Support 3 and 4-byte unicode characters.
authorBruce Momjian <bruce@momjian.us>
Wed, 15 Jun 2005 00:15:08 +0000 (00:15 +0000)
committerBruce Momjian <bruce@momjian.us>
Wed, 15 Jun 2005 00:15:08 +0000 (00:15 +0000)
John Hansen

src/backend/utils/mb/conv.c
src/backend/utils/mb/wchar.c
src/include/mb/pg_wchar.h

index 8789dcbc3ebd3984ec67249d820d7546409dc31a..f4a6083f20b4c5315be9e8fc33753b1a55025849 100644 (file)
@@ -6,7 +6,7 @@
  * Portions Copyright (c) 1994, Regents of the University of California
  *
  * IDENTIFICATION
- *   $PostgreSQL: pgsql/src/backend/utils/mb/conv.c,v 1.52 2005/03/07 04:30:52 momjian Exp $
+ *   $PostgreSQL: pgsql/src/backend/utils/mb/conv.c,v 1.53 2005/06/15 00:15:08 momjian Exp $
  *
  *-------------------------------------------------------------------------
  */
@@ -361,12 +361,19 @@ UtfToLocal(unsigned char *utf, unsigned char *iso,
            iutf = *utf++ << 8;
            iutf |= *utf++;
        }
-       else
+       else if (l == 3)
        {
            iutf = *utf++ << 16;
            iutf |= *utf++ << 8;
            iutf |= *utf++;
        }
+       else if (l == 4)
+       {
+           iutf = *utf++ << 24;
+           iutf |= *utf++ << 16;
+           iutf |= *utf++ << 8;
+           iutf |= *utf++;
+       }
        p = bsearch(&iutf, map, size,
                    sizeof(pg_utf_to_local), compare1);
        if (p == NULL)
index 7ff16809d84daaa8d361dba2ad5136be8023ff44..1450b8b13ca6ebc1e62d6c07303d5c841ae1b87e 100644 (file)
@@ -1,7 +1,7 @@
 /*
  * conversion functions between pg_wchar and multibyte streams.
  * Tatsuo Ishii
- * $PostgreSQL: pgsql/src/backend/utils/mb/wchar.c,v 1.43 2005/03/14 18:31:20 momjian Exp $
+ * $PostgreSQL: pgsql/src/backend/utils/mb/wchar.c,v 1.44 2005/06/15 00:15:08 momjian Exp $
  *
  * WIN1250 client encoding updated by Pavel Behal
  *
@@ -406,8 +406,14 @@ pg_utf_mblen(const unsigned char *s)
        len = 1;
    else if ((*s & 0xe0) == 0xc0)
        len = 2;
-   else if ((*s & 0xe0) == 0xe0)
-       len = 3;
+        else if ((*s & 0xf0) == 0xe0)
+                len = 3;
+        else if ((*s & 0xf8) == 0xf0)
+                len = 4;
+        else if ((*s & 0xfc) == 0xf8)
+                len = 5;
+        else if ((*s & 0xfe) == 0xfc)
+                len = 6;
    return (len);
 }
 
@@ -721,7 +727,7 @@ pg_wchar_tbl pg_wchar_table[] = {
    {pg_euckr2wchar_with_len, pg_euckr_mblen, pg_euckr_dsplen, 3},      /* 3; PG_EUC_KR */
    {pg_euctw2wchar_with_len, pg_euctw_mblen, pg_euctw_dsplen, 3},      /* 4; PG_EUC_TW */
    {pg_johab2wchar_with_len, pg_johab_mblen, pg_johab_dsplen, 3},      /* 5; PG_JOHAB */
-   {pg_utf2wchar_with_len, pg_utf_mblen, pg_utf_dsplen, 3},            /* 6; PG_UTF8 */
+   {pg_utf2wchar_with_len, pg_utf_mblen, pg_utf_dsplen, 4},        /* 6; PG_UTF8 */
    {pg_mule2wchar_with_len, pg_mule_mblen, pg_mule_dsplen, 3},         /* 7; PG_MULE_INTERNAL */
    {pg_latin12wchar_with_len, pg_latin1_mblen, pg_latin1_dsplen, 1},   /* 8; PG_LATIN1 */
    {pg_latin12wchar_with_len, pg_latin1_mblen, pg_latin1_dsplen, 1},   /* 9; PG_LATIN2 */
@@ -800,6 +806,31 @@ pg_encoding_max_length(int encoding)
 
 #ifndef FRONTEND
 
+bool pg_utf8_islegal(const unsigned char *source, int length) {
+    unsigned char a;
+    const unsigned char *srcptr = source+length;
+    switch (length) {
+       default: return false;
+        /* Everything else falls through when "true"... */
+       case 4: if ((a = (*--srcptr)) < 0x80 || a > 0xBF) return false;
+       case 3: if ((a = (*--srcptr)) < 0x80 || a > 0xBF) return false;
+       case 2: if ((a = (*--srcptr)) > 0xBF) return false;
+        switch (*source) {
+            /* no fall-through in this inner switch */
+            case 0xE0: if (a < 0xA0) return false; break;
+            case 0xED: if (a > 0x9F) return false; break;
+            case 0xF0: if (a < 0x90) return false; break;
+            case 0xF4: if (a > 0x8F) return false; break;
+            default:   if (a < 0x80) return false;
+        }
+
+    case 1: if (*source >= 0x80 && *source < 0xC2) return false;
+    }
+    if (*source > 0xF4) return false;
+    return true;
+}
+
+
 /*
  * Verify mbstr to make sure that it has a valid character sequence.
  * mbstr is not necessarily NULL terminated; length of mbstr is
@@ -823,51 +854,47 @@ pg_verifymbstr(const unsigned char *mbstr, int len, bool noError)
 
    while (len > 0 && *mbstr)
    {
-       /* special UTF8 check */
-       if (encoding == PG_UTF8 && (*mbstr & 0xf8) == 0xf0)
-       {
-           if (noError)
-               return false;
-           ereport(ERROR,
-                   (errcode(ERRCODE_CHARACTER_NOT_IN_REPERTOIRE),
-                    errmsg("Unicode characters greater than or equal to 0x10000 are not supported")));
-       }
-
        l = pg_mblen(mbstr);
-
-       for (i = 1; i < l; i++)
-       {
-           /*
-            * we expect that every multibyte char consists of bytes
-            * having the 8th bit set
-            */
-           if (i >= len || (mbstr[i] & 0x80) == 0)
+       
+       /* special UTF-8 check */
+       if (encoding == PG_UTF8) {
+                   if(!pg_utf8_islegal(mbstr,l)) {
+                           if (noError) return false;
+               ereport(ERROR,(errcode(ERRCODE_CHARACTER_NOT_IN_REPERTOIRE),errmsg("Invalid UNICODE byte sequence detected near byte %c",*mbstr)));
+           }
+       } else {
+           for (i = 1; i < l; i++)
            {
-               char        buf[8 * 2 + 1];
-               char       *p = buf;
-               int         j,
+                           /*
+                           * we expect that every multibyte char consists of bytes
+                                * having the 8th bit set
+                                */
+                           if (i >= len || (mbstr[i] & 0x80) == 0)
+                           {
+                                   char        buf[8 * 2 + 1];
+                                        char       *p = buf;
+                                        int        j,
                            jlimit;
 
-               if (noError)
-                   return false;
+                   if (noError)
+                       return false;
 
-               jlimit = Min(l, len);
-               jlimit = Min(jlimit, 8);        /* prevent buffer overrun */
+                   jlimit = Min(l, len);
+                   jlimit = Min(jlimit, 8);        /* prevent buffer overrun */
 
-               for (j = 0; j < jlimit; j++)
-                   p += sprintf(p, "%02x", mbstr[j]);
+                   for (j = 0; j < jlimit; j++)
+                       p += sprintf(p, "%02x", mbstr[j]);
 
-               ereport(ERROR,
-                       (errcode(ERRCODE_CHARACTER_NOT_IN_REPERTOIRE),
-               errmsg("invalid byte sequence for encoding \"%s\": 0x%s",
-                      GetDatabaseEncodingName(), buf)));
+                   ereport(ERROR,
+                           (errcode(ERRCODE_CHARACTER_NOT_IN_REPERTOIRE),
+                   errmsg("invalid byte sequence for encoding \"%s\": 0x%s",
+                       GetDatabaseEncodingName(), buf)));
+               }
            }
        }
-
        len -= l;
        mbstr += l;
    }
-
    return true;
 }
 
index 41ca953a40f9af7000f13b0af351f7a37b8f772d..32e9d739a8062d5c6278a2ae30d058665813b64a 100644 (file)
@@ -1,4 +1,4 @@
-/* $PostgreSQL: pgsql/src/include/mb/pg_wchar.h,v 1.58 2005/03/14 18:31:24 momjian Exp $ */
+/* $PostgreSQL: pgsql/src/include/mb/pg_wchar.h,v 1.59 2005/06/15 00:15:08 momjian Exp $ */
 
 #ifndef PG_WCHAR_H
 #define PG_WCHAR_H
@@ -340,4 +340,6 @@ extern void mic2latin(unsigned char *mic, unsigned char *p, int len, int lc);
 extern void latin2mic_with_table(unsigned char *l, unsigned char *p, int len, int lc, unsigned char *tab);
 extern void mic2latin_with_table(unsigned char *mic, unsigned char *p, int len, int lc, unsigned char *tab);
 
+extern bool pg_utf8_islegal(const unsigned char *source, int length);
+
 #endif   /* PG_WCHAR_H */