((code (char-code char)))
+    (if (< code #x10000)
+        (flet ((add-byte (b)
+                 (declare (type (unsigned-byte 8) b))
+                 (vector-push-extend b dest)))
+          (declare (inline add-byte))
+          (add-byte (ldb (byte 8 0) code))
+          (add-byte (ldb (byte 8 8) code)))
+        (let ((replacement (encoding-error :ucs-2le string pos)))
+          (declare (type (simple-array (unsigned-byte 8) (*)) replacement))
+          (dotimes (i (length replacement))
+            (vector-push-extend (aref replacement i) dest))))))
+
+(declaim (inline char->ucs-2be))
+(defun char->ucs-2be (char dest string pos)
+  (declare (optimize speed (safety 0))
+           (type (array (unsigned-byte 8) (*)) dest))
+  (let ((code (char-code char)))
+    (if (< code #x10000)
+        (flet ((add-byte (b)
+                 (declare (type (unsigned-byte 8) b))
+                 (vector-push-extend b dest)))
+          (declare (inline add-byte))
+          (add-byte (ldb (byte 8 8) code))
+          (add-byte (ldb (byte 8 0) code)))
+        (let ((replacement (encoding-error :ucs-2be string pos)))
+          (declare (type (simple-array (unsigned-byte 8) (*)) replacement))
+          (dotimes (i (length replacement))
+            (vector-push-extend (aref replacement i) dest))))))
+
+(defun string->ucs-2le (string sstart send additional-space)
+  (declare (optimize speed (safety 0))
+           (type simple-string string)
+           (type array-range sstart send additional-space))
+  (let ((array (make-array (* 2 (+ additional-space (- send sstart)))
+                           :element-type '(unsigned-byte 8)
+                           :fill-pointer 0 :adjustable t)))
+    (loop for i from sstart below send
+          do (char->ucs-2le (char string i) array string i))
+    (dotimes (i (* 2 additional-space))
+      (vector-push-extend 0 array))
+    (coerce array '(simple-array (unsigned-byte 8) (*)))))
+
+(defun string->ucs-2be (string sstart send additional-space)
+  (declare (optimize speed (safety 0))
+           (type simple-string string)
+           (type array-range sstart send additional-space))
+  (let ((array (make-array (* 2 (+ additional-space (- send sstart)))
+                           :element-type '(unsigned-byte 8)
+                           :fill-pointer 0 :adjustable t)))
+    (loop for i from sstart below send
+          do (char->ucs-2be (char string i) array string i))
+    (dotimes (i (* 2 additional-space))
+      (vector-push-extend 0 array))
+    (coerce array '(simple-array (unsigned-byte 8) (*)))))
+
+;; Conversion from UCS-2{LE,BE}
+(defmacro define-bytes-per-ucs2-character (accessor type)
+  (declare (ignore type))
+  (let ((name-le (make-od-name 'bytes-per-ucs-2le-character accessor))
+        (name-be (make-od-name 'bytes-per-ucs-2be-character accessor)))
+    `(progn
+      (defun ,name-le (array pos end)
+        (declare (ignore array pos end))
+        (values 2 nil))
+      (defun ,name-be (array pos end)
+        (declare (ignore array pos end))
+        (values 2 nil)))))
+(instantiate-octets-definition define-bytes-per-ucs2-character)
+
+(defmacro define-simple-get-ucs2-character (accessor type)
+  (let ((name-le (make-od-name 'simple-get-ucs-2le-char accessor))
+        (name-be (make-od-name 'simple-get-ucs-2be-char accessor)))
+    `(progn
+      (defun ,name-le (array pos bytes)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range pos)
+                 (type (integer 1 4) bytes)
+                 (ignore bytes))
+        ;; Optimization for SYSTEM-AREA-POINTER: use SAP-REF-16LE that
+        ;; reads two bytes at once on some architectures.
+        ,(if (and (eq accessor 'sap-ref-8)
+                  (eq type 'system-area-pointer))
+             '(code-char (sap-ref-16le array pos))
+             `(flet ((cref (x)
+                      (,accessor array (the array-range (+ pos x)))))
+               (declare (inline cref))
+               (code-char (dpb (cref 1) (byte 8 8) (cref 0))))))
+      (defun ,name-be (array pos bytes)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range pos)
+                 (type (integer 1 4) bytes)
+                 (ignore bytes))
+        ;; Use SAP-REF-16BE even if it is not optimized
+        ,(if (and (eq accessor 'sap-ref-8)
+                  (eq type 'system-area-pointer))
+             '(code-char (sap-ref-16be array pos))
+             `(flet ((cref (x)
+                      (,accessor array (the array-range (+ pos x)))))
+               (declare (inline cref))
+               (code-char (dpb (cref 0) (byte 8 8) (cref 1)))))))))
+
+(instantiate-octets-definition define-simple-get-ucs2-character)
+
+(defmacro define-ucs-2->string (accessor type)
+  (let ((name-le (make-od-name 'ucs-2le->string accessor))
+        (name-be (make-od-name 'ucs-2be->string accessor)))
+    `(progn
+      (defun ,name-le (array astart aend)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range astart aend))
+        (let ((string (make-array 0 :adjustable t :fill-pointer 0 :element-type 'character)))
+          (loop with pos = astart
+                while (< pos aend)
+                do (multiple-value-bind (bytes invalid)
+                       (,(make-od-name 'bytes-per-ucs-2le-character accessor) array pos aend)
+                     (declare (type (or null string) invalid))
+                     (aver (null invalid))
+                     (vector-push-extend
+                      (,(make-od-name 'simple-get-ucs-2le-char accessor)
+                        array pos bytes)
+                      string)
+                     (incf pos bytes)))
+          string))
+      (defun ,name-be (array astart aend)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range astart aend))
+        (let ((string (make-array 0 :adjustable t :fill-pointer 0 :element-type 'character)))
+          (loop with pos = astart
+                while (< pos aend)
+                do (multiple-value-bind (bytes invalid)
+                       (,(make-od-name 'bytes-per-ucs-2be-character accessor) array pos aend)
+                     (declare (type (or null string) invalid))
+                     (aver (null invalid))
+                     (vector-push-extend
+                      (,(make-od-name 'simple-get-ucs-2be-char accessor)
+                        array pos bytes)
+                      string)
+                     (incf pos bytes)))
+          string)))))
+
+(instantiate-octets-definition define-ucs-2->string)
+
+(define-external-format/variable-width (:ucs-2le :ucs2le #!+win32 :ucs2 #!+win32 :ucs-2) t
+  (code-char #xfffd)
+  2
+  (if (< bits #x10000)
+      (setf (sap-ref-16le sap tail) bits)
+      (external-format-encoding-error stream bits))
+  2
+  (code-char (sap-ref-16le sap head))
+  ucs-2le->string-aref
+  string->ucs-2le)
+
+(define-external-format/variable-width (:ucs-2be :ucs2be) t
+  (code-char #xfffd)
+  2
+  (if (< bits #x10000)
+      (setf (sap-ref-16be sap tail) bits)
+      (external-format-encoding-error stream bits))
+  2
+  (code-char (sap-ref-16be sap head))
+  ucs-2be->string-aref
+  string->ucs-2be)
+\f
+(declaim (inline char->ucs-4le))
+(defun char->ucs-4le (char dest string pos)
+  (declare (optimize speed (safety 0))
+           (type (array (unsigned-byte 8) (*)) dest)
+           (ignore string pos))
+  (let ((code (char-code char)))
+    (flet ((add-byte (b)
+             (declare (type (unsigned-byte 8) b))
+             (vector-push-extend b dest)))
+      (declare (inline add-byte))
+      (add-byte (ldb (byte 8 0) code))
+      (add-byte (ldb (byte 8 8) code))
+      (add-byte (ldb (byte 8 16) code))
+      (add-byte (ldb (byte 8 24) code)))))
+
+(declaim (inline char->ucs-4be))
+(defun char->ucs-4be (char dest string pos)
+  (declare (optimize speed (safety 0))
+           (type (array (unsigned-byte 8) (*)) dest)
+           (ignore string pos))
+  (let ((code (char-code char)))
+    (flet ((add-byte (b)
+             (declare (type (unsigned-byte 8) b))
+             (vector-push-extend b dest)))
+      (declare (inline add-byte))
+      (add-byte (ldb (byte 8 24) code))
+      (add-byte (ldb (byte 8 16) code))
+      (add-byte (ldb (byte 8 8) code))
+      (add-byte (ldb (byte 8 0) code)))))
+
+(defun string->ucs-4le (string sstart send additional-space)
+  (declare (optimize speed (safety 0))
+           (type simple-string string)
+           (type array-range sstart send additional-space))
+  (let ((array (make-array (* 4 (+ additional-space (- send sstart)))
+                           :element-type '(unsigned-byte 8)
+                           :fill-pointer 0 :adjustable t)))
+    (loop for i from sstart below send
+          do (char->ucs-4le (char string i) array string i))
+    (dotimes (i (* 4 additional-space))
+      (vector-push-extend 0 array))
+    (coerce array '(simple-array (unsigned-byte 8) (*)))))
+
+(defun string->ucs-4be (string sstart send additional-space)
+  (declare (optimize speed (safety 0))
+           (type simple-string string)
+           (type array-range sstart send additional-space))
+  (let ((array (make-array (* 4 (+ additional-space (- send sstart)))
+                           :element-type '(unsigned-byte 8)
+                           :fill-pointer 0 :adjustable t)))
+    (loop for i from sstart below send
+          do (char->ucs-4be (char string i) array string i))
+    (dotimes (i (* 4 additional-space))
+      (vector-push-extend 0 array))
+    (coerce array '(simple-array (unsigned-byte 8) (*)))))
+
+;; Conversion from UCS-4{LE,BE}
+(defmacro define-bytes-per-ucs4-character (accessor type)
+  (declare (ignore type))
+  (let ((name-le (make-od-name 'bytes-per-ucs-4le-character accessor))
+        (name-be (make-od-name 'bytes-per-ucs-4be-character accessor)))
+    `(progn
+      (defun ,name-le (array pos end)
+        (declare (ignore array pos end))
+        (values 4 nil))
+      (defun ,name-be (array pos end)
+        (declare (ignore array pos end))
+        (values 4 nil)))))
+(instantiate-octets-definition define-bytes-per-ucs4-character)
+
+(defmacro define-simple-get-ucs4-character (accessor type)
+  (let ((name-le (make-od-name 'simple-get-ucs-4le-char accessor))
+        (name-be (make-od-name 'simple-get-ucs-4be-char accessor)))
+    `(progn
+      (defun ,name-le (array pos bytes)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range pos)
+                 (type (integer 1 4) bytes))
+        ;; Optimization for SYSTEM-AREA-POINTER: use SAP-REF-32LE that
+        ;; reads four bytes at once on some architectures.
+        (let ((code ,(if (and (eq accessor 'sap-ref-8)
+                              (eq type 'system-area-pointer))
+                         '(sap-ref-32le array pos)
+                         `(flet ((cref (x)
+                                   (,accessor array (the array-range (+ pos x)))))
+                            (declare (inline cref))
+                            (dpb (cref 3) (byte 8 24)
+                                 (dpb (cref 2) (byte 8 16)
+                                      (dpb (cref 1) (byte 8 8) (cref 0))))))))
+          (if (< code char-code-limit)
+              (code-char code)
+              (decoding-error array pos (+ pos bytes) :ucs-4le
+                              'octet-decoding-error pos))))
+      (defun ,name-be (array pos bytes)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range pos)
+                 (type (integer 1 4) bytes))
+        ;; Use SAP-REF-32BE even if it is not optimized
+        (let ((code ,(if (and (eq accessor 'sap-ref-8)
+                              (eq type 'system-area-pointer))
+                         '(sap-ref-32be array pos)
+                         `(flet ((cref (x)
+                                   (,accessor array (the array-range (+ pos x)))))
+                            (declare (inline cref))
+                            (dpb (cref 0) (byte 8 24)
+                                 (dpb (cref 1) (byte 8 16)
+                                      (dpb (cref 2) (byte 8 8) (cref 3))))))))
+          (if (< code char-code-limit)
+              (code-char code)
+              (decoding-error array pos (+ pos bytes) :ucs-4be
+                              'octet-decoding-error pos)))))))
+
+(instantiate-octets-definition define-simple-get-ucs4-character)
+
+(defmacro define-ucs-4->string (accessor type)
+  (let ((name-le (make-od-name 'ucs-4le->string accessor))
+        (name-be (make-od-name 'ucs-4be->string accessor)))
+    `(progn
+      (defun ,name-le (array astart aend)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range astart aend))
+        (let ((string (make-array 0 :adjustable t :fill-pointer 0 :element-type 'character)))
+          (loop with pos = astart
+                while (< pos aend)
+                do (multiple-value-bind (bytes invalid)
+                       (,(make-od-name 'bytes-per-ucs-4le-character accessor) array pos aend)
+                     (declare (type (or null string) invalid))
+                     (aver (null invalid))
+                     (let ((thing (,(make-od-name 'simple-get-ucs-4le-char accessor) array pos bytes)))
+                       (typecase thing
+                         (character (vector-push-extend thing string))
+                         (string (dotimes (i (length thing))
+                                   (vector-push-extend (char thing i) string)))))
+                     (incf pos bytes)))
+          string))
+      (defun ,name-be (array astart aend)
+        (declare (optimize speed (safety 0))
+                 (type ,type array)
+                 (type array-range astart aend))
+        (let ((string (make-array 0 :adjustable t :fill-pointer 0 :element-type 'character)))
+          (loop with pos = astart
+                while (< pos aend)
+                do (multiple-value-bind (bytes invalid)
+                       (,(make-od-name 'bytes-per-ucs-4be-character accessor) array pos aend)
+                     (declare (type (or null string) invalid))
+                     (aver (null invalid))
+                     (let ((thing (,(make-od-name 'simple-get-ucs-4be-char accessor) array pos bytes)))
+                       (typecase thing
+                         (character (vector-push-extend thing string))
+                         (string (dotimes (i (length thing))
+                                   (vector-push-extend (char thing i) string)))))
+                     (incf pos bytes)))
+          string)))))
+
+(instantiate-octets-definition define-ucs-4->string)
+
+(define-external-format/variable-width (:ucs-4le :ucs4le) nil
+  (code-char #xfffd)
+  4
+  (setf (sap-ref-32le sap tail) bits)
+  4
+  (let ((code (sap-ref-32le sap head)))
+    (if (< code char-code-limit)
+        (code-char code)
+        (return-from decode-break-reason 4)))
+  ucs-4le->string-aref
+  string->ucs-4le)
+
+(define-external-format/variable-width (:ucs-4be :ucs4be) t
+  (code-char #xfffd)
+  4
+  (setf (sap-ref-32be sap tail) bits)
+  4
+  (let ((code (sap-ref-32be sap head)))
+    (if (< code char-code-limit)
+        (code-char code)
+        (return-from decode-break-reason 4)))
+  ucs-4be->string-aref
+  string->ucs-4be)