- Fix POSIX locale handling (well you'd better not fall in that case though)
[vlc.git] / src / text / charset.c
1 /*****************************************************************************
2  * charset.c: Locale's character encoding stuff.
3  *****************************************************************************
4  * See also unicode.c for Unicode to locale conversion helpers.
5  *
6  * Copyright (C) 2003-2006 the VideoLAN team
7  * $Id$
8  *
9  * Authors: Derk-Jan Hartman <thedj at users.sf.net>
10  *          Christophe Massiot
11  *          RĂ©mi Denis-Courmont
12  *
13  * vlc_current_charset() an adaption of mp_locale_charset():
14  *
15  *  Copyright (C) 2001-2003 The Mape Project
16  *  Written by Karel Zak  <zakkr@zf.jcu.cz>.
17  *
18  * This program is free software; you can redistribute it and/or modify
19  * it under the terms of the GNU General Public License as published by
20  * the Free Software Foundation; either version 2 of the License, or
21  * (at your option) any later version.
22  *
23  * This program is distributed in the hope that it will be useful,
24  * but WITHOUT ANY WARRANTY; without even the implied warranty of
25  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
26  * GNU General Public License for more details.
27  *
28  * You should have received a copy of the GNU General Public License
29  * along with this program; if not, write to the Free Software
30  * Foundation, Inc., 51 Franklin Street, Fifth Floor, Boston MA 02110-1301, USA.
31  *****************************************************************************/
32
33 #include <stdlib.h>
34 #include <stdio.h>
35 #include <vlc/vlc.h>
36
37 #if !defined WIN32
38 # if HAVE_LANGINFO_CODESET
39 #  include <langinfo.h>
40 # endif
41 # include <locale.h>
42 #else
43 # include <windows.h>
44 #endif
45
46 #ifdef __APPLE__
47 #   include <errno.h>
48 #   include <string.h>
49 #endif
50
51 #include <vlc_charset.h>
52
53 typedef struct VLCCharsetAlias
54 {
55     char *psz_alias, *psz_name;
56 } VLCCharsetAlias;
57
58 /*
59  * The libcharset load all from external text file, but it's strange and
60  * slow solution, we rather use array(s) compiled into source. In the
61  * "good" libc this is not needful -- for example in linux.
62  *
63  * Please, put to this funtion exotic aliases only. The libc 'iconv' knows
64  * a lot of basic aliases (check it first by iconv -l).
65  *
66  */
67 #if (defined OS2 || !HAVE_LANGINFO_CODESET) && !defined WIN32
68 static const char* vlc_encoding_from_language( const char *l )
69 {
70     /* check for language (and perhaps country) codes */
71     if (strstr(l, "zh_TW")) return "Big5";
72     if (strstr(l, "zh_HK")) return "Big5HKSCS";   /* no MIME charset */
73     if (strstr(l, "zh")) return "GB2312";
74     if (strstr(l, "th")) return "TIS-620";
75     if (strstr(l, "ja")) return "EUC-JP";
76     if (strstr(l, "ko")) return "EUC-KR";
77     if (strstr(l, "ru")) return "KOI8-R";
78     if (strstr(l, "uk")) return "KOI8-U";
79     if (strstr(l, "pl") || strstr(l, "hr") ||
80         strstr(l, "hu") || strstr(l, "cs") ||
81         strstr(l, "sk") || strstr(l, "sl")) return "ISO-8859-2";
82     if (strstr(l, "eo") || strstr(l, "mt")) return "ISO-8859-3";
83     if (strstr(l, "lt") || strstr(l, "la")) return "ISO-8859-4";
84     if (strstr(l, "bg") || strstr(l, "be") ||
85         strstr(l, "mk") || strstr(l, "uk")) return "ISO-8859-5";
86     if (strstr(l, "ar")) return "ISO-8859-6";
87     if (strstr(l, "el")) return "ISO-8859-7";
88     if (strstr(l, "he") || strstr(l, "iw")) return "ISO-8859-8";
89     if (strstr(l, "tr")) return "ISO-8859-9";
90     if (strstr(l, "th")) return "ISO-8859-11";
91     if (strstr(l, "lv")) return "ISO-8859-13";
92     if (strstr(l, "cy")) return "ISO-8859-14";
93     if (strstr(l, "et")) return "ISO-8859-15"; /* all latin1 could be iso15 as well */
94     if (strstr(l, "ro")) return "ISO-8859-2";   /* or ISO-8859-16 */
95     if (strstr(l, "am") || strstr(l, "vi")) return "UTF-8";
96     /* We don't know. This ain't working go to default. */
97     return "ISO-8859-1";
98 }
99 #endif
100
101 static const char* vlc_charset_aliases( const char *psz_name )
102 {
103     VLCCharsetAlias     *a;
104
105 #if defined WIN32
106     VLCCharsetAlias aliases[] =
107     {
108         { "CP936",      "GBK" },
109         { "CP1361",     "JOHAB" },
110         { "CP20127",    "ASCII" },
111         { "CP20866",    "KOI8-R" },
112         { "CP21866",    "KOI8-RU" },
113         { "CP28591",    "ISO-8859-1" },
114         { "CP28592",    "ISO-8859-2" },
115         { "CP28593",    "ISO-8859-3" },
116         { "CP28594",    "ISO-8859-4" },
117         { "CP28595",    "ISO-8859-5" },
118         { "CP28596",    "ISO-8859-6" },
119         { "CP28597",    "ISO-8859-7" },
120         { "CP28598",    "ISO-8859-8" },
121         { "CP28599",    "ISO-8859-9" },
122         { "CP28605",    "ISO-8859-15" },
123         { NULL,         NULL }
124     };
125 #elif defined (SYS_AIX)
126     VLCCharsetAlias aliases[] =
127     {
128         { "IBM-850",    "CP850" },
129         { "IBM-856",    "CP856" },
130         { "IBM-921",    "ISO-8859-13" },
131         { "IBM-922",    "CP922" },
132         { "IBM-932",    "CP932" },
133         { "IBM-943",    "CP943" },
134         { "IBM-1046",   "CP1046" },
135         { "IBM-1124",   "CP1124" },
136         { "IBM-1129",   "CP1129" },
137         { "IBM-1252",   "CP1252" },
138         { "IBM-EUCCN",  "GB2312" },
139         { "IBM-EUCJP",  "EUC-JP" },
140         { "IBM-EUCKR",  "EUC-KR" },
141         { "IBM-EUCTW",  "EUC-TW" },
142         { NULL, NULL }
143     };
144 #elif defined (SYS_HPUX)
145     VLCCharsetAlias aliases[] =
146     {
147         { "ROMAN8",     "HP-ROMAN8" },
148         { "ARABIC8",    "HP-ARABIC8" },
149         { "GREEK8",     "HP-GREEK8" },
150         { "HEBREW8",    "HP-HEBREW8" },
151         { "TURKISH8",   "HP-TURKISH8" },
152         { "KANA8",      "HP-KANA8" },
153         { "HP15CN",     "GB2312" },
154         { NULL, NULL }
155     };
156 #elif defined (SYS_IRIX)
157     VLCCharsetAlias aliases[] =
158     {
159         { "EUCCN",      "GB2312" },
160         { NULL, NULL }
161     };
162 #elif defined (SYS_OSF)
163     VLCCharsetAlias aliases[] =
164     {
165         { "KSC5601",    "CP949" },
166         { "SDECKANJI",  "EUC-JP" },
167         { "TACTIS",     "TIS-620" },
168         { NULL, NULL }
169     };
170 #elif defined (SYS_SOLARIS)
171     VLCCharsetAlias aliases[] =
172     {
173         { "646", "ASCII" },
174         { "CNS11643",   "EUC-TW" },
175         { "5601",       "EUC-KR" },
176         { "JOHAP92",    "JOHAB" },
177         { "PCK", "SHIFT_JIS" },
178         { "2533",       "TIS-620" },
179         { NULL, NULL }
180     };
181 #elif defined (SYS_BSD)
182     VLCCharsetAlias aliases[] =
183     {
184         { "646", " ASCII" },
185         { "EUCCN", "GB2312" },
186         { NULL, NULL }
187     };
188 #else
189     VLCCharsetAlias aliases[] = {{NULL, NULL}};
190 #endif
191
192     for (a = aliases; a->psz_alias; a++)
193         if (strcasecmp (a->psz_alias, psz_name) == 0)
194             return a->psz_name;
195
196     /* we return original name beacuse iconv() probably will know
197      * something better about name if we don't know it :-) */
198     return psz_name;
199 }
200
201 /* Returns charset from "language_COUNTRY.charset@modifier" string */
202 #if (defined OS2 || !HAVE_LANGINFO_CODESET) && !defined WIN32
203 static void vlc_encoding_from_locale( char *psz_locale, char *psz_charset )
204 {
205     char *psz_dot = strchr( psz_locale, '.' );
206
207     if( psz_dot != NULL )
208     {
209         const char *psz_modifier;
210
211         psz_dot++;
212
213         /* Look for the possible @... trailer and remove it, if any.  */
214         psz_modifier = strchr( psz_dot, '@' );
215
216         if( psz_modifier == NULL )
217         {
218             strcpy( psz_charset, psz_dot );
219             return;
220         }
221         if( 0 < ( psz_modifier - psz_dot )
222              && ( psz_modifier - psz_dot ) < 2 + 10 + 1 )
223         {
224             memcpy( psz_charset, psz_dot, psz_modifier - psz_dot );
225             psz_charset[ psz_modifier - psz_dot ] = '\0';
226             return;
227         }
228     }
229     /* try language mapping */
230     strcpy( psz_charset, vlc_encoding_from_language( psz_locale ) );
231 }
232 #endif
233
234 vlc_bool_t vlc_current_charset( char **psz_charset )
235 {
236     const char *psz_codeset;
237
238 #if !(defined WIN32 || defined OS2 || defined __APPLE__)
239
240 # if HAVE_LANGINFO_CODESET
241     /* Most systems support nl_langinfo( CODESET ) nowadays.  */
242     psz_codeset = nl_langinfo( CODESET );
243     if( !strcmp( psz_codeset, "ANSI_X3.4-1968" ) )
244         psz_codeset = "ASCII";
245 # else
246     /* On old systems which lack it, use setlocale or getenv.  */
247     const char *psz_locale = NULL;
248     char buf[2 + 10 + 1];
249
250     /* But most old systems don't have a complete set of locales.  Some
251      * (like SunOS 4 or DJGPP) have only the C locale.  Therefore we don't
252      * use setlocale here; it would return "C" when it doesn't support the
253      * locale name the user has set. Darwin's setlocale is broken. */
254 #  if HAVE_SETLOCALE && !__APPLE__
255     psz_locale = setlocale( LC_ALL, NULL );
256 #  endif
257     if( psz_locale == NULL || psz_locale[0] == '\0' )
258     {
259         psz_locale = getenv( "LC_ALL" );
260         if( psz_locale == NULL || psz_locale[0] == '\0' )
261         {
262             psz_locale = getenv( "LC_CTYPE" );
263             if( psz_locale == NULL || psz_locale[0] == '\0')
264                 psz_locale = getenv( "LANG" );
265         }
266     }
267
268     /* On some old systems, one used to set locale = "iso8859_1". On others,
269      * you set it to "language_COUNTRY.charset". Darwin only has LANG :( */
270     vlc_encoding_from_locale( (char *)psz_locale, buf );
271     psz_codeset =  buf;
272 # endif /* HAVE_LANGINFO_CODESET */
273
274 #elif defined __APPLE__
275
276     /* Darwin is always using UTF-8 internally. */
277     psz_codeset = "UTF-8";
278
279 #elif defined WIN32
280
281     char buf[2 + 10 + 1];
282
283     /* Woe32 has a function returning the locale's codepage as a number.  */
284     snprintf( buf, sizeof( buf ), "CP%u", GetACP() );
285     psz_codeset = buf;
286
287 #elif defined OS2
288
289     const char *psz_locale;
290     char buf[2 + 10 + 1];
291     ULONG cp[3];
292     ULONG cplen;
293
294     /* Allow user to override the codeset, as set in the operating system,
295      * with standard language environment variables. */
296     psz_locale = getenv( "LC_ALL" );
297     if( psz_locale == NULL || psz_locale[0] == '\0' )
298     {
299         psz+locale = getenv( "LC_CTYPE" );
300         if( psz_locale == NULL || locale[0] == '\0' )
301             locale = getenv( "LANG" );
302     }
303     if( psz_locale != NULL && psz_locale[0] != '\0' )
304         vlc_encoding_from_locale( psz_locale, buf );
305         psz_codeset = buf;
306     else
307     {
308         /* OS/2 has a function returning the locale's codepage as a number. */
309         if( DosQueryCp( sizeof( cp ), cp, &cplen ) )
310             psz_codeset = "";
311         else
312         {
313             snprintf( buf, sizeof( buf ), "CP%u", cp[0] );
314             psz_codeset = buf;
315         }
316     }
317 #endif
318     if( psz_codeset == NULL )
319         /* The canonical name cannot be determined. */
320         psz_codeset = "";
321     else
322         psz_codeset = vlc_charset_aliases( psz_codeset );
323
324     /* Don't return an empty string.  GNU libc and GNU libiconv interpret
325      * the empty string as denoting "the locale's character encoding",
326      * thus GNU libiconv would call this function a second time. */
327     if( psz_codeset[0] == '\0' )
328     {
329         /* Last possibility is 'CHARSET' enviroment variable */
330         if( !( psz_codeset = getenv( "CHARSET" ) ) )
331             psz_codeset = "ISO-8859-1";
332     }
333
334     if( psz_charset )
335         *psz_charset = strdup(psz_codeset);
336
337     if( !strcasecmp(psz_codeset, "UTF8") || !strcasecmp(psz_codeset, "UTF-8") )
338         return VLC_TRUE;
339
340     return VLC_FALSE;
341 }
342
343
344 char *vlc_fix_readdir( const char *psz_string )
345 {
346 #ifdef __APPLE__
347     vlc_iconv_t hd = vlc_iconv_open( "UTF-8", "UTF-8-MAC" );
348
349     if (hd != (vlc_iconv_t)(-1))
350     {
351         const char *psz_in = psz_string;
352         size_t i_in = strlen(psz_in);
353         size_t i_out = i_in * 2;
354         char *psz_utf8 = malloc(i_out + 1);
355         char *psz_out = psz_utf8;
356
357         size_t i_ret = vlc_iconv (hd, &psz_in, &i_in, &psz_out, &i_out);
358         vlc_iconv_close (hd);
359         if( i_ret == (size_t)(-1) || i_in )
360         {
361             free( psz_utf8 );
362             return strdup( psz_string );
363         }
364
365         *psz_out = '\0';
366         return psz_utf8;
367     }
368 #endif
369     return strdup( psz_string );
370 }
371
372
373 /**
374  * There are two decimal separators in the computer world-wide locales:
375  * dot (which is the american default), and comma (which is used in France,
376  * the country with the most VLC developers, among others).
377  *
378  * i18n_strtod() has the same prototype as ANSI C strtod() but it accepts
379  * either decimal separator when deserializing the string to a float number,
380  * independant of the local computer setting.
381  */
382 double i18n_strtod( const char *str, char **end )
383 {
384     char *end_buf, e;
385     double d;
386
387     if( end == NULL )
388         end = &end_buf;
389     d = strtod( str, end );
390
391     e = **end;
392     if(( e == ',' ) || ( e == '.' ))
393     {
394         char dup[strlen( str ) + 1];
395         strcpy( dup, str );
396
397         if( dup == NULL )
398             return d;
399
400         dup[*end - str] = ( e == ',' ) ? '.' : ',';
401         d = strtod( dup, end );
402     }
403     return d;
404 }
405
406 /**
407  * i18n_atof() has the same prototype as ANSI C atof() but it accepts
408  * either decimal separator when deserializing the string to a float number,
409  * independant of the local computer setting.
410  */
411 double i18n_atof( const char *str )
412 {
413     return i18n_strtod( str, NULL );
414 }
415
416
417 /**
418  * us_strtod() has the same prototype as ANSI C strtod() but it expects
419  * a dot as decimal separator regardless of the system locale.
420  */
421 double us_strtod( const char *str, char **end )
422 {
423     char dup[strlen( str ) + 1], *ptr;
424     double d;
425     strcpy( dup, str );
426
427     ptr = strchr( dup, ',' );
428     if( ptr != NULL )
429         *ptr = '\0';
430
431     d = strtod( dup, &ptr );
432     if( end != NULL )
433         *end = (char *)&str[ptr - dup];
434
435     return d;
436 }
437
438 /**
439  * us_atof() has the same prototype as ANSI C atof() but it expects a dot
440  * as decimal separator, regardless of the system locale.
441  */
442 double us_atof( const char *str )
443 {
444     return us_strtod( str, NULL );
445 }
446