A function to validate a UTF-8 string.
This commit is contained in:
parent
61424b0ac6
commit
6b8ff23859
|
@ -239,6 +239,123 @@ unittest
|
||||||
}
|
}
|
||||||
|
|
||||||
|
|
||||||
|
/// Result of a validateUTF8NoGC call.
|
||||||
|
struct ValidateResult
|
||||||
|
{
|
||||||
|
/// Is the validated string valid?
|
||||||
|
bool valid;
|
||||||
|
/// If the string is not valid, error message with details is here.
|
||||||
|
string msg;
|
||||||
|
/// If the string is not valid, the first invalid sequence of bytes is here.
|
||||||
|
const(uint)[] sequence() @safe pure nothrow const @nogc
|
||||||
|
{
|
||||||
|
return sequenceBuffer[0 .. sequenceLength];
|
||||||
|
}
|
||||||
|
|
||||||
|
private:
|
||||||
|
// Buffer for the invalid sequence of bytes if valid == false.
|
||||||
|
uint[4] sequenceBuffer;
|
||||||
|
// Number of used bytes in sequenceBuffer.
|
||||||
|
size_t sequenceLength;
|
||||||
|
}
|
||||||
|
|
||||||
|
/// Validate a UTF-8 string, checking if it is well-formed Unicode.
|
||||||
|
///
|
||||||
|
/// See_Also: ValidateResult
|
||||||
|
ValidateResult validateUTF8NoGC(const(char[]) str) @trusted pure nothrow @nogc
|
||||||
|
{
|
||||||
|
immutable len = str.length;
|
||||||
|
outer: for (size_t index = 0; index < len; )
|
||||||
|
{
|
||||||
|
if(str[index] < 0x80)
|
||||||
|
{
|
||||||
|
index++;
|
||||||
|
continue;
|
||||||
|
}
|
||||||
|
|
||||||
|
// The following encodings are valid, except for the 5 and 6 byte combinations:
|
||||||
|
// 0xxxxxxx
|
||||||
|
// 110xxxxx 10xxxxxx
|
||||||
|
// 1110xxxx 10xxxxxx 10xxxxxx
|
||||||
|
// 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
|
||||||
|
// 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
|
||||||
|
// 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
|
||||||
|
|
||||||
|
// Dchar bitmask for different numbers of UTF-8 code units.
|
||||||
|
import std.typecons;
|
||||||
|
enum bitMask = tuple((1 << 7) - 1, (1 << 11) - 1, (1 << 16) - 1, (1 << 21) - 1);
|
||||||
|
auto pstr = str.ptr + index;
|
||||||
|
immutable length = str.length - index;
|
||||||
|
ubyte fst = pstr[0];
|
||||||
|
|
||||||
|
static ValidateResult error(const(char[]) str, string msg) @safe pure nothrow @nogc
|
||||||
|
{
|
||||||
|
ValidateResult result;
|
||||||
|
size_t i;
|
||||||
|
|
||||||
|
do
|
||||||
|
{
|
||||||
|
result.sequenceBuffer[i] = str[i];
|
||||||
|
} while (++i < str.length && i < 4 && (str[i] & 0xC0) == 0x80);
|
||||||
|
|
||||||
|
result.valid = false;
|
||||||
|
result.msg = msg;
|
||||||
|
result.sequenceLength = i;
|
||||||
|
return result;
|
||||||
|
}
|
||||||
|
|
||||||
|
static ValidateResult invalidUTF(const(char[]) str) @safe pure nothrow @nogc
|
||||||
|
{
|
||||||
|
return error(str, "Invalid UTF-8 sequence");
|
||||||
|
}
|
||||||
|
static ValidateResult outOfBounds(const(char[]) str) @safe pure nothrow @nogc
|
||||||
|
{
|
||||||
|
return error(str, "Attempted to decode past the end of a string");
|
||||||
|
}
|
||||||
|
|
||||||
|
assert(fst & 0x80);
|
||||||
|
ubyte tmp = void;
|
||||||
|
dchar d = fst; // upper control bits are masked out later
|
||||||
|
fst <<= 1;
|
||||||
|
|
||||||
|
foreach (i; TypeTuple!(1, 2, 3))
|
||||||
|
{
|
||||||
|
if(i == length) { return outOfBounds(pstr[0 .. length]); }
|
||||||
|
|
||||||
|
tmp = pstr[i];
|
||||||
|
|
||||||
|
if ((tmp & 0xC0) != 0x80) { return invalidUTF(pstr[0 .. length]); }
|
||||||
|
|
||||||
|
d = (d << 6) | (tmp & 0x3F);
|
||||||
|
fst <<= 1;
|
||||||
|
|
||||||
|
if (!(fst & 0x80)) // no more bytes
|
||||||
|
{
|
||||||
|
d &= bitMask[i]; // mask out control bits
|
||||||
|
|
||||||
|
// overlong, could have been encoded with i bytes
|
||||||
|
if ((d & ~bitMask[i - 1]) == 0) { return invalidUTF(pstr[0 .. length]); }
|
||||||
|
|
||||||
|
// check for surrogates only needed for 3 bytes
|
||||||
|
static if(i == 2)
|
||||||
|
{
|
||||||
|
if (!isValidDchar(d)) { return invalidUTF(pstr[0 .. length]); }
|
||||||
|
}
|
||||||
|
|
||||||
|
index += i + 1;
|
||||||
|
static if(i == 3)
|
||||||
|
{
|
||||||
|
if (d > dchar.max) { return invalidUTF(pstr[0 .. length]); }
|
||||||
|
}
|
||||||
|
continue outer;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
return invalidUTF(pstr[0 .. length]);
|
||||||
|
}
|
||||||
|
|
||||||
|
return ValidateResult(true);
|
||||||
|
}
|
||||||
/// @nogc version of std.utf.isValidDchar
|
/// @nogc version of std.utf.isValidDchar
|
||||||
bool isValidDchar(dchar c) @safe pure nothrow @nogc
|
bool isValidDchar(dchar c) @safe pure nothrow @nogc
|
||||||
{
|
{
|
||||||
|
|
Loading…
Reference in a new issue