add utf8 helpers in utf8.hh
This commit is contained in:
parent
946b4650b6
commit
2db1d02329
116
src/utf8.hh
Normal file
116
src/utf8.hh
Normal file
|
@ -0,0 +1,116 @@
|
||||||
|
#ifndef utf8_hh_INCLUDED
|
||||||
|
#define utf8_hh_INCLUDED
|
||||||
|
|
||||||
|
namespace Kakoune
|
||||||
|
{
|
||||||
|
|
||||||
|
namespace utf8
|
||||||
|
{
|
||||||
|
|
||||||
|
using Codepoint = uint32_t;
|
||||||
|
|
||||||
|
// returns an iterator to next character first byte
|
||||||
|
template<typename Iterator>
|
||||||
|
Iterator next(Iterator it)
|
||||||
|
{
|
||||||
|
if (*it++ & 0x80)
|
||||||
|
while ((*(it) & 0xC0) == 0x80)
|
||||||
|
++it;
|
||||||
|
return it;
|
||||||
|
}
|
||||||
|
|
||||||
|
// returns it's parameter if it points to a character first byte,
|
||||||
|
// or else returns next character first byte
|
||||||
|
template<typename Iterator>
|
||||||
|
Iterator finish(Iterator it)
|
||||||
|
{
|
||||||
|
while ((*(it) & 0xC0) == 0x80)
|
||||||
|
++it;
|
||||||
|
return it;
|
||||||
|
}
|
||||||
|
|
||||||
|
// returns an iterator to the previous character first byte
|
||||||
|
template<typename Iterator>
|
||||||
|
Iterator previous(Iterator it)
|
||||||
|
{
|
||||||
|
while ((*(--it) & 0xC0) == 0x80)
|
||||||
|
;
|
||||||
|
return it;
|
||||||
|
}
|
||||||
|
|
||||||
|
// returns an iterator pointing to the first byte of the
|
||||||
|
// dth character after (or before if d < 0) the character
|
||||||
|
// pointed by it
|
||||||
|
template<typename Iterator, typename Distance>
|
||||||
|
Iterator advance(Iterator it, Distance d)
|
||||||
|
{
|
||||||
|
if (d < 0)
|
||||||
|
{
|
||||||
|
while (d++)
|
||||||
|
it = previous(it);
|
||||||
|
}
|
||||||
|
else
|
||||||
|
{
|
||||||
|
while (d--)
|
||||||
|
it = next(it);
|
||||||
|
}
|
||||||
|
return it;
|
||||||
|
}
|
||||||
|
|
||||||
|
// returns the character count between begin and end
|
||||||
|
template<typename Iterator>
|
||||||
|
size_t distance(Iterator begin, Iterator end)
|
||||||
|
{
|
||||||
|
size_t dist = 0;
|
||||||
|
while (begin != end)
|
||||||
|
{
|
||||||
|
if ((*begin++ & 0xC0) != 0x80)
|
||||||
|
++dist;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
// return true if it points to the first byte of a (either single or
|
||||||
|
// multibyte) character
|
||||||
|
template<typename Iterator>
|
||||||
|
bool is_character_start(Iterator it)
|
||||||
|
{
|
||||||
|
return (*it & 0xC0) != 0x80;
|
||||||
|
}
|
||||||
|
|
||||||
|
struct invalid_utf8_sequence{};
|
||||||
|
|
||||||
|
// returns the codepoint of the character whose first byte
|
||||||
|
// is pointed by it
|
||||||
|
template<typename Iterator>
|
||||||
|
Codepoint codepoint(Iterator it)
|
||||||
|
{
|
||||||
|
// According to rfc3629, UTF-8 allows only up to 4 bytes.
|
||||||
|
// (21 bits codepoint)
|
||||||
|
Codepoint cp;
|
||||||
|
char byte = *it++;
|
||||||
|
if (not (byte & 0x80)) // 0xxxxxxx
|
||||||
|
cp = byte;
|
||||||
|
else if ((byte & 0xE0) == 0xC0) // 110xxxxx
|
||||||
|
{
|
||||||
|
cp = ((byte & 0x1F) << 6) | (*it & 0x3F);
|
||||||
|
}
|
||||||
|
else if ((byte & 0xF0) == 0xE0) // 1110xxxx
|
||||||
|
{
|
||||||
|
cp = ((byte & 0x0F) << 12) | ((*it++ & 0x3F) << 6);
|
||||||
|
cp |= (*it & 0x3F);
|
||||||
|
}
|
||||||
|
else if ((byte & 0xF8) == 0xF0) // 11110xxx
|
||||||
|
{
|
||||||
|
cp = ((byte & 0x0F) << 18) | ((*it++ & 0x3F) << 12);
|
||||||
|
cp |= (*it++ & 0x3F) << 6;
|
||||||
|
cp |= (*it & 0x3F);
|
||||||
|
}
|
||||||
|
else
|
||||||
|
throw invalid_utf8_sequence{};
|
||||||
|
}
|
||||||
|
|
||||||
|
}
|
||||||
|
|
||||||
|
}
|
||||||
|
|
||||||
|
#endif // utf8_hh_INCLUDED
|
Loading…
Reference in New Issue
Block a user