support: Add xpthread_cond_signal wrapper
[glibc.git] / manual / charset.texi
blob427db3bc804f6244a77babd128347dc198d2bb99
1 @node Character Set Handling, Locales, String and Array Utilities, Top
2 @c %MENU% Support for extended character sets
3 @chapter Character Set Handling
5 @ifnottex
6 @macro cal{text}
7 \text\
8 @end macro
9 @end ifnottex
11 Character sets used in the early days of computing had only six, seven,
12 or eight bits for each character: there was never a case where more than
13 eight bits (one byte) were used to represent a single character.  The
14 limitations of this approach became more apparent as more people
15 grappled with non-Roman character sets, where not all the characters
16 that make up a language's character set can be represented by @math{2^8}
17 choices.  This chapter shows the functionality that was added to the C
18 library to support multiple character sets.
20 @menu
21 * Extended Char Intro::              Introduction to Extended Characters.
22 * Charset Function Overview::        Overview about Character Handling
23                                       Functions.
24 * Restartable multibyte conversion:: Restartable multibyte conversion
25                                       Functions.
26 * Non-reentrant Conversion::         Non-reentrant Conversion Function.
27 * Generic Charset Conversion::       Generic Charset Conversion.
28 @end menu
31 @node Extended Char Intro
32 @section Introduction to Extended Characters
34 A variety of solutions are available to overcome the differences between
35 character sets with a 1:1 relation between bytes and characters and
36 character sets with ratios of 2:1 or 4:1.  The remainder of this
37 section gives a few examples to help understand the design decisions
38 made while developing the functionality of the @w{C library}.
40 @cindex internal representation
41 A distinction we have to make right away is between internal and
42 external representation.  @dfn{Internal representation} means the
43 representation used by a program while keeping the text in memory.
44 External representations are used when text is stored or transmitted
45 through some communication channel.  Examples of external
46 representations include files waiting in a directory to be
47 read and parsed.
49 Traditionally there has been no difference between the two representations.
50 It was equally comfortable and useful to use the same single-byte
51 representation internally and externally.  This comfort level decreases
52 with more and larger character sets.
54 One of the problems to overcome with the internal representation is
55 handling text that is externally encoded using different character
56 sets.  Assume a program that reads two texts and compares them using
57 some metric.  The comparison can be usefully done only if the texts are
58 internally kept in a common format.
60 @cindex wide character
61 For such a common format (@math{=} character set) eight bits are certainly
62 no longer enough.  So the smallest entity will have to grow: @dfn{wide
63 characters} will now be used.  Instead of one byte per character, two or
64 four will be used instead.  (Three are not good to address in memory and
65 more than four bytes seem not to be necessary).
67 @cindex Unicode
68 @cindex ISO 10646
69 As shown in some other part of this manual,
70 @c !!! Ahem, wide char string functions are not yet covered -- drepper
71 a completely new family has been created of functions that can handle wide
72 character texts in memory.  The most commonly used character sets for such
73 internal wide character representations are Unicode and @w{ISO 10646}
74 (also known as UCS for Universal Character Set).  Unicode was originally
75 planned as a 16-bit character set; whereas, @w{ISO 10646} was designed to
76 be a 31-bit large code space.  The two standards are practically identical.
77 They have the same character repertoire and code table, but Unicode specifies
78 added semantics.  At the moment, only characters in the first @code{0x10000}
79 code positions (the so-called Basic Multilingual Plane, BMP) have been
80 assigned, but the assignment of more specialized characters outside this
81 16-bit space is already in progress.  A number of encodings have been
82 defined for Unicode and @w{ISO 10646} characters:
83 @cindex UCS-2
84 @cindex UCS-4
85 @cindex UTF-8
86 @cindex UTF-16
87 UCS-2 is a 16-bit word that can only represent characters
88 from the BMP, UCS-4 is a 32-bit word than can represent any Unicode
89 and @w{ISO 10646} character, UTF-8 is an ASCII compatible encoding where
90 ASCII characters are represented by ASCII bytes and non-ASCII characters
91 by sequences of 2-6 non-ASCII bytes, and finally UTF-16 is an extension
92 of UCS-2 in which pairs of certain UCS-2 words can be used to encode
93 non-BMP characters up to @code{0x10ffff}.
95 To represent wide characters the @code{char} type is not suitable.  For
96 this reason the @w{ISO C} standard introduces a new type that is
97 designed to keep one character of a wide character string.  To maintain
98 the similarity there is also a type corresponding to @code{int} for
99 those functions that take a single wide character.
101 @deftp {Data type} wchar_t
102 @standards{ISO, stddef.h}
103 This data type is used as the base type for wide character strings.
104 In other words, arrays of objects of this type are the equivalent of
105 @code{char[]} for multibyte character strings.  The type is defined in
106 @file{stddef.h}.
108 The @w{ISO C90} standard, where @code{wchar_t} was introduced, does not
109 say anything specific about the representation.  It only requires that
110 this type is capable of storing all elements of the basic character set.
111 Therefore it would be legitimate to define @code{wchar_t} as @code{char},
112 which might make sense for embedded systems.
114 But in @theglibc{} @code{wchar_t} is always 32 bits wide and, therefore,
115 capable of representing all UCS-4 values and, therefore, covering all of
116 @w{ISO 10646}.  Some Unix systems define @code{wchar_t} as a 16-bit type
117 and thereby follow Unicode very strictly.  This definition is perfectly
118 fine with the standard, but it also means that to represent all
119 characters from Unicode and @w{ISO 10646} one has to use UTF-16 surrogate
120 characters, which is in fact a multi-wide-character encoding.  But
121 resorting to multi-wide-character encoding contradicts the purpose of the
122 @code{wchar_t} type.
123 @end deftp
125 @deftp {Data type} wint_t
126 @standards{ISO, wchar.h}
127 @code{wint_t} is a data type used for parameters and variables that
128 contain a single wide character.  As the name suggests this type is the
129 equivalent of @code{int} when using the normal @code{char} strings.  The
130 types @code{wchar_t} and @code{wint_t} often have the same
131 representation if their size is 32 bits wide but if @code{wchar_t} is
132 defined as @code{char} the type @code{wint_t} must be defined as
133 @code{int} due to the parameter promotion.
135 @pindex wchar.h
136 This type is defined in @file{wchar.h} and was introduced in
137 @w{Amendment 1} to @w{ISO C90}.
138 @end deftp
140 As there are for the @code{char} data type macros are available for
141 specifying the minimum and maximum value representable in an object of
142 type @code{wchar_t}.
144 @deftypevr Macro wint_t WCHAR_MIN
145 @standards{ISO, wchar.h}
146 The macro @code{WCHAR_MIN} evaluates to the minimum value representable
147 by an object of type @code{wint_t}.
149 This macro was introduced in @w{Amendment 1} to @w{ISO C90}.
150 @end deftypevr
152 @deftypevr Macro wint_t WCHAR_MAX
153 @standards{ISO, wchar.h}
154 The macro @code{WCHAR_MAX} evaluates to the maximum value representable
155 by an object of type @code{wint_t}.
157 This macro was introduced in @w{Amendment 1} to @w{ISO C90}.
158 @end deftypevr
160 Another special wide character value is the equivalent to @code{EOF}.
162 @deftypevr Macro wint_t WEOF
163 @standards{ISO, wchar.h}
164 The macro @code{WEOF} evaluates to a constant expression of type
165 @code{wint_t} whose value is different from any member of the extended
166 character set.
168 @code{WEOF} need not be the same value as @code{EOF} and unlike
169 @code{EOF} it also need @emph{not} be negative.  In other words, sloppy
170 code like
172 @smallexample
174   int c;
175   @dots{}
176   while ((c = getc (fp)) < 0)
177     @dots{}
179 @end smallexample
181 @noindent
182 has to be rewritten to use @code{WEOF} explicitly when wide characters
183 are used:
185 @smallexample
187   wint_t c;
188   @dots{}
189   while ((c = getwc (fp)) != WEOF)
190     @dots{}
192 @end smallexample
194 @pindex wchar.h
195 This macro was introduced in @w{Amendment 1} to @w{ISO C90} and is
196 defined in @file{wchar.h}.
197 @end deftypevr
200 These internal representations present problems when it comes to storage
201 and transmittal.  Because each single wide character consists of more
202 than one byte, they are affected by byte-ordering.  Thus, machines with
203 different endianesses would see different values when accessing the same
204 data.  This byte ordering concern also applies for communication protocols
205 that are all byte-based and therefore require that the sender has to
206 decide about splitting the wide character in bytes.  A last (but not least
207 important) point is that wide characters often require more storage space
208 than a customized byte-oriented character set.
210 @cindex multibyte character
211 @cindex EBCDIC
212 For all the above reasons, an external encoding that is different from
213 the internal encoding is often used if the latter is UCS-2 or UCS-4.
214 The external encoding is byte-based and can be chosen appropriately for
215 the environment and for the texts to be handled.  A variety of different
216 character sets can be used for this external encoding (information that
217 will not be exhaustively presented here--instead, a description of the
218 major groups will suffice).  All of the ASCII-based character sets
219 fulfill one requirement: they are "filesystem safe."  This means that
220 the character @code{'/'} is used in the encoding @emph{only} to
221 represent itself.  Things are a bit different for character sets like
222 EBCDIC (Extended Binary Coded Decimal Interchange Code, a character set
223 family used by IBM), but if the operating system does not understand
224 EBCDIC directly the parameters-to-system calls have to be converted
225 first anyhow.
227 @itemize @bullet
228 @item
229 The simplest character sets are single-byte character sets.  There can
230 be only up to 256 characters (for @w{8 bit} character sets), which is
231 not sufficient to cover all languages but might be sufficient to handle
232 a specific text.  Handling of a @w{8 bit} character sets is simple.  This
233 is not true for other kinds presented later, and therefore, the
234 application one uses might require the use of @w{8 bit} character sets.
236 @cindex ISO 2022
237 @item
238 The @w{ISO 2022} standard defines a mechanism for extended character
239 sets where one character @emph{can} be represented by more than one
240 byte.  This is achieved by associating a state with the text.
241 Characters that can be used to change the state can be embedded in the
242 text.  Each byte in the text might have a different interpretation in each
243 state.  The state might even influence whether a given byte stands for a
244 character on its own or whether it has to be combined with some more
245 bytes.
247 @cindex EUC
248 @cindex Shift_JIS
249 @cindex SJIS
250 In most uses of @w{ISO 2022} the defined character sets do not allow
251 state changes that cover more than the next character.  This has the
252 big advantage that whenever one can identify the beginning of the byte
253 sequence of a character one can interpret a text correctly.  Examples of
254 character sets using this policy are the various EUC character sets
255 (used by Sun's operating systems, EUC-JP, EUC-KR, EUC-TW, and EUC-CN)
256 or Shift_JIS (SJIS, a Japanese encoding).
258 But there are also character sets using a state that is valid for more
259 than one character and has to be changed by another byte sequence.
260 Examples for this are ISO-2022-JP, ISO-2022-KR, and ISO-2022-CN.
262 @item
263 @cindex ISO 6937
264 Early attempts to fix 8 bit character sets for other languages using the
265 Roman alphabet lead to character sets like @w{ISO 6937}.  Here bytes
266 representing characters like the acute accent do not produce output
267 themselves: one has to combine them with other characters to get the
268 desired result.  For example, the byte sequence @code{0xc2 0x61}
269 (non-spacing acute accent, followed by lower-case `a') to get the ``small
270 a with  acute'' character.  To get the acute accent character on its own,
271 one has to write @code{0xc2 0x20} (the non-spacing acute followed by a
272 space).
274 Character sets like @w{ISO 6937} are used in some embedded systems such
275 as teletex.
277 @item
278 @cindex UTF-8
279 Instead of converting the Unicode or @w{ISO 10646} text used internally,
280 it is often also sufficient to simply use an encoding different than
281 UCS-2/UCS-4.  The Unicode and @w{ISO 10646} standards even specify such an
282 encoding: UTF-8.  This encoding is able to represent all of @w{ISO
283 10646} 31 bits in a byte string of length one to six.
285 @cindex UTF-7
286 There were a few other attempts to encode @w{ISO 10646} such as UTF-7,
287 but UTF-8 is today the only encoding that should be used.  In fact, with
288 any luck UTF-8 will soon be the only external encoding that has to be
289 supported.  It proves to be universally usable and its only disadvantage
290 is that it favors Roman languages by making the byte string
291 representation of other scripts (Cyrillic, Greek, Asian scripts) longer
292 than necessary if using a specific character set for these scripts.
293 Methods like the Unicode compression scheme can alleviate these
294 problems.
295 @end itemize
297 The question remaining is: how to select the character set or encoding
298 to use.  The answer: you cannot decide about it yourself, it is decided
299 by the developers of the system or the majority of the users.  Since the
300 goal is interoperability one has to use whatever the other people one
301 works with use.  If there are no constraints, the selection is based on
302 the requirements the expected circle of users will have.  In other words,
303 if a project is expected to be used in only, say, Russia it is fine to use
304 KOI8-R or a similar character set.  But if at the same time people from,
305 say, Greece are participating one should use a character set that allows
306 all people to collaborate.
308 The most widely useful solution seems to be: go with the most general
309 character set, namely @w{ISO 10646}.  Use UTF-8 as the external encoding
310 and problems about users not being able to use their own language
311 adequately are a thing of the past.
313 One final comment about the choice of the wide character representation
314 is necessary at this point.  We have said above that the natural choice
315 is using Unicode or @w{ISO 10646}.  This is not required, but at least
316 encouraged, by the @w{ISO C} standard.  The standard defines at least a
317 macro @code{__STDC_ISO_10646__} that is only defined on systems where
318 the @code{wchar_t} type encodes @w{ISO 10646} characters.  If this
319 symbol is not defined one should avoid making assumptions about the wide
320 character representation.  If the programmer uses only the functions
321 provided by the C library to handle wide character strings there should
322 be no compatibility problems with other systems.
324 @node Charset Function Overview
325 @section Overview about Character Handling Functions
327 A Unix @w{C library} contains three different sets of functions in two
328 families to handle character set conversion.  One of the function families
329 (the most commonly used) is specified in the @w{ISO C90} standard and,
330 therefore, is portable even beyond the Unix world.  Unfortunately this
331 family is the least useful one.  These functions should be avoided
332 whenever possible, especially when developing libraries (as opposed to
333 applications).
335 The second family of functions got introduced in the early Unix standards
336 (XPG2) and is still part of the latest and greatest Unix standard:
337 @w{Unix 98}.  It is also the most powerful and useful set of functions.
338 But we will start with the functions defined in @w{Amendment 1} to
339 @w{ISO C90}.
341 @node Restartable multibyte conversion
342 @section Restartable Multibyte Conversion Functions
344 The @w{ISO C} standard defines functions to convert strings from a
345 multibyte representation to wide character strings.  There are a number
346 of peculiarities:
348 @itemize @bullet
349 @item
350 The character set assumed for the multibyte encoding is not specified
351 as an argument to the functions.  Instead the character set specified by
352 the @code{LC_CTYPE} category of the current locale is used; see
353 @ref{Locale Categories}.
355 @item
356 The functions handling more than one character at a time require NUL
357 terminated strings as the argument (i.e., converting blocks of text
358 does not work unless one can add a NUL byte at an appropriate place).
359 @Theglibc{} contains some extensions to the standard that allow
360 specifying a size, but basically they also expect terminated strings.
361 @end itemize
363 Despite these limitations the @w{ISO C} functions can be used in many
364 contexts.  In graphical user interfaces, for instance, it is not
365 uncommon to have functions that require text to be displayed in a wide
366 character string if the text is not simple ASCII.  The text itself might
367 come from a file with translations and the user should decide about the
368 current locale, which determines the translation and therefore also the
369 external encoding used.  In such a situation (and many others) the
370 functions described here are perfect.  If more freedom while performing
371 the conversion is necessary take a look at the @code{iconv} functions
372 (@pxref{Generic Charset Conversion}).
374 @menu
375 * Selecting the Conversion::     Selecting the conversion and its properties.
376 * Keeping the state::            Representing the state of the conversion.
377 * Converting a Character::       Converting Single Characters.
378 * Converting Strings::           Converting Multibyte and Wide Character
379                                   Strings.
380 * Multibyte Conversion Example:: A Complete Multibyte Conversion Example.
381 @end menu
383 @node Selecting the Conversion
384 @subsection Selecting the conversion and its properties
386 We already said above that the currently selected locale for the
387 @code{LC_CTYPE} category decides the conversion that is performed
388 by the functions we are about to describe.  Each locale uses its own
389 character set (given as an argument to @code{localedef}) and this is the
390 one assumed as the external multibyte encoding.  The wide character
391 set is always UCS-4 in @theglibc{}.
393 A characteristic of each multibyte character set is the maximum number
394 of bytes that can be necessary to represent one character.  This
395 information is quite important when writing code that uses the
396 conversion functions (as shown in the examples below).
397 The @w{ISO C} standard defines two macros that provide this information.
400 @deftypevr Macro int MB_LEN_MAX
401 @standards{ISO, limits.h}
402 @code{MB_LEN_MAX} specifies the maximum number of bytes in the multibyte
403 sequence for a single character in any of the supported locales.  It is
404 a compile-time constant and is defined in @file{limits.h}.
405 @pindex limits.h
406 @end deftypevr
408 @deftypevr Macro int MB_CUR_MAX
409 @standards{ISO, stdlib.h}
410 @code{MB_CUR_MAX} expands into a positive integer expression that is the
411 maximum number of bytes in a multibyte character in the current locale.
412 The value is never greater than @code{MB_LEN_MAX}.  Unlike
413 @code{MB_LEN_MAX} this macro need not be a compile-time constant, and in
414 @theglibc{} it is not.
416 @pindex stdlib.h
417 @code{MB_CUR_MAX} is defined in @file{stdlib.h}.
418 @end deftypevr
420 Two different macros are necessary since strictly @w{ISO C90} compilers
421 do not allow variable length array definitions, but still it is desirable
422 to avoid dynamic allocation.  This incomplete piece of code shows the
423 problem:
425 @smallexample
427   char buf[MB_LEN_MAX];
428   ssize_t len = 0;
430   while (! feof (fp))
431     @{
432       fread (&buf[len], 1, MB_CUR_MAX - len, fp);
433       /* @r{@dots{} process} buf */
434       len -= used;
435     @}
437 @end smallexample
439 The code in the inner loop is expected to have always enough bytes in
440 the array @var{buf} to convert one multibyte character.  The array
441 @var{buf} has to be sized statically since many compilers do not allow a
442 variable size.  The @code{fread} call makes sure that @code{MB_CUR_MAX}
443 bytes are always available in @var{buf}.  Note that it isn't
444 a problem if @code{MB_CUR_MAX} is not a compile-time constant.
447 @node Keeping the state
448 @subsection Representing the state of the conversion
450 @cindex stateful
451 In the introduction of this chapter it was said that certain character
452 sets use a @dfn{stateful} encoding.  That is, the encoded values depend
453 in some way on the previous bytes in the text.
455 Since the conversion functions allow converting a text in more than one
456 step we must have a way to pass this information from one call of the
457 functions to another.
459 @deftp {Data type} mbstate_t
460 @standards{ISO, wchar.h}
461 @cindex shift state
462 A variable of type @code{mbstate_t} can contain all the information
463 about the @dfn{shift state} needed from one call to a conversion
464 function to another.
466 @pindex wchar.h
467 @code{mbstate_t} is defined in @file{wchar.h}.  It was introduced in
468 @w{Amendment 1} to @w{ISO C90}.
469 @end deftp
471 To use objects of type @code{mbstate_t} the programmer has to define such
472 objects (normally as local variables on the stack) and pass a pointer to
473 the object to the conversion functions.  This way the conversion function
474 can update the object if the current multibyte character set is stateful.
476 There is no specific function or initializer to put the state object in
477 any specific state.  The rules are that the object should always
478 represent the initial state before the first use, and this is achieved by
479 clearing the whole variable with code such as follows:
481 @smallexample
483   mbstate_t state;
484   memset (&state, '\0', sizeof (state));
485   /* @r{from now on @var{state} can be used.}  */
486   @dots{}
488 @end smallexample
490 When using the conversion functions to generate output it is often
491 necessary to test whether the current state corresponds to the initial
492 state.  This is necessary, for example, to decide whether to emit
493 escape sequences to set the state to the initial state at certain
494 sequence points.  Communication protocols often require this.
496 @deftypefun int mbsinit (const mbstate_t *@var{ps})
497 @standards{ISO, wchar.h}
498 @safety{@prelim{}@mtsafe{}@assafe{}@acsafe{}}
499 @c ps is dereferenced once, unguarded.  This would call for @mtsrace:ps,
500 @c but since a single word-sized field is (atomically) accessed, any
501 @c race here would be harmless.  Other functions that take an optional
502 @c mbstate_t* argument named ps are marked with @mtasurace:<func>/!ps,
503 @c to indicate that the function uses a static buffer if ps is NULL.
504 @c These could also have been marked with @mtsrace:ps, but we'll omit
505 @c that for brevity, for it's somewhat redundant with the @mtasurace.
506 The @code{mbsinit} function determines whether the state object pointed
507 to by @var{ps} is in the initial state.  If @var{ps} is a null pointer or
508 the object is in the initial state the return value is nonzero.  Otherwise
509 it is zero.
511 @pindex wchar.h
512 @code{mbsinit} was introduced in @w{Amendment 1} to @w{ISO C90} and is
513 declared in @file{wchar.h}.
514 @end deftypefun
516 Code using @code{mbsinit} often looks similar to this:
518 @c Fix the example to explicitly say how to generate the escape sequence
519 @c to restore the initial state.
520 @smallexample
522   mbstate_t state;
523   memset (&state, '\0', sizeof (state));
524   /* @r{Use @var{state}.}  */
525   @dots{}
526   if (! mbsinit (&state))
527     @{
528       /* @r{Emit code to return to initial state.}  */
529       const wchar_t empty[] = L"";
530       const wchar_t *srcp = empty;
531       wcsrtombs (outbuf, &srcp, outbuflen, &state);
532     @}
533   @dots{}
535 @end smallexample
537 The code to emit the escape sequence to get back to the initial state is
538 interesting.  The @code{wcsrtombs} function can be used to determine the
539 necessary output code (@pxref{Converting Strings}).  Please note that with
540 @theglibc{} it is not necessary to perform this extra action for the
541 conversion from multibyte text to wide character text since the wide
542 character encoding is not stateful.  But there is nothing mentioned in
543 any standard that prohibits making @code{wchar_t} use a stateful
544 encoding.
546 @node Converting a Character
547 @subsection Converting Single Characters
549 The most fundamental of the conversion functions are those dealing with
550 single characters.  Please note that this does not always mean single
551 bytes.  But since there is very often a subset of the multibyte
552 character set that consists of single byte sequences, there are
553 functions to help with converting bytes.  Frequently, ASCII is a subset
554 of the multibyte character set.  In such a scenario, each ASCII character
555 stands for itself, and all other characters have at least a first byte
556 that is beyond the range @math{0} to @math{127}.
558 @deftypefun wint_t btowc (int @var{c})
559 @standards{ISO, wchar.h}
560 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
561 @c Calls btowc_fct or __fct; reads from locale, and from the
562 @c get_gconv_fcts result multiple times.  get_gconv_fcts calls
563 @c __wcsmbs_load_conv to initialize the ctype if it's null.
564 @c wcsmbs_load_conv takes a non-recursive wrlock before allocating
565 @c memory for the fcts structure, initializing it, and then storing it
566 @c in the locale object.  The initialization involves dlopening and a
567 @c lot more.
568 The @code{btowc} function (``byte to wide character'') converts a valid
569 single byte character @var{c} in the initial shift state into the wide
570 character equivalent using the conversion rules from the currently
571 selected locale of the @code{LC_CTYPE} category.
573 If @code{(unsigned char) @var{c}} is no valid single byte multibyte
574 character or if @var{c} is @code{EOF}, the function returns @code{WEOF}.
576 Please note the restriction of @var{c} being tested for validity only in
577 the initial shift state.  No @code{mbstate_t} object is used from
578 which the state information is taken, and the function also does not use
579 any static state.
581 @pindex wchar.h
582 The @code{btowc} function was introduced in @w{Amendment 1} to @w{ISO C90}
583 and is declared in @file{wchar.h}.
584 @end deftypefun
586 Despite the limitation that the single byte value is always interpreted
587 in the initial state, this function is actually useful most of the time.
588 Most characters are either entirely single-byte character sets or they
589 are extensions to ASCII.  But then it is possible to write code like this
590 (not that this specific example is very useful):
592 @smallexample
593 wchar_t *
594 itow (unsigned long int val)
596   static wchar_t buf[30];
597   wchar_t *wcp = &buf[29];
598   *wcp = L'\0';
599   while (val != 0)
600     @{
601       *--wcp = btowc ('0' + val % 10);
602       val /= 10;
603     @}
604   if (wcp == &buf[29])
605     *--wcp = L'0';
606   return wcp;
608 @end smallexample
610 Why is it necessary to use such a complicated implementation and not
611 simply cast @code{'0' + val % 10} to a wide character?  The answer is
612 that there is no guarantee that one can perform this kind of arithmetic
613 on the character of the character set used for @code{wchar_t}
614 representation.  In other situations the bytes are not constant at
615 compile time and so the compiler cannot do the work.  In situations like
616 this, using @code{btowc} is required.
618 @noindent
619 There is also a function for the conversion in the other direction.
621 @deftypefun int wctob (wint_t @var{c})
622 @standards{ISO, wchar.h}
623 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
624 The @code{wctob} function (``wide character to byte'') takes as the
625 parameter a valid wide character.  If the multibyte representation for
626 this character in the initial state is exactly one byte long, the return
627 value of this function is this character.  Otherwise the return value is
628 @code{EOF}.
630 @pindex wchar.h
631 @code{wctob} was introduced in @w{Amendment 1} to @w{ISO C90} and
632 is declared in @file{wchar.h}.
633 @end deftypefun
635 There are more general functions to convert single characters from
636 multibyte representation to wide characters and vice versa.  These
637 functions pose no limit on the length of the multibyte representation
638 and they also do not require it to be in the initial state.
640 @deftypefun size_t mbrtowc (wchar_t *restrict @var{pwc}, const char *restrict @var{s}, size_t @var{n}, mbstate_t *restrict @var{ps})
641 @standards{ISO, wchar.h}
642 @safety{@prelim{}@mtunsafe{@mtasurace{:mbrtowc/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
643 @cindex stateful
644 The @code{mbrtowc} function (``multibyte restartable to wide
645 character'') converts the next multibyte character in the string pointed
646 to by @var{s} into a wide character and stores it in the location
647 pointed to by @var{pwc}.  The conversion is performed according
648 to the locale currently selected for the @code{LC_CTYPE} category.  If
649 the conversion for the character set used in the locale requires a state,
650 the multibyte string is interpreted in the state represented by the
651 object pointed to by @var{ps}.  If @var{ps} is a null pointer, a static,
652 internal state variable used only by the @code{mbrtowc} function is
653 used.
655 If the next multibyte character corresponds to the null wide character,
656 the return value of the function is @math{0} and the state object is
657 afterwards in the initial state.  If the next @var{n} or fewer bytes
658 form a correct multibyte character, the return value is the number of
659 bytes starting from @var{s} that form the multibyte character.  The
660 conversion state is updated according to the bytes consumed in the
661 conversion.  In both cases the wide character (either the @code{L'\0'}
662 or the one found in the conversion) is stored in the string pointed to
663 by @var{pwc} if @var{pwc} is not null.
665 If the first @var{n} bytes of the multibyte string possibly form a valid
666 multibyte character but there are more than @var{n} bytes needed to
667 complete it, the return value of the function is @code{(size_t) -2} and
668 no value is stored in @code{*@var{pwc}}.  The conversion state is
669 updated and all @var{n} input bytes are consumed and should not be
670 submitted again.  Please note that this can happen even if @var{n} has a
671 value greater than or equal to @code{MB_CUR_MAX} since the input might
672 contain redundant shift sequences.
674 If the first @code{n} bytes of the multibyte string cannot possibly form
675 a valid multibyte character, no value is stored, the global variable
676 @code{errno} is set to the value @code{EILSEQ}, and the function returns
677 @code{(size_t) -1}.  The conversion state is afterwards undefined.
679 As specified, the @code{mbrtowc} function could deal with multibyte
680 sequences which contain embedded null bytes (which happens in Unicode
681 encodings such as UTF-16), but @theglibc{} does not support such
682 multibyte encodings.  When encountering a null input byte, the function
683 will either return zero, or return @code{(size_t) -1)} and report a
684 @code{EILSEQ} error.  The @code{iconv} function can be used for
685 converting between arbitrary encodings.  @xref{Generic Conversion
686 Interface}.
688 @pindex wchar.h
689 @code{mbrtowc} was introduced in @w{Amendment 1} to @w{ISO C90} and
690 is declared in @file{wchar.h}.
691 @end deftypefun
693 A function that copies a multibyte string into a wide character string
694 while at the same time converting all lowercase characters into
695 uppercase could look like this:
697 @smallexample
698 @include mbstouwcs.c.texi
699 @end smallexample
701 In the inner loop, a single wide character is stored in @code{wc}, and
702 the number of consumed bytes is stored in the variable @code{nbytes}.
703 If the conversion is successful, the uppercase variant of the wide
704 character is stored in the @code{result} array and the pointer to the
705 input string and the number of available bytes is adjusted.  If the
706 @code{mbrtowc} function returns zero, the null input byte has not been
707 converted, so it must be stored explicitly in the result.
709 The above code uses the fact that there can never be more wide
710 characters in the converted result than there are bytes in the multibyte
711 input string.  This method yields a pessimistic guess about the size of
712 the result, and if many wide character strings have to be constructed
713 this way or if the strings are long, the extra memory required to be
714 allocated because the input string contains multibyte characters might
715 be significant.  The allocated memory block can be resized to the
716 correct size before returning it, but a better solution might be to
717 allocate just the right amount of space for the result right away.
718 Unfortunately there is no function to compute the length of the wide
719 character string directly from the multibyte string.  There is, however,
720 a function that does part of the work.
722 @deftypefun size_t mbrlen (const char *restrict @var{s}, size_t @var{n}, mbstate_t *@var{ps})
723 @standards{ISO, wchar.h}
724 @safety{@prelim{}@mtunsafe{@mtasurace{:mbrlen/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
725 The @code{mbrlen} function (``multibyte restartable length'') computes
726 the number of at most @var{n} bytes starting at @var{s}, which form the
727 next valid and complete multibyte character.
729 If the next multibyte character corresponds to the NUL wide character,
730 the return value is @math{0}.  If the next @var{n} bytes form a valid
731 multibyte character, the number of bytes belonging to this multibyte
732 character byte sequence is returned.
734 If the first @var{n} bytes possibly form a valid multibyte
735 character but the character is incomplete, the return value is
736 @code{(size_t) -2}.  Otherwise the multibyte character sequence is invalid
737 and the return value is @code{(size_t) -1}.
739 The multibyte sequence is interpreted in the state represented by the
740 object pointed to by @var{ps}.  If @var{ps} is a null pointer, a state
741 object local to @code{mbrlen} is used.
743 @pindex wchar.h
744 @code{mbrlen} was introduced in @w{Amendment 1} to @w{ISO C90} and
745 is declared in @file{wchar.h}.
746 @end deftypefun
748 The attentive reader now will note that @code{mbrlen} can be implemented
751 @smallexample
752 mbrtowc (NULL, s, n, ps != NULL ? ps : &internal)
753 @end smallexample
755 This is true and in fact is mentioned in the official specification.
756 How can this function be used to determine the length of the wide
757 character string created from a multibyte character string?  It is not
758 directly usable, but we can define a function @code{mbslen} using it:
760 @smallexample
761 size_t
762 mbslen (const char *s)
764   mbstate_t state;
765   size_t result = 0;
766   size_t nbytes;
767   memset (&state, '\0', sizeof (state));
768   while ((nbytes = mbrlen (s, MB_LEN_MAX, &state)) > 0)
769     @{
770       if (nbytes >= (size_t) -2)
771         /* @r{Something is wrong.}  */
772         return (size_t) -1;
773       s += nbytes;
774       ++result;
775     @}
776   return result;
778 @end smallexample
780 This function simply calls @code{mbrlen} for each multibyte character
781 in the string and counts the number of function calls.  Please note that
782 we here use @code{MB_LEN_MAX} as the size argument in the @code{mbrlen}
783 call.  This is acceptable since a) this value is larger than the length of
784 the longest multibyte character sequence and b) we know that the string
785 @var{s} ends with a NUL byte, which cannot be part of any other multibyte
786 character sequence but the one representing the NUL wide character.
787 Therefore, the @code{mbrlen} function will never read invalid memory.
789 Now that this function is available (just to make this clear, this
790 function is @emph{not} part of @theglibc{}) we can compute the
791 number of wide characters required to store the converted multibyte
792 character string @var{s} using
794 @smallexample
795 wcs_bytes = (mbslen (s) + 1) * sizeof (wchar_t);
796 @end smallexample
798 Please note that the @code{mbslen} function is quite inefficient.  The
799 implementation of @code{mbstouwcs} with @code{mbslen} would have to
800 perform the conversion of the multibyte character input string twice, and
801 this conversion might be quite expensive.  So it is necessary to think
802 about the consequences of using the easier but imprecise method before
803 doing the work twice.
805 @deftypefun size_t wcrtomb (char *restrict @var{s}, wchar_t @var{wc}, mbstate_t *restrict @var{ps})
806 @standards{ISO, wchar.h}
807 @safety{@prelim{}@mtunsafe{@mtasurace{:wcrtomb/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
808 @c wcrtomb uses a static, non-thread-local unguarded state variable when
809 @c PS is NULL.  When a state is passed in, and it's not used
810 @c concurrently in other threads, this function behaves safely as long
811 @c as gconv modules don't bring MT safety issues of their own.
812 @c Attempting to load gconv modules or to build conversion chains in
813 @c signal handlers may encounter gconv databases or caches in a
814 @c partially-updated state, and asynchronous cancellation may leave them
815 @c in such states, besides leaking the lock that guards them.
816 @c get_gconv_fcts ok
817 @c    wcsmbs_load_conv ok
818 @c      norm_add_slashes ok
819 @c      wcsmbs_getfct ok
820 @c        gconv_find_transform ok
821 @c          gconv_read_conf (libc_once)
822 @c          gconv_lookup_cache ok
823 @c            find_module_idx ok
824 @c            find_module ok
825 @c              gconv_find_shlib (ok)
826 @c              ->init_fct (assumed ok)
827 @c            gconv_get_builtin_trans ok
828 @c            gconv_release_step ok
829 @c          do_lookup_alias ok
830 @c          find_derivation ok
831 @c            derivation_lookup ok
832 @c            increment_counter ok
833 @c              gconv_find_shlib ok
834 @c              step->init_fct (assumed ok)
835 @c            gen_steps ok
836 @c              gconv_find_shlib ok
837 @c                dlopen (presumed ok)
838 @c                dlsym (presumed ok)
839 @c              step->init_fct (assumed ok)
840 @c              step->end_fct (assumed ok)
841 @c              gconv_get_builtin_trans ok
842 @c              gconv_release_step ok
843 @c            add_derivation ok
844 @c      gconv_close_transform ok
845 @c        gconv_release_step ok
846 @c          step->end_fct (assumed ok)
847 @c          gconv_release_shlib ok
848 @c            dlclose (presumed ok)
849 @c        gconv_release_cache ok
850 @c  ->tomb->__fct (assumed ok)
851 The @code{wcrtomb} function (``wide character restartable to
852 multibyte'') converts a single wide character into a multibyte string
853 corresponding to that wide character.
855 If @var{s} is a null pointer, the function resets the state stored in
856 the object pointed to by @var{ps} (or the internal @code{mbstate_t}
857 object) to the initial state.  This can also be achieved by a call like
858 this:
860 @smallexample
861 wcrtombs (temp_buf, L'\0', ps)
862 @end smallexample
864 @noindent
865 since, if @var{s} is a null pointer, @code{wcrtomb} performs as if it
866 writes into an internal buffer, which is guaranteed to be large enough.
868 If @var{wc} is the NUL wide character, @code{wcrtomb} emits, if
869 necessary, a shift sequence to get the state @var{ps} into the initial
870 state followed by a single NUL byte, which is stored in the string
871 @var{s}.
873 Otherwise a byte sequence (possibly including shift sequences) is written
874 into the string @var{s}.  This only happens if @var{wc} is a valid wide
875 character (i.e., it has a multibyte representation in the character set
876 selected by locale of the @code{LC_CTYPE} category).  If @var{wc} is no
877 valid wide character, nothing is stored in the strings @var{s},
878 @code{errno} is set to @code{EILSEQ}, the conversion state in @var{ps}
879 is undefined and the return value is @code{(size_t) -1}.
881 If no error occurred the function returns the number of bytes stored in
882 the string @var{s}.  This includes all bytes representing shift
883 sequences.
885 One word about the interface of the function: there is no parameter
886 specifying the length of the array @var{s}, so the caller has to make sure
887 that there is enough space available, otherwise buffer overruns can occur.
888 This version of @theglibc{} does not assume that @var{s} is at least
889 @var{MB_CUR_MAX} bytes long, but programs that need to run on @glibcadj{}
890 versions that have this assumption documented in the manual must comply
891 with this limit.
893 @pindex wchar.h
894 @code{wcrtomb} was introduced in @w{Amendment 1} to @w{ISO C90} and is
895 declared in @file{wchar.h}.
896 @end deftypefun
898 Using @code{wcrtomb} is as easy as using @code{mbrtowc}.  The following
899 example appends a wide character string to a multibyte character string.
900 Again, the code is not really useful (or correct), it is simply here to
901 demonstrate the use and some problems.
903 @smallexample
904 char *
905 mbscatwcs (char *s, size_t len, const wchar_t *ws)
907   mbstate_t state;
908   /* @r{Find the end of the existing string.}  */
909   char *wp = strchr (s, '\0');
910   len -= wp - s;
911   memset (&state, '\0', sizeof (state));
912   do
913     @{
914       size_t nbytes;
915       if (len < MB_CUR_LEN)
916         @{
917           /* @r{We cannot guarantee that the next}
918              @r{character fits into the buffer, so}
919              @r{return an error.}  */
920           errno = E2BIG;
921           return NULL;
922         @}
923       nbytes = wcrtomb (wp, *ws, &state);
924       if (nbytes == (size_t) -1)
925         /* @r{Error in the conversion.}  */
926         return NULL;
927       len -= nbytes;
928       wp += nbytes;
929     @}
930   while (*ws++ != L'\0');
931   return s;
933 @end smallexample
935 First the function has to find the end of the string currently in the
936 array @var{s}.  The @code{strchr} call does this very efficiently since a
937 requirement for multibyte character representations is that the NUL byte
938 is never used except to represent itself (and in this context, the end
939 of the string).
941 After initializing the state object the loop is entered where the first
942 task is to make sure there is enough room in the array @var{s}.  We
943 abort if there are not at least @code{MB_CUR_LEN} bytes available.  This
944 is not always optimal but we have no other choice.  We might have less
945 than @code{MB_CUR_LEN} bytes available but the next multibyte character
946 might also be only one byte long.  At the time the @code{wcrtomb} call
947 returns it is too late to decide whether the buffer was large enough.  If
948 this solution is unsuitable, there is a very slow but more accurate
949 solution.
951 @smallexample
952   @dots{}
953   if (len < MB_CUR_LEN)
954     @{
955       mbstate_t temp_state;
956       memcpy (&temp_state, &state, sizeof (state));
957       if (wcrtomb (NULL, *ws, &temp_state) > len)
958         @{
959           /* @r{We cannot guarantee that the next}
960              @r{character fits into the buffer, so}
961              @r{return an error.}  */
962           errno = E2BIG;
963           return NULL;
964         @}
965     @}
966   @dots{}
967 @end smallexample
969 Here we perform the conversion that might overflow the buffer so that
970 we are afterwards in the position to make an exact decision about the
971 buffer size.  Please note the @code{NULL} argument for the destination
972 buffer in the new @code{wcrtomb} call; since we are not interested in the
973 converted text at this point, this is a nice way to express this.  The
974 most unusual thing about this piece of code certainly is the duplication
975 of the conversion state object, but if a change of the state is necessary
976 to emit the next multibyte character, we want to have the same shift state
977 change performed in the real conversion.  Therefore, we have to preserve
978 the initial shift state information.
980 There are certainly many more and even better solutions to this problem.
981 This example is only provided for educational purposes.
983 @node Converting Strings
984 @subsection Converting Multibyte and Wide Character Strings
986 The functions described in the previous section only convert a single
987 character at a time.  Most operations to be performed in real-world
988 programs include strings and therefore the @w{ISO C} standard also
989 defines conversions on entire strings.  However, the defined set of
990 functions is quite limited; therefore, @theglibc{} contains a few
991 extensions that can help in some important situations.
993 @deftypefun size_t mbsrtowcs (wchar_t *restrict @var{dst}, const char **restrict @var{src}, size_t @var{len}, mbstate_t *restrict @var{ps})
994 @standards{ISO, wchar.h}
995 @safety{@prelim{}@mtunsafe{@mtasurace{:mbsrtowcs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
996 The @code{mbsrtowcs} function (``multibyte string restartable to wide
997 character string'') converts the NUL-terminated multibyte character
998 string at @code{*@var{src}} into an equivalent wide character string,
999 including the NUL wide character at the end.  The conversion is started
1000 using the state information from the object pointed to by @var{ps} or
1001 from an internal object of @code{mbsrtowcs} if @var{ps} is a null
1002 pointer.  Before returning, the state object is updated to match the state
1003 after the last converted character.  The state is the initial state if the
1004 terminating NUL byte is reached and converted.
1006 If @var{dst} is not a null pointer, the result is stored in the array
1007 pointed to by @var{dst}; otherwise, the conversion result is not
1008 available since it is stored in an internal buffer.
1010 If @var{len} wide characters are stored in the array @var{dst} before
1011 reaching the end of the input string, the conversion stops and @var{len}
1012 is returned.  If @var{dst} is a null pointer, @var{len} is never checked.
1014 Another reason for a premature return from the function call is if the
1015 input string contains an invalid multibyte sequence.  In this case the
1016 global variable @code{errno} is set to @code{EILSEQ} and the function
1017 returns @code{(size_t) -1}.
1019 @c XXX The ISO C9x draft seems to have a problem here.  It says that PS
1020 @c is not updated if DST is NULL.  This is not said straightforward and
1021 @c none of the other functions is described like this.  It would make sense
1022 @c to define the function this way but I don't think it is meant like this.
1024 In all other cases the function returns the number of wide characters
1025 converted during this call.  If @var{dst} is not null, @code{mbsrtowcs}
1026 stores in the pointer pointed to by @var{src} either a null pointer (if
1027 the NUL byte in the input string was reached) or the address of the byte
1028 following the last converted multibyte character.
1030 Like @code{mbstowcs} the @var{dst} parameter may be a null pointer and
1031 the function can be used to count the number of wide characters that
1032 would be required.
1034 @pindex wchar.h
1035 @code{mbsrtowcs} was introduced in @w{Amendment 1} to @w{ISO C90} and is
1036 declared in @file{wchar.h}.
1037 @end deftypefun
1039 The definition of the @code{mbsrtowcs} function has one important
1040 limitation.  The requirement that @var{dst} has to be a NUL-terminated
1041 string provides problems if one wants to convert buffers with text.  A
1042 buffer is not normally a collection of NUL-terminated strings but instead a
1043 continuous collection of lines, separated by newline characters.  Now
1044 assume that a function to convert one line from a buffer is needed.  Since
1045 the line is not NUL-terminated, the source pointer cannot directly point
1046 into the unmodified text buffer.  This means, either one inserts the NUL
1047 byte at the appropriate place for the time of the @code{mbsrtowcs}
1048 function call (which is not doable for a read-only buffer or in a
1049 multi-threaded application) or one copies the line in an extra buffer
1050 where it can be terminated by a NUL byte.  Note that it is not in general
1051 possible to limit the number of characters to convert by setting the
1052 parameter @var{len} to any specific value.  Since it is not known how
1053 many bytes each multibyte character sequence is in length, one can only
1054 guess.
1056 @cindex stateful
1057 There is still a problem with the method of NUL-terminating a line right
1058 after the newline character, which could lead to very strange results.
1059 As said in the description of the @code{mbsrtowcs} function above, the
1060 conversion state is guaranteed to be in the initial shift state after
1061 processing the NUL byte at the end of the input string.  But this NUL
1062 byte is not really part of the text (i.e., the conversion state after
1063 the newline in the original text could be something different than the
1064 initial shift state and therefore the first character of the next line
1065 is encoded using this state).  But the state in question is never
1066 accessible to the user since the conversion stops after the NUL byte
1067 (which resets the state).  Most stateful character sets in use today
1068 require that the shift state after a newline be the initial state--but
1069 this is not a strict guarantee.  Therefore, simply NUL-terminating a
1070 piece of a running text is not always an adequate solution and,
1071 therefore, should never be used in generally used code.
1073 The generic conversion interface (@pxref{Generic Charset Conversion})
1074 does not have this limitation (it simply works on buffers, not
1075 strings), and @theglibc{} contains a set of functions that take
1076 additional parameters specifying the maximal number of bytes that are
1077 consumed from the input string.  This way the problem of
1078 @code{mbsrtowcs}'s example above could be solved by determining the line
1079 length and passing this length to the function.
1081 @deftypefun size_t wcsrtombs (char *restrict @var{dst}, const wchar_t **restrict @var{src}, size_t @var{len}, mbstate_t *restrict @var{ps})
1082 @standards{ISO, wchar.h}
1083 @safety{@prelim{}@mtunsafe{@mtasurace{:wcsrtombs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1084 The @code{wcsrtombs} function (``wide character string restartable to
1085 multibyte string'') converts the NUL-terminated wide character string at
1086 @code{*@var{src}} into an equivalent multibyte character string and
1087 stores the result in the array pointed to by @var{dst}.  The NUL wide
1088 character is also converted.  The conversion starts in the state
1089 described in the object pointed to by @var{ps} or by a state object
1090 local to @code{wcsrtombs} in case @var{ps} is a null pointer.  If
1091 @var{dst} is a null pointer, the conversion is performed as usual but the
1092 result is not available.  If all characters of the input string were
1093 successfully converted and if @var{dst} is not a null pointer, the
1094 pointer pointed to by @var{src} gets assigned a null pointer.
1096 If one of the wide characters in the input string has no valid multibyte
1097 character equivalent, the conversion stops early, sets the global
1098 variable @code{errno} to @code{EILSEQ}, and returns @code{(size_t) -1}.
1100 Another reason for a premature stop is if @var{dst} is not a null
1101 pointer and the next converted character would require more than
1102 @var{len} bytes in total to the array @var{dst}.  In this case (and if
1103 @var{dst} is not a null pointer) the pointer pointed to by @var{src} is
1104 assigned a value pointing to the wide character right after the last one
1105 successfully converted.
1107 Except in the case of an encoding error the return value of the
1108 @code{wcsrtombs} function is the number of bytes in all the multibyte
1109 character sequences which were or would have been (if @var{dst} was
1110 not a null) stored in @var{dst}.  Before returning, the state in the
1111 object pointed to by @var{ps} (or the internal object in case @var{ps}
1112 is a null pointer) is updated to reflect the state after the last
1113 conversion.  The state is the initial shift state in case the
1114 terminating NUL wide character was converted.
1116 @pindex wchar.h
1117 The @code{wcsrtombs} function was introduced in @w{Amendment 1} to
1118 @w{ISO C90} and is declared in @file{wchar.h}.
1119 @end deftypefun
1121 The restriction mentioned above for the @code{mbsrtowcs} function applies
1122 here also.  There is no possibility of directly controlling the number of
1123 input characters.  One has to place the NUL wide character at the correct
1124 place or control the consumed input indirectly via the available output
1125 array size (the @var{len} parameter).
1127 @deftypefun size_t mbsnrtowcs (wchar_t *restrict @var{dst}, const char **restrict @var{src}, size_t @var{nmc}, size_t @var{len}, mbstate_t *restrict @var{ps})
1128 @standards{GNU, wchar.h}
1129 @safety{@prelim{}@mtunsafe{@mtasurace{:mbsnrtowcs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1130 The @code{mbsnrtowcs} function is very similar to the @code{mbsrtowcs}
1131 function.  All the parameters are the same except for @var{nmc}, which is
1132 new.  The return value is the same as for @code{mbsrtowcs}.
1134 This new parameter specifies how many bytes at most can be used from the
1135 multibyte character string.  In other words, the multibyte character
1136 string @code{*@var{src}} need not be NUL-terminated.  But if a NUL byte
1137 is found within the @var{nmc} first bytes of the string, the conversion
1138 stops there.
1140 Like @code{mbstowcs} the @var{dst} parameter may be a null pointer and
1141 the function can be used to count the number of wide characters that
1142 would be required.
1144 This function is a GNU extension.  It is meant to work around the
1145 problems mentioned above.  Now it is possible to convert a buffer with
1146 multibyte character text piece by piece without having to care about
1147 inserting NUL bytes and the effect of NUL bytes on the conversion state.
1148 @end deftypefun
1150 A function to convert a multibyte string into a wide character string
1151 and display it could be written like this (this is not a really useful
1152 example):
1154 @smallexample
1155 void
1156 showmbs (const char *src, FILE *fp)
1158   mbstate_t state;
1159   int cnt = 0;
1160   memset (&state, '\0', sizeof (state));
1161   while (1)
1162     @{
1163       wchar_t linebuf[100];
1164       const char *endp = strchr (src, '\n');
1165       size_t n;
1167       /* @r{Exit if there is no more line.}  */
1168       if (endp == NULL)
1169         break;
1171       n = mbsnrtowcs (linebuf, &src, endp - src, 99, &state);
1172       linebuf[n] = L'\0';
1173       fprintf (fp, "line %d: \"%S\"\n", linebuf);
1174     @}
1176 @end smallexample
1178 There is no problem with the state after a call to @code{mbsnrtowcs}.
1179 Since we don't insert characters in the strings that were not in there
1180 right from the beginning and we use @var{state} only for the conversion
1181 of the given buffer, there is no problem with altering the state.
1183 @deftypefun size_t wcsnrtombs (char *restrict @var{dst}, const wchar_t **restrict @var{src}, size_t @var{nwc}, size_t @var{len}, mbstate_t *restrict @var{ps})
1184 @standards{GNU, wchar.h}
1185 @safety{@prelim{}@mtunsafe{@mtasurace{:wcsnrtombs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1186 The @code{wcsnrtombs} function implements the conversion from wide
1187 character strings to multibyte character strings.  It is similar to
1188 @code{wcsrtombs} but, just like @code{mbsnrtowcs}, it takes an extra
1189 parameter, which specifies the length of the input string.
1191 No more than @var{nwc} wide characters from the input string
1192 @code{*@var{src}} are converted.  If the input string contains a NUL
1193 wide character in the first @var{nwc} characters, the conversion stops at
1194 this place.
1196 The @code{wcsnrtombs} function is a GNU extension and just like
1197 @code{mbsnrtowcs} helps in situations where no NUL-terminated input
1198 strings are available.
1199 @end deftypefun
1202 @node Multibyte Conversion Example
1203 @subsection A Complete Multibyte Conversion Example
1205 The example programs given in the last sections are only brief and do
1206 not contain all the error checking, etc.  Presented here is a complete
1207 and documented example.  It features the @code{mbrtowc} function but it
1208 should be easy to derive versions using the other functions.
1210 @smallexample
1212 file_mbsrtowcs (int input, int output)
1214   /* @r{Note the use of @code{MB_LEN_MAX}.}
1215      @r{@code{MB_CUR_MAX} cannot portably be used here.}  */
1216   char buffer[BUFSIZ + MB_LEN_MAX];
1217   mbstate_t state;
1218   int filled = 0;
1219   int eof = 0;
1221   /* @r{Initialize the state.}  */
1222   memset (&state, '\0', sizeof (state));
1224   while (!eof)
1225     @{
1226       ssize_t nread;
1227       ssize_t nwrite;
1228       char *inp = buffer;
1229       wchar_t outbuf[BUFSIZ];
1230       wchar_t *outp = outbuf;
1232       /* @r{Fill up the buffer from the input file.}  */
1233       nread = read (input, buffer + filled, BUFSIZ);
1234       if (nread < 0)
1235         @{
1236           perror ("read");
1237           return 0;
1238         @}
1239       /* @r{If we reach end of file, make a note to read no more.} */
1240       if (nread == 0)
1241         eof = 1;
1243       /* @r{@code{filled} is now the number of bytes in @code{buffer}.} */
1244       filled += nread;
1246       /* @r{Convert those bytes to wide characters--as many as we can.} */
1247       while (1)
1248         @{
1249           size_t thislen = mbrtowc (outp, inp, filled, &state);
1250           /* @r{Stop converting at invalid character;}
1251              @r{this can mean we have read just the first part}
1252              @r{of a valid character.}  */
1253           if (thislen == (size_t) -1)
1254             break;
1255           /* @r{We want to handle embedded NUL bytes}
1256              @r{but the return value is 0.  Correct this.}  */
1257           if (thislen == 0)
1258             thislen = 1;
1259           /* @r{Advance past this character.} */
1260           inp += thislen;
1261           filled -= thislen;
1262           ++outp;
1263         @}
1265       /* @r{Write the wide characters we just made.}  */
1266       nwrite = write (output, outbuf,
1267                       (outp - outbuf) * sizeof (wchar_t));
1268       if (nwrite < 0)
1269         @{
1270           perror ("write");
1271           return 0;
1272         @}
1274       /* @r{See if we have a @emph{real} invalid character.} */
1275       if ((eof && filled > 0) || filled >= MB_CUR_MAX)
1276         @{
1277           error (0, 0, "invalid multibyte character");
1278           return 0;
1279         @}
1281       /* @r{If any characters must be carried forward,}
1282          @r{put them at the beginning of @code{buffer}.} */
1283       if (filled > 0)
1284         memmove (buffer, inp, filled);
1285     @}
1287   return 1;
1289 @end smallexample
1292 @node Non-reentrant Conversion
1293 @section Non-reentrant Conversion Function
1295 The functions described in the previous chapter are defined in
1296 @w{Amendment 1} to @w{ISO C90}, but the original @w{ISO C90} standard
1297 also contained functions for character set conversion.  The reason that
1298 these original functions are not described first is that they are almost
1299 entirely useless.
1301 The problem is that all the conversion functions described in the
1302 original @w{ISO C90} use a local state.  Using a local state implies that
1303 multiple conversions at the same time (not only when using threads)
1304 cannot be done, and that you cannot first convert single characters and
1305 then strings since you cannot tell the conversion functions which state
1306 to use.
1308 These original functions are therefore usable only in a very limited set
1309 of situations.  One must complete converting the entire string before
1310 starting a new one, and each string/text must be converted with the same
1311 function (there is no problem with the library itself; it is guaranteed
1312 that no library function changes the state of any of these functions).
1313 @strong{For the above reasons it is highly requested that the functions
1314 described in the previous section be used in place of non-reentrant
1315 conversion functions.}
1317 @menu
1318 * Non-reentrant Character Conversion::  Non-reentrant Conversion of Single
1319                                          Characters.
1320 * Non-reentrant String Conversion::     Non-reentrant Conversion of Strings.
1321 * Shift State::                         States in Non-reentrant Functions.
1322 @end menu
1324 @node Non-reentrant Character Conversion
1325 @subsection Non-reentrant Conversion of Single Characters
1327 @deftypefun int mbtowc (wchar_t *restrict @var{result}, const char *restrict @var{string}, size_t @var{size})
1328 @standards{ISO, stdlib.h}
1329 @safety{@prelim{}@mtunsafe{@mtasurace{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1330 The @code{mbtowc} (``multibyte to wide character'') function when called
1331 with non-null @var{string} converts the first multibyte character
1332 beginning at @var{string} to its corresponding wide character code.  It
1333 stores the result in @code{*@var{result}}.
1335 @code{mbtowc} never examines more than @var{size} bytes.  (The idea is
1336 to supply for @var{size} the number of bytes of data you have in hand.)
1338 @code{mbtowc} with non-null @var{string} distinguishes three
1339 possibilities: the first @var{size} bytes at @var{string} start with
1340 valid multibyte characters, they start with an invalid byte sequence or
1341 just part of a character, or @var{string} points to an empty string (a
1342 null character).
1344 For a valid multibyte character, @code{mbtowc} converts it to a wide
1345 character and stores that in @code{*@var{result}}, and returns the
1346 number of bytes in that character (always at least @math{1} and never
1347 more than @var{size}).
1349 For an invalid byte sequence, @code{mbtowc} returns @math{-1}.  For an
1350 empty string, it returns @math{0}, also storing @code{'\0'} in
1351 @code{*@var{result}}.
1353 If the multibyte character code uses shift characters, then
1354 @code{mbtowc} maintains and updates a shift state as it scans.  If you
1355 call @code{mbtowc} with a null pointer for @var{string}, that
1356 initializes the shift state to its standard initial value.  It also
1357 returns nonzero if the multibyte character code in use actually has a
1358 shift state.  @xref{Shift State}.
1359 @end deftypefun
1361 @deftypefun int wctomb (char *@var{string}, wchar_t @var{wchar})
1362 @standards{ISO, stdlib.h}
1363 @safety{@prelim{}@mtunsafe{@mtasurace{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1364 The @code{wctomb} (``wide character to multibyte'') function converts
1365 the wide character code @var{wchar} to its corresponding multibyte
1366 character sequence, and stores the result in bytes starting at
1367 @var{string}.  At most @code{MB_CUR_MAX} characters are stored.
1369 @code{wctomb} with non-null @var{string} distinguishes three
1370 possibilities for @var{wchar}: a valid wide character code (one that can
1371 be translated to a multibyte character), an invalid code, and
1372 @code{L'\0'}.
1374 Given a valid code, @code{wctomb} converts it to a multibyte character,
1375 storing the bytes starting at @var{string}.  Then it returns the number
1376 of bytes in that character (always at least @math{1} and never more
1377 than @code{MB_CUR_MAX}).
1379 If @var{wchar} is an invalid wide character code, @code{wctomb} returns
1380 @math{-1}.  If @var{wchar} is @code{L'\0'}, it returns @code{0}, also
1381 storing @code{'\0'} in @code{*@var{string}}.
1383 If the multibyte character code uses shift characters, then
1384 @code{wctomb} maintains and updates a shift state as it scans.  If you
1385 call @code{wctomb} with a null pointer for @var{string}, that
1386 initializes the shift state to its standard initial value.  It also
1387 returns nonzero if the multibyte character code in use actually has a
1388 shift state.  @xref{Shift State}.
1390 Calling this function with a @var{wchar} argument of zero when
1391 @var{string} is not null has the side-effect of reinitializing the
1392 stored shift state @emph{as well as} storing the multibyte character
1393 @code{'\0'} and returning @math{0}.
1394 @end deftypefun
1396 Similar to @code{mbrlen} there is also a non-reentrant function that
1397 computes the length of a multibyte character.  It can be defined in
1398 terms of @code{mbtowc}.
1400 @deftypefun int mblen (const char *@var{string}, size_t @var{size})
1401 @standards{ISO, stdlib.h}
1402 @safety{@prelim{}@mtunsafe{@mtasurace{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1403 The @code{mblen} function with a non-null @var{string} argument returns
1404 the number of bytes that make up the multibyte character beginning at
1405 @var{string}, never examining more than @var{size} bytes.  (The idea is
1406 to supply for @var{size} the number of bytes of data you have in hand.)
1408 The return value of @code{mblen} distinguishes three possibilities: the
1409 first @var{size} bytes at @var{string} start with valid multibyte
1410 characters, they start with an invalid byte sequence or just part of a
1411 character, or @var{string} points to an empty string (a null character).
1413 For a valid multibyte character, @code{mblen} returns the number of
1414 bytes in that character (always at least @code{1} and never more than
1415 @var{size}).  For an invalid byte sequence, @code{mblen} returns
1416 @math{-1}.  For an empty string, it returns @math{0}.
1418 If the multibyte character code uses shift characters, then @code{mblen}
1419 maintains and updates a shift state as it scans.  If you call
1420 @code{mblen} with a null pointer for @var{string}, that initializes the
1421 shift state to its standard initial value.  It also returns a nonzero
1422 value if the multibyte character code in use actually has a shift state.
1423 @xref{Shift State}.
1425 @pindex stdlib.h
1426 The function @code{mblen} is declared in @file{stdlib.h}.
1427 @end deftypefun
1430 @node Non-reentrant String Conversion
1431 @subsection Non-reentrant Conversion of Strings
1433 For convenience the @w{ISO C90} standard also defines functions to
1434 convert entire strings instead of single characters.  These functions
1435 suffer from the same problems as their reentrant counterparts from
1436 @w{Amendment 1} to @w{ISO C90}; see @ref{Converting Strings}.
1438 @deftypefun size_t mbstowcs (wchar_t *@var{wstring}, const char *@var{string}, size_t @var{size})
1439 @standards{ISO, stdlib.h}
1440 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1441 @c Odd...  Although this was supposed to be non-reentrant, the internal
1442 @c state is not a static buffer, but an automatic variable.
1443 The @code{mbstowcs} (``multibyte string to wide character string'')
1444 function converts the null-terminated string of multibyte characters
1445 @var{string} to an array of wide character codes, storing not more than
1446 @var{size} wide characters into the array beginning at @var{wstring}.
1447 The terminating null character counts towards the size, so if @var{size}
1448 is less than the actual number of wide characters resulting from
1449 @var{string}, no terminating null character is stored.
1451 The conversion of characters from @var{string} begins in the initial
1452 shift state.
1454 If an invalid multibyte character sequence is found, the @code{mbstowcs}
1455 function returns a value of @math{-1}.  Otherwise, it returns the number
1456 of wide characters stored in the array @var{wstring}.  This number does
1457 not include the terminating null character, which is present if the
1458 number is less than @var{size}.
1460 Here is an example showing how to convert a string of multibyte
1461 characters, allocating enough space for the result.
1463 @smallexample
1464 wchar_t *
1465 mbstowcs_alloc (const char *string)
1467   size_t size = strlen (string) + 1;
1468   wchar_t *buf = xmalloc (size * sizeof (wchar_t));
1470   size = mbstowcs (buf, string, size);
1471   if (size == (size_t) -1)
1472     return NULL;
1473   buf = xreallocarray (buf, size + 1, sizeof *buf);
1474   return buf;
1476 @end smallexample
1478 If @var{wstring} is a null pointer then no output is written and the
1479 conversion proceeds as above, and the result is returned.  In practice
1480 such behaviour is useful for calculating the exact number of wide
1481 characters required to convert @var{string}.  This behaviour of
1482 accepting a null pointer for @var{wstring} is an @w{XPG4.2} extension
1483 that is not specified in @w{ISO C} and is optional in @w{POSIX}.
1484 @end deftypefun
1486 @deftypefun size_t wcstombs (char *@var{string}, const wchar_t *@var{wstring}, size_t @var{size})
1487 @standards{ISO, stdlib.h}
1488 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1489 The @code{wcstombs} (``wide character string to multibyte string'')
1490 function converts the null-terminated wide character array @var{wstring}
1491 into a string containing multibyte characters, storing not more than
1492 @var{size} bytes starting at @var{string}, followed by a terminating
1493 null character if there is room.  The conversion of characters begins in
1494 the initial shift state.
1496 The terminating null character counts towards the size, so if @var{size}
1497 is less than or equal to the number of bytes needed in @var{wstring}, no
1498 terminating null character is stored.
1500 If a code that does not correspond to a valid multibyte character is
1501 found, the @code{wcstombs} function returns a value of @math{-1}.
1502 Otherwise, the return value is the number of bytes stored in the array
1503 @var{string}.  This number does not include the terminating null character,
1504 which is present if the number is less than @var{size}.
1505 @end deftypefun
1507 @node Shift State
1508 @subsection States in Non-reentrant Functions
1510 In some multibyte character codes, the @emph{meaning} of any particular
1511 byte sequence is not fixed; it depends on what other sequences have come
1512 earlier in the same string.  Typically there are just a few sequences that
1513 can change the meaning of other sequences; these few are called
1514 @dfn{shift sequences} and we say that they set the @dfn{shift state} for
1515 other sequences that follow.
1517 To illustrate shift state and shift sequences, suppose we decide that
1518 the sequence @code{0200} (just one byte) enters Japanese mode, in which
1519 pairs of bytes in the range from @code{0240} to @code{0377} are single
1520 characters, while @code{0201} enters Latin-1 mode, in which single bytes
1521 in the range from @code{0240} to @code{0377} are characters, and
1522 interpreted according to the ISO Latin-1 character set.  This is a
1523 multibyte code that has two alternative shift states (``Japanese mode''
1524 and ``Latin-1 mode''), and two shift sequences that specify particular
1525 shift states.
1527 When the multibyte character code in use has shift states, then
1528 @code{mblen}, @code{mbtowc}, and @code{wctomb} must maintain and update
1529 the current shift state as they scan the string.  To make this work
1530 properly, you must follow these rules:
1532 @itemize @bullet
1533 @item
1534 Before starting to scan a string, call the function with a null pointer
1535 for the multibyte character address---for example, @code{mblen (NULL,
1536 0)}.  This initializes the shift state to its standard initial value.
1538 @item
1539 Scan the string one character at a time, in order.  Do not ``back up''
1540 and rescan characters already scanned, and do not intersperse the
1541 processing of different strings.
1542 @end itemize
1544 Here is an example of using @code{mblen} following these rules:
1546 @smallexample
1547 void
1548 scan_string (char *s)
1550   int length = strlen (s);
1552   /* @r{Initialize shift state.}  */
1553   mblen (NULL, 0);
1555   while (1)
1556     @{
1557       int thischar = mblen (s, length);
1558       /* @r{Deal with end of string and invalid characters.}  */
1559       if (thischar == 0)
1560         break;
1561       if (thischar == -1)
1562         @{
1563           error ("invalid multibyte character");
1564           break;
1565         @}
1566       /* @r{Advance past this character.}  */
1567       s += thischar;
1568       length -= thischar;
1569     @}
1571 @end smallexample
1573 The functions @code{mblen}, @code{mbtowc} and @code{wctomb} are not
1574 reentrant when using a multibyte code that uses a shift state.  However,
1575 no other library functions call these functions, so you don't have to
1576 worry that the shift state will be changed mysteriously.
1579 @node Generic Charset Conversion
1580 @section Generic Charset Conversion
1582 The conversion functions mentioned so far in this chapter all had in
1583 common that they operate on character sets that are not directly
1584 specified by the functions.  The multibyte encoding used is specified by
1585 the currently selected locale for the @code{LC_CTYPE} category.  The
1586 wide character set is fixed by the implementation (in the case of @theglibc{}
1587 it is always UCS-4 encoded @w{ISO 10646}).
1589 This has of course several problems when it comes to general character
1590 conversion:
1592 @itemize @bullet
1593 @item
1594 For every conversion where neither the source nor the destination
1595 character set is the character set of the locale for the @code{LC_CTYPE}
1596 category, one has to change the @code{LC_CTYPE} locale using
1597 @code{setlocale}.
1599 Changing the @code{LC_CTYPE} locale introduces major problems for the rest
1600 of the programs since several more functions (e.g., the character
1601 classification functions, @pxref{Classification of Characters}) use the
1602 @code{LC_CTYPE} category.
1604 @item
1605 Parallel conversions to and from different character sets are not
1606 possible since the @code{LC_CTYPE} selection is global and shared by all
1607 threads.
1609 @item
1610 If neither the source nor the destination character set is the character
1611 set used for @code{wchar_t} representation, there is at least a two-step
1612 process necessary to convert a text using the functions above.  One would
1613 have to select the source character set as the multibyte encoding,
1614 convert the text into a @code{wchar_t} text, select the destination
1615 character set as the multibyte encoding, and convert the wide character
1616 text to the multibyte (@math{=} destination) character set.
1618 Even if this is possible (which is not guaranteed) it is a very tiring
1619 work.  Plus it suffers from the other two raised points even more due to
1620 the steady changing of the locale.
1621 @end itemize
1623 The XPG2 standard defines a completely new set of functions, which has
1624 none of these limitations.  They are not at all coupled to the selected
1625 locales, and they have no constraints on the character sets selected for
1626 source and destination.  Only the set of available conversions limits
1627 them.  The standard does not specify that any conversion at all must be
1628 available.  Such availability is a measure of the quality of the
1629 implementation.
1631 In the following text first the interface to @code{iconv} and then the
1632 conversion function, will be described.  Comparisons with other
1633 implementations will show what obstacles stand in the way of portable
1634 applications.  Finally, the implementation is described in so far as might
1635 interest the advanced user who wants to extend conversion capabilities.
1637 @menu
1638 * Generic Conversion Interface::    Generic Character Set Conversion Interface.
1639 * iconv Examples::                  A complete @code{iconv} example.
1640 * Other iconv Implementations::     Some Details about other @code{iconv}
1641                                      Implementations.
1642 * glibc iconv Implementation::      The @code{iconv} Implementation in the GNU C
1643                                      library.
1644 @end menu
1646 @node Generic Conversion Interface
1647 @subsection Generic Character Set Conversion Interface
1649 This set of functions follows the traditional cycle of using a resource:
1650 open--use--close.  The interface consists of three functions, each of
1651 which implements one step.
1653 Before the interfaces are described it is necessary to introduce a
1654 data type.  Just like other open--use--close interfaces the functions
1655 introduced here work using handles and the @file{iconv.h} header
1656 defines a special type for the handles used.
1658 @deftp {Data Type} iconv_t
1659 @standards{XPG2, iconv.h}
1660 This data type is an abstract type defined in @file{iconv.h}.  The user
1661 must not assume anything about the definition of this type; it must be
1662 completely opaque.
1664 Objects of this type can be assigned handles for the conversions using
1665 the @code{iconv} functions.  The objects themselves need not be freed, but
1666 the conversions for which the handles stand for have to.
1667 @end deftp
1669 @noindent
1670 The first step is the function to create a handle.
1672 @deftypefun iconv_t iconv_open (const char *@var{tocode}, const char *@var{fromcode})
1673 @standards{XPG2, iconv.h}
1674 @safety{@prelim{}@mtsafe{@mtslocale{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1675 @c Calls malloc if tocode and/or fromcode are too big for alloca.  Calls
1676 @c strip and upstr on both, then gconv_open.  strip and upstr call
1677 @c isalnum_l and toupper_l with the C locale.  gconv_open may MT-safely
1678 @c tokenize toset, replace unspecified codesets with the current locale
1679 @c (possibly two different accesses), and finally it calls
1680 @c gconv_find_transform and initializes the gconv_t result with all the
1681 @c steps in the conversion sequence, running each one's initializer,
1682 @c destructing and releasing them all if anything fails.
1684 The @code{iconv_open} function has to be used before starting a
1685 conversion.  The two parameters this function takes determine the
1686 source and destination character set for the conversion, and if the
1687 implementation has the possibility to perform such a conversion, the
1688 function returns a handle.
1690 If the wanted conversion is not available, the @code{iconv_open} function
1691 returns @code{(iconv_t) -1}.  In this case the global variable
1692 @code{errno} can have the following values:
1694 @table @code
1695 @item EMFILE
1696 The process already has @code{OPEN_MAX} file descriptors open.
1697 @item ENFILE
1698 The system limit of open files is reached.
1699 @item ENOMEM
1700 Not enough memory to carry out the operation.
1701 @item EINVAL
1702 The conversion from @var{fromcode} to @var{tocode} is not supported.
1703 @end table
1705 It is not possible to use the same descriptor in different threads to
1706 perform independent conversions.  The data structures associated
1707 with the descriptor include information about the conversion state.
1708 This must not be messed up by using it in different conversions.
1710 An @code{iconv} descriptor is like a file descriptor as for every use a
1711 new descriptor must be created.  The descriptor does not stand for all
1712 of the conversions from @var{fromset} to @var{toset}.
1714 The @glibcadj{} implementation of @code{iconv_open} has one
1715 significant extension to other implementations.  To ease the extension
1716 of the set of available conversions, the implementation allows storing
1717 the necessary files with data and code in an arbitrary number of
1718 directories.  How this extension must be written will be explained below
1719 (@pxref{glibc iconv Implementation}).  Here it is only important to say
1720 that all directories mentioned in the @code{GCONV_PATH} environment
1721 variable are considered only if they contain a file @file{gconv-modules}.
1722 These directories need not necessarily be created by the system
1723 administrator.  In fact, this extension is introduced to help users
1724 writing and using their own, new conversions.  Of course, this does not
1725 work for security reasons in SUID binaries; in this case only the system
1726 directory is considered and this normally is
1727 @file{@var{prefix}/lib/gconv}.  The @code{GCONV_PATH} environment
1728 variable is examined exactly once at the first call of the
1729 @code{iconv_open} function.  Later modifications of the variable have no
1730 effect.
1732 @pindex iconv.h
1733 The @code{iconv_open} function was introduced early in the X/Open
1734 Portability Guide, @w{version 2}.  It is supported by all commercial
1735 Unices as it is required for the Unix branding.  However, the quality and
1736 completeness of the implementation varies widely.  The @code{iconv_open}
1737 function is declared in @file{iconv.h}.
1738 @end deftypefun
1740 The @code{iconv} implementation can associate large data structure with
1741 the handle returned by @code{iconv_open}.  Therefore, it is crucial to
1742 free all the resources once all conversions are carried out and the
1743 conversion is not needed anymore.
1745 @deftypefun int iconv_close (iconv_t @var{cd})
1746 @standards{XPG2, iconv.h}
1747 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{}}}
1748 @c Calls gconv_close to destruct and release each of the conversion
1749 @c steps, release the gconv_t object, then call gconv_close_transform.
1750 @c Access to the gconv_t object is not guarded, but calling iconv_close
1751 @c concurrently with any other use is undefined.
1753 The @code{iconv_close} function frees all resources associated with the
1754 handle @var{cd}, which must have been returned by a successful call to
1755 the @code{iconv_open} function.
1757 If the function call was successful the return value is @math{0}.
1758 Otherwise it is @math{-1} and @code{errno} is set appropriately.
1759 Defined errors are:
1761 @table @code
1762 @item EBADF
1763 The conversion descriptor is invalid.
1764 @end table
1766 @pindex iconv.h
1767 The @code{iconv_close} function was introduced together with the rest
1768 of the @code{iconv} functions in XPG2 and is declared in @file{iconv.h}.
1769 @end deftypefun
1771 The standard defines only one actual conversion function.  This has,
1772 therefore, the most general interface: it allows conversion from one
1773 buffer to another.  Conversion from a file to a buffer, vice versa, or
1774 even file to file can be implemented on top of it.
1776 @deftypefun size_t iconv (iconv_t @var{cd}, char **@var{inbuf}, size_t *@var{inbytesleft}, char **@var{outbuf}, size_t *@var{outbytesleft})
1777 @standards{XPG2, iconv.h}
1778 @safety{@prelim{}@mtsafe{@mtsrace{:cd}}@assafe{}@acunsafe{@acucorrupt{}}}
1779 @c Without guarding access to the iconv_t object pointed to by cd, call
1780 @c the conversion function to convert inbuf or flush the internal
1781 @c conversion state.
1782 @cindex stateful
1783 The @code{iconv} function converts the text in the input buffer
1784 according to the rules associated with the descriptor @var{cd} and
1785 stores the result in the output buffer.  It is possible to call the
1786 function for the same text several times in a row since for stateful
1787 character sets the necessary state information is kept in the data
1788 structures associated with the descriptor.
1790 The input buffer is specified by @code{*@var{inbuf}} and it contains
1791 @code{*@var{inbytesleft}} bytes.  The extra indirection is necessary for
1792 communicating the used input back to the caller (see below).  It is
1793 important to note that the buffer pointer is of type @code{char} and the
1794 length is measured in bytes even if the input text is encoded in wide
1795 characters.
1797 The output buffer is specified in a similar way.  @code{*@var{outbuf}}
1798 points to the beginning of the buffer with at least
1799 @code{*@var{outbytesleft}} bytes room for the result.  The buffer
1800 pointer again is of type @code{char} and the length is measured in
1801 bytes.  If @var{outbuf} or @code{*@var{outbuf}} is a null pointer, the
1802 conversion is performed but no output is available.
1804 If @var{inbuf} is a null pointer, the @code{iconv} function performs the
1805 necessary action to put the state of the conversion into the initial
1806 state.  This is obviously a no-op for non-stateful encodings, but if the
1807 encoding has a state, such a function call might put some byte sequences
1808 in the output buffer, which perform the necessary state changes.  The
1809 next call with @var{inbuf} not being a null pointer then simply goes on
1810 from the initial state.  It is important that the programmer never makes
1811 any assumption as to whether the conversion has to deal with states.
1812 Even if the input and output character sets are not stateful, the
1813 implementation might still have to keep states.  This is due to the
1814 implementation chosen for @theglibc{} as it is described below.
1815 Therefore an @code{iconv} call to reset the state should always be
1816 performed if some protocol requires this for the output text.
1818 The conversion stops for one of three reasons.  The first is that all
1819 characters from the input buffer are converted.  This actually can mean
1820 two things: either all bytes from the input buffer are consumed or
1821 there are some bytes at the end of the buffer that possibly can form a
1822 complete character but the input is incomplete.  The second reason for a
1823 stop is that the output buffer is full.  And the third reason is that
1824 the input contains invalid characters.
1826 In all of these cases the buffer pointers after the last successful
1827 conversion, for the input and output buffers, are stored in @var{inbuf} and
1828 @var{outbuf}, and the available room in each buffer is stored in
1829 @var{inbytesleft} and @var{outbytesleft}.
1831 Since the character sets selected in the @code{iconv_open} call can be
1832 almost arbitrary, there can be situations where the input buffer contains
1833 valid characters, which have no identical representation in the output
1834 character set.  The behavior in this situation is undefined.  The
1835 @emph{current} behavior of @theglibc{} in this situation is to
1836 return with an error immediately.  This certainly is not the most
1837 desirable solution; therefore, future versions will provide better ones,
1838 but they are not yet finished.
1840 If all input from the input buffer is successfully converted and stored
1841 in the output buffer, the function returns the number of non-reversible
1842 conversions performed.  In all other cases the return value is
1843 @code{(size_t) -1} and @code{errno} is set appropriately.  In such cases
1844 the value pointed to by @var{inbytesleft} is nonzero.
1846 @table @code
1847 @item EILSEQ
1848 The conversion stopped because of an invalid byte sequence in the input.
1849 After the call, @code{*@var{inbuf}} points at the first byte of the
1850 invalid byte sequence.
1852 @item E2BIG
1853 The conversion stopped because it ran out of space in the output buffer.
1855 @item EINVAL
1856 The conversion stopped because of an incomplete byte sequence at the end
1857 of the input buffer.
1859 @item EBADF
1860 The @var{cd} argument is invalid.
1861 @end table
1863 @pindex iconv.h
1864 The @code{iconv} function was introduced in the XPG2 standard and is
1865 declared in the @file{iconv.h} header.
1866 @end deftypefun
1868 The definition of the @code{iconv} function is quite good overall.  It
1869 provides quite flexible functionality.  The only problems lie in the
1870 boundary cases, which are incomplete byte sequences at the end of the
1871 input buffer and invalid input.  A third problem, which is not really
1872 a design problem, is the way conversions are selected.  The standard
1873 does not say anything about the legitimate names, a minimal set of
1874 available conversions.  We will see how this negatively impacts other
1875 implementations, as demonstrated below.
1877 @node iconv Examples
1878 @subsection A complete @code{iconv} example
1880 The example below features a solution for a common problem.  Given that
1881 one knows the internal encoding used by the system for @code{wchar_t}
1882 strings, one often is in the position to read text from a file and store
1883 it in wide character buffers.  One can do this using @code{mbsrtowcs},
1884 but then we run into the problems discussed above.
1886 @smallexample
1888 file2wcs (int fd, const char *charset, wchar_t *outbuf, size_t avail)
1890   char inbuf[BUFSIZ];
1891   size_t insize = 0;
1892   char *wrptr = (char *) outbuf;
1893   int result = 0;
1894   iconv_t cd;
1896   cd = iconv_open ("WCHAR_T", charset);
1897   if (cd == (iconv_t) -1)
1898     @{
1899       /* @r{Something went wrong.}  */
1900       if (errno == EINVAL)
1901         error (0, 0, "conversion from '%s' to wchar_t not available",
1902                charset);
1903       else
1904         perror ("iconv_open");
1906       /* @r{Terminate the output string.}  */
1907       *outbuf = L'\0';
1909       return -1;
1910     @}
1912   while (avail > 0)
1913     @{
1914       size_t nread;
1915       size_t nconv;
1916       char *inptr = inbuf;
1918       /* @r{Read more input.}  */
1919       nread = read (fd, inbuf + insize, sizeof (inbuf) - insize);
1920       if (nread == 0)
1921         @{
1922           /* @r{When we come here the file is completely read.}
1923              @r{This still could mean there are some unused}
1924              @r{characters in the @code{inbuf}.  Put them back.}  */
1925           if (lseek (fd, -insize, SEEK_CUR) == -1)
1926             result = -1;
1928           /* @r{Now write out the byte sequence to get into the}
1929              @r{initial state if this is necessary.}  */
1930           iconv (cd, NULL, NULL, &wrptr, &avail);
1932           break;
1933         @}
1934       insize += nread;
1936       /* @r{Do the conversion.}  */
1937       nconv = iconv (cd, &inptr, &insize, &wrptr, &avail);
1938       if (nconv == (size_t) -1)
1939         @{
1940           /* @r{Not everything went right.  It might only be}
1941              @r{an unfinished byte sequence at the end of the}
1942              @r{buffer.  Or it is a real problem.}  */
1943           if (errno == EINVAL)
1944             /* @r{This is harmless.  Simply move the unused}
1945                @r{bytes to the beginning of the buffer so that}
1946                @r{they can be used in the next round.}  */
1947             memmove (inbuf, inptr, insize);
1948           else
1949             @{
1950               /* @r{It is a real problem.  Maybe we ran out of}
1951                  @r{space in the output buffer or we have invalid}
1952                  @r{input.  In any case back the file pointer to}
1953                  @r{the position of the last processed byte.}  */
1954               lseek (fd, -insize, SEEK_CUR);
1955               result = -1;
1956               break;
1957             @}
1958         @}
1959     @}
1961   /* @r{Terminate the output string.}  */
1962   if (avail >= sizeof (wchar_t))
1963     *((wchar_t *) wrptr) = L'\0';
1965   if (iconv_close (cd) != 0)
1966     perror ("iconv_close");
1968   return (wchar_t *) wrptr - outbuf;
1970 @end smallexample
1972 @cindex stateful
1973 This example shows the most important aspects of using the @code{iconv}
1974 functions.  It shows how successive calls to @code{iconv} can be used to
1975 convert large amounts of text.  The user does not have to care about
1976 stateful encodings as the functions take care of everything.
1978 An interesting point is the case where @code{iconv} returns an error and
1979 @code{errno} is set to @code{EINVAL}.  This is not really an error in the
1980 transformation.  It can happen whenever the input character set contains
1981 byte sequences of more than one byte for some character and texts are not
1982 processed in one piece.  In this case there is a chance that a multibyte
1983 sequence is cut.  The caller can then simply read the remainder of the
1984 takes and feed the offending bytes together with new character from the
1985 input to @code{iconv} and continue the work.  The internal state kept in
1986 the descriptor is @emph{not} unspecified after such an event as is the
1987 case with the conversion functions from the @w{ISO C} standard.
1989 The example also shows the problem of using wide character strings with
1990 @code{iconv}.  As explained in the description of the @code{iconv}
1991 function above, the function always takes a pointer to a @code{char}
1992 array and the available space is measured in bytes.  In the example, the
1993 output buffer is a wide character buffer; therefore, we use a local
1994 variable @var{wrptr} of type @code{char *}, which is used in the
1995 @code{iconv} calls.
1997 This looks rather innocent but can lead to problems on platforms that
1998 have tight restriction on alignment.  Therefore the caller of @code{iconv}
1999 has to make sure that the pointers passed are suitable for access of
2000 characters from the appropriate character set.  Since, in the
2001 above case, the input parameter to the function is a @code{wchar_t}
2002 pointer, this is the case (unless the user violates alignment when
2003 computing the parameter).  But in other situations, especially when
2004 writing generic functions where one does not know what type of character
2005 set one uses and, therefore, treats text as a sequence of bytes, it might
2006 become tricky.
2008 @node Other iconv Implementations
2009 @subsection Some Details about other @code{iconv} Implementations
2011 This is not really the place to discuss the @code{iconv} implementation
2012 of other systems but it is necessary to know a bit about them to write
2013 portable programs.  The above mentioned problems with the specification
2014 of the @code{iconv} functions can lead to portability issues.
2016 The first thing to notice is that, due to the large number of character
2017 sets in use, it is certainly not practical to encode the conversions
2018 directly in the C library.  Therefore, the conversion information must
2019 come from files outside the C library.  This is usually done in one or
2020 both of the following ways:
2022 @itemize @bullet
2023 @item
2024 The C library contains a set of generic conversion functions that can
2025 read the needed conversion tables and other information from data files.
2026 These files get loaded when necessary.
2028 This solution is problematic as it requires a great deal of effort to
2029 apply to all character sets (potentially an infinite set).  The
2030 differences in the structure of the different character sets is so large
2031 that many different variants of the table-processing functions must be
2032 developed.  In addition, the generic nature of these functions make them
2033 slower than specifically implemented functions.
2035 @item
2036 The C library only contains a framework that can dynamically load
2037 object files and execute the conversion functions contained therein.
2039 This solution provides much more flexibility.  The C library itself
2040 contains only very little code and therefore reduces the general memory
2041 footprint.  Also, with a documented interface between the C library and
2042 the loadable modules it is possible for third parties to extend the set
2043 of available conversion modules.  A drawback of this solution is that
2044 dynamic loading must be available.
2045 @end itemize
2047 Some implementations in commercial Unices implement a mixture of these
2048 possibilities; the majority implement only the second solution.  Using
2049 loadable modules moves the code out of the library itself and keeps
2050 the door open for extensions and improvements, but this design is also
2051 limiting on some platforms since not many platforms support dynamic
2052 loading in statically linked programs.  On platforms without this
2053 capability it is therefore not possible to use this interface in
2054 statically linked programs.  @Theglibc{} has, on ELF platforms, no
2055 problems with dynamic loading in these situations; therefore, this
2056 point is moot.  The danger is that one gets acquainted with this
2057 situation and forgets about the restrictions on other systems.
2059 A second thing to know about other @code{iconv} implementations is that
2060 the number of available conversions is often very limited.  Some
2061 implementations provide, in the standard release (not special
2062 international or developer releases), at most 100 to 200 conversion
2063 possibilities.  This does not mean 200 different character sets are
2064 supported; for example, conversions from one character set to a set of 10
2065 others might count as 10 conversions.  Together with the other direction
2066 this makes 20 conversion possibilities used up by one character set.  One
2067 can imagine the thin coverage these platforms provide.  Some Unix vendors
2068 even provide only a handful of conversions, which renders them useless for
2069 almost all uses.
2071 This directly leads to a third and probably the most problematic point.
2072 The way the @code{iconv} conversion functions are implemented on all
2073 known Unix systems and the availability of the conversion functions from
2074 character set @math{@cal{A}} to @math{@cal{B}} and the conversion from
2075 @math{@cal{B}} to @math{@cal{C}} does @emph{not} imply that the
2076 conversion from @math{@cal{A}} to @math{@cal{C}} is available.
2078 This might not seem unreasonable and problematic at first, but it is a
2079 quite big problem as one will notice shortly after hitting it.  To show
2080 the problem we assume to write a program that has to convert from
2081 @math{@cal{A}} to @math{@cal{C}}.  A call like
2083 @smallexample
2084 cd = iconv_open ("@math{@cal{C}}", "@math{@cal{A}}");
2085 @end smallexample
2087 @noindent
2088 fails according to the assumption above.  But what does the program
2089 do now?  The conversion is necessary; therefore, simply giving up is not
2090 an option.
2092 This is a nuisance.  The @code{iconv} function should take care of this.
2093 But how should the program proceed from here on?  If it tries to convert
2094 to character set @math{@cal{B}}, first the two @code{iconv_open}
2095 calls
2097 @smallexample
2098 cd1 = iconv_open ("@math{@cal{B}}", "@math{@cal{A}}");
2099 @end smallexample
2101 @noindent
2104 @smallexample
2105 cd2 = iconv_open ("@math{@cal{C}}", "@math{@cal{B}}");
2106 @end smallexample
2108 @noindent
2109 will succeed, but how to find @math{@cal{B}}?
2111 Unfortunately, the answer is: there is no general solution.  On some
2112 systems guessing might help.  On those systems most character sets can
2113 convert to and from UTF-8 encoded @w{ISO 10646} or Unicode text.  Besides
2114 this only some very system-specific methods can help.  Since the
2115 conversion functions come from loadable modules and these modules must
2116 be stored somewhere in the filesystem, one @emph{could} try to find them
2117 and determine from the available file which conversions are available
2118 and whether there is an indirect route from @math{@cal{A}} to
2119 @math{@cal{C}}.
2121 This example shows one of the design errors of @code{iconv} mentioned
2122 above.  It should at least be possible to determine the list of available
2123 conversions programmatically so that if @code{iconv_open} says there is no
2124 such conversion, one could make sure this also is true for indirect
2125 routes.
2127 @node glibc iconv Implementation
2128 @subsection The @code{iconv} Implementation in @theglibc{}
2130 After reading about the problems of @code{iconv} implementations in the
2131 last section it is certainly good to note that the implementation in
2132 @theglibc{} has none of the problems mentioned above.  What
2133 follows is a step-by-step analysis of the points raised above.  The
2134 evaluation is based on the current state of the development (as of
2135 January 1999).  The development of the @code{iconv} functions is not
2136 complete, but basic functionality has solidified.
2138 @Theglibc{}'s @code{iconv} implementation uses shared loadable
2139 modules to implement the conversions.  A very small number of
2140 conversions are built into the library itself but these are only rather
2141 trivial conversions.
2143 All the benefits of loadable modules are available in the @glibcadj{}
2144 implementation.  This is especially appealing since the interface is
2145 well documented (see below), and it, therefore, is easy to write new
2146 conversion modules.  The drawback of using loadable objects is not a
2147 problem in @theglibc{}, at least on ELF systems.  Since the
2148 library is able to load shared objects even in statically linked
2149 binaries, static linking need not be forbidden in case one wants to use
2150 @code{iconv}.
2152 The second mentioned problem is the number of supported conversions.
2153 Currently, @theglibc{} supports more than 150 character sets.  The
2154 way the implementation is designed the number of supported conversions
2155 is greater than 22350 (@math{150} times @math{149}).  If any conversion
2156 from or to a character set is missing, it can be added easily.
2158 Particularly impressive as it may be, this high number is due to the
2159 fact that the @glibcadj{} implementation of @code{iconv} does not have
2160 the third problem mentioned above (i.e., whenever there is a conversion
2161 from a character set @math{@cal{A}} to @math{@cal{B}} and from
2162 @math{@cal{B}} to @math{@cal{C}} it is always possible to convert from
2163 @math{@cal{A}} to @math{@cal{C}} directly).  If the @code{iconv_open}
2164 returns an error and sets @code{errno} to @code{EINVAL}, there is no
2165 known way, directly or indirectly, to perform the wanted conversion.
2167 @cindex triangulation
2168 Triangulation is achieved by providing for each character set a
2169 conversion from and to UCS-4 encoded @w{ISO 10646}.  Using @w{ISO 10646}
2170 as an intermediate representation it is possible to @dfn{triangulate}
2171 (i.e., convert with an intermediate representation).
2173 There is no inherent requirement to provide a conversion to @w{ISO
2174 10646} for a new character set, and it is also possible to provide other
2175 conversions where neither source nor destination character set is @w{ISO
2176 10646}.  The existing set of conversions is simply meant to cover all
2177 conversions that might be of interest.
2179 @cindex ISO-2022-JP
2180 @cindex EUC-JP
2181 All currently available conversions use the triangulation method above,
2182 making conversion run unnecessarily slow.  If, for example, somebody
2183 often needs the conversion from ISO-2022-JP to EUC-JP, a quicker solution
2184 would involve direct conversion between the two character sets, skipping
2185 the input to @w{ISO 10646} first.  The two character sets of interest
2186 are much more similar to each other than to @w{ISO 10646}.
2188 In such a situation one easily can write a new conversion and provide it
2189 as a better alternative.  The @glibcadj{} @code{iconv} implementation
2190 would automatically use the module implementing the conversion if it is
2191 specified to be more efficient.
2193 @subsubsection Format of @file{gconv-modules} files
2195 All information about the available conversions comes from a file named
2196 @file{gconv-modules}, which can be found in any of the directories along
2197 the @code{GCONV_PATH}.  The @file{gconv-modules} files are line-oriented
2198 text files, where each of the lines has one of the following formats:
2200 @itemize @bullet
2201 @item
2202 If the first non-whitespace character is a @kbd{#} the line contains only
2203 comments and is ignored.
2205 @item
2206 Lines starting with @code{alias} define an alias name for a character
2207 set.  Two more words are expected on the line.  The first word
2208 defines the alias name, and the second defines the original name of the
2209 character set.  The effect is that it is possible to use the alias name
2210 in the @var{fromset} or @var{toset} parameters of @code{iconv_open} and
2211 achieve the same result as when using the real character set name.
2213 This is quite important as a character set has often many different
2214 names.  There is normally an official name but this need not correspond to
2215 the most popular name.  Besides this many character sets have special
2216 names that are somehow constructed.  For example, all character sets
2217 specified by the ISO have an alias of the form @code{ISO-IR-@var{nnn}}
2218 where @var{nnn} is the registration number.  This allows programs that
2219 know about the registration number to construct character set names and
2220 use them in @code{iconv_open} calls.  More on the available names and
2221 aliases follows below.
2223 @item
2224 Lines starting with @code{module} introduce an available conversion
2225 module.  These lines must contain three or four more words.
2227 The first word specifies the source character set, the second word the
2228 destination character set of conversion implemented in this module, and
2229 the third word is the name of the loadable module.  The filename is
2230 constructed by appending the usual shared object suffix (normally
2231 @file{.so}) and this file is then supposed to be found in the same
2232 directory the @file{gconv-modules} file is in.  The last word on the line,
2233 which is optional, is a numeric value representing the cost of the
2234 conversion.  If this word is missing, a cost of @math{1} is assumed.  The
2235 numeric value itself does not matter that much; what counts are the
2236 relative values of the sums of costs for all possible conversion paths.
2237 Below is a more precise description of the use of the cost value.
2238 @end itemize
2240 Returning to the example above where one has written a module to directly
2241 convert from ISO-2022-JP to EUC-JP and back.  All that has to be done is
2242 to put the new module, let its name be ISO2022JP-EUCJP.so, in a directory
2243 and add a file @file{gconv-modules} with the following content in the
2244 same directory:
2246 @smallexample
2247 module  ISO-2022-JP//   EUC-JP//        ISO2022JP-EUCJP    1
2248 module  EUC-JP//        ISO-2022-JP//   ISO2022JP-EUCJP    1
2249 @end smallexample
2251 To see why this is sufficient, it is necessary to understand how the
2252 conversion used by @code{iconv} (and described in the descriptor) is
2253 selected.  The approach to this problem is quite simple.
2255 At the first call of the @code{iconv_open} function the program reads
2256 all available @file{gconv-modules} files and builds up two tables: one
2257 containing all the known aliases and another that contains the
2258 information about the conversions and which shared object implements
2259 them.
2261 @subsubsection Finding the conversion path in @code{iconv}
2263 The set of available conversions form a directed graph with weighted
2264 edges.  The weights on the edges are the costs specified in the
2265 @file{gconv-modules} files.  The @code{iconv_open} function uses an
2266 algorithm suitable for search for the best path in such a graph and so
2267 constructs a list of conversions that must be performed in succession
2268 to get the transformation from the source to the destination character
2269 set.
2271 Explaining why the above @file{gconv-modules} files allows the
2272 @code{iconv} implementation to resolve the specific ISO-2022-JP to
2273 EUC-JP conversion module instead of the conversion coming with the
2274 library itself is straightforward.  Since the latter conversion takes two
2275 steps (from ISO-2022-JP to @w{ISO 10646} and then from @w{ISO 10646} to
2276 EUC-JP), the cost is @math{1+1 = 2}.  The above @file{gconv-modules}
2277 file, however, specifies that the new conversion modules can perform this
2278 conversion with only the cost of @math{1}.
2280 A mysterious item about the @file{gconv-modules} file above (and also
2281 the file coming with @theglibc{}) are the names of the character
2282 sets specified in the @code{module} lines.  Why do almost all the names
2283 end in @code{//}?  And this is not all: the names can actually be
2284 regular expressions.  At this point in time this mystery should not be
2285 revealed, unless you have the relevant spell-casting materials: ashes
2286 from an original @w{DOS 6.2} boot disk burnt in effigy, a crucifix
2287 blessed by St.@: Emacs, assorted herbal roots from Central America, sand
2288 from Cebu, etc.  Sorry!  @strong{The part of the implementation where
2289 this is used is not yet finished.  For now please simply follow the
2290 existing examples.  It'll become clearer once it is. --drepper}
2292 A last remark about the @file{gconv-modules} is about the names not
2293 ending with @code{//}.  A character set named @code{INTERNAL} is often
2294 mentioned.  From the discussion above and the chosen name it should have
2295 become clear that this is the name for the representation used in the
2296 intermediate step of the triangulation.  We have said that this is UCS-4
2297 but actually that is not quite right.  The UCS-4 specification also
2298 includes the specification of the byte ordering used.  Since a UCS-4 value
2299 consists of four bytes, a stored value is affected by byte ordering.  The
2300 internal representation is @emph{not} the same as UCS-4 in case the byte
2301 ordering of the processor (or at least the running process) is not the
2302 same as the one required for UCS-4.  This is done for performance reasons
2303 as one does not want to perform unnecessary byte-swapping operations if
2304 one is not interested in actually seeing the result in UCS-4.  To avoid
2305 trouble with endianness, the internal representation consistently is named
2306 @code{INTERNAL} even on big-endian systems where the representations are
2307 identical.
2309 @subsubsection @code{iconv} module data structures
2311 So far this section has described how modules are located and considered
2312 to be used.  What remains to be described is the interface of the modules
2313 so that one can write new ones.  This section describes the interface as
2314 it is in use in January 1999.  The interface will change a bit in the
2315 future but, with luck, only in an upwardly compatible way.
2317 The definitions necessary to write new modules are publicly available
2318 in the non-standard header @file{gconv.h}.  The following text,
2319 therefore, describes the definitions from this header file.  First,
2320 however, it is necessary to get an overview.
2322 From the perspective of the user of @code{iconv} the interface is quite
2323 simple: the @code{iconv_open} function returns a handle that can be used
2324 in calls to @code{iconv}, and finally the handle is freed with a call to
2325 @code{iconv_close}.  The problem is that the handle has to be able to
2326 represent the possibly long sequences of conversion steps and also the
2327 state of each conversion since the handle is all that is passed to the
2328 @code{iconv} function.  Therefore, the data structures are really the
2329 elements necessary to understanding the implementation.
2331 We need two different kinds of data structures.  The first describes the
2332 conversion and the second describes the state etc.  There are really two
2333 type definitions like this in @file{gconv.h}.
2334 @pindex gconv.h
2336 @deftp {Data type} {struct __gconv_step}
2337 @standards{GNU, gconv.h}
2338 This data structure describes one conversion a module can perform.  For
2339 each function in a loaded module with conversion functions there is
2340 exactly one object of this type.  This object is shared by all users of
2341 the conversion (i.e., this object does not contain any information
2342 corresponding to an actual conversion; it only describes the conversion
2343 itself).
2345 @table @code
2346 @item struct __gconv_loaded_object *__shlib_handle
2347 @itemx const char *__modname
2348 @itemx int __counter
2349 All these elements of the structure are used internally in the C library
2350 to coordinate loading and unloading the shared object.  One must not expect any
2351 of the other elements to be available or initialized.
2353 @item const char *__from_name
2354 @itemx const char *__to_name
2355 @code{__from_name} and @code{__to_name} contain the names of the source and
2356 destination character sets.  They can be used to identify the actual
2357 conversion to be carried out since one module might implement conversions
2358 for more than one character set and/or direction.
2360 @item gconv_fct __fct
2361 @itemx gconv_init_fct __init_fct
2362 @itemx gconv_end_fct __end_fct
2363 These elements contain pointers to the functions in the loadable module.
2364 The interface will be explained below.
2366 @item int __min_needed_from
2367 @itemx int __max_needed_from
2368 @itemx int __min_needed_to
2369 @itemx int __max_needed_to;
2370 These values have to be supplied in the init function of the module.  The
2371 @code{__min_needed_from} value specifies how many bytes a character of
2372 the source character set at least needs.  The @code{__max_needed_from}
2373 specifies the maximum value that also includes possible shift sequences.
2375 The @code{__min_needed_to} and @code{__max_needed_to} values serve the
2376 same purpose as @code{__min_needed_from} and @code{__max_needed_from} but
2377 this time for the destination character set.
2379 It is crucial that these values be accurate since otherwise the
2380 conversion functions will have problems or not work at all.
2382 @item int __stateful
2383 This element must also be initialized by the init function.
2384 @code{int __stateful} is nonzero if the source character set is stateful.
2385 Otherwise it is zero.
2387 @item void *__data
2388 This element can be used freely by the conversion functions in the
2389 module.  @code{void *__data} can be used to communicate extra information
2390 from one call to another.  @code{void *__data} need not be initialized if
2391 not needed at all.  If @code{void *__data} element is assigned a pointer
2392 to dynamically allocated memory (presumably in the init function) it has
2393 to be made sure that the end function deallocates the memory.  Otherwise
2394 the application will leak memory.
2396 It is important to be aware that this data structure is shared by all
2397 users of this specification conversion and therefore the @code{__data}
2398 element must not contain data specific to one specific use of the
2399 conversion function.
2400 @end table
2401 @end deftp
2403 @deftp {Data type} {struct __gconv_step_data}
2404 @standards{GNU, gconv.h}
2405 This is the data structure that contains the information specific to
2406 each use of the conversion functions.
2409 @table @code
2410 @item char *__outbuf
2411 @itemx char *__outbufend
2412 These elements specify the output buffer for the conversion step.  The
2413 @code{__outbuf} element points to the beginning of the buffer, and
2414 @code{__outbufend} points to the byte following the last byte in the
2415 buffer.  The conversion function must not assume anything about the size
2416 of the buffer but it can be safely assumed there is room for at
2417 least one complete character in the output buffer.
2419 Once the conversion is finished, if the conversion is the last step, the
2420 @code{__outbuf} element must be modified to point after the last byte
2421 written into the buffer to signal how much output is available.  If this
2422 conversion step is not the last one, the element must not be modified.
2423 The @code{__outbufend} element must not be modified.
2425 @item int __is_last
2426 This element is nonzero if this conversion step is the last one.  This
2427 information is necessary for the recursion.  See the description of the
2428 conversion function internals below.  This element must never be
2429 modified.
2431 @item int __invocation_counter
2432 The conversion function can use this element to see how many calls of
2433 the conversion function already happened.  Some character sets require a
2434 certain prolog when generating output, and by comparing this value with
2435 zero, one can find out whether it is the first call and whether,
2436 therefore, the prolog should be emitted.  This element must never be
2437 modified.
2439 @item int __internal_use
2440 This element is another one rarely used but needed in certain
2441 situations.  It is assigned a nonzero value in case the conversion
2442 functions are used to implement @code{mbsrtowcs} et.al.@: (i.e., the
2443 function is not used directly through the @code{iconv} interface).
2445 This sometimes makes a difference as it is expected that the
2446 @code{iconv} functions are used to translate entire texts while the
2447 @code{mbsrtowcs} functions are normally used only to convert single
2448 strings and might be used multiple times to convert entire texts.
2450 But in this situation we would have problem complying with some rules of
2451 the character set specification.  Some character sets require a prolog,
2452 which must appear exactly once for an entire text.  If a number of
2453 @code{mbsrtowcs} calls are used to convert the text, only the first call
2454 must add the prolog.  However, because there is no communication between the
2455 different calls of @code{mbsrtowcs}, the conversion functions have no
2456 possibility to find this out.  The situation is different for sequences
2457 of @code{iconv} calls since the handle allows access to the needed
2458 information.
2460 The @code{int __internal_use} element is mostly used together with
2461 @code{__invocation_counter} as follows:
2463 @smallexample
2464 if (!data->__internal_use
2465      && data->__invocation_counter == 0)
2466   /* @r{Emit prolog.}  */
2467   @dots{}
2468 @end smallexample
2470 This element must never be modified.
2472 @item mbstate_t *__statep
2473 The @code{__statep} element points to an object of type @code{mbstate_t}
2474 (@pxref{Keeping the state}).  The conversion of a stateful character
2475 set must use the object pointed to by @code{__statep} to store
2476 information about the conversion state.  The @code{__statep} element
2477 itself must never be modified.
2479 @item mbstate_t __state
2480 This element must @emph{never} be used directly.  It is only part of
2481 this structure to have the needed space allocated.
2482 @end table
2483 @end deftp
2485 @subsubsection @code{iconv} module interfaces
2487 With the knowledge about the data structures we now can describe the
2488 conversion function itself.  To understand the interface a bit of
2489 knowledge is necessary about the functionality in the C library that
2490 loads the objects with the conversions.
2492 It is often the case that one conversion is used more than once (i.e.,
2493 there are several @code{iconv_open} calls for the same set of character
2494 sets during one program run).  The @code{mbsrtowcs} et.al.@: functions in
2495 @theglibc{} also use the @code{iconv} functionality, which
2496 increases the number of uses of the same functions even more.
2498 Because of this multiple use of conversions, the modules do not get
2499 loaded exclusively for one conversion.  Instead a module once loaded can
2500 be used by an arbitrary number of @code{iconv} or @code{mbsrtowcs} calls
2501 at the same time.  The splitting of the information between conversion-
2502 function-specific information and conversion data makes this possible.
2503 The last section showed the two data structures used to do this.
2505 This is of course also reflected in the interface and semantics of the
2506 functions that the modules must provide.  There are three functions that
2507 must have the following names:
2509 @table @code
2510 @item gconv_init
2511 The @code{gconv_init} function initializes the conversion function
2512 specific data structure.  This very same object is shared by all
2513 conversions that use this conversion and, therefore, no state information
2514 about the conversion itself must be stored in here.  If a module
2515 implements more than one conversion, the @code{gconv_init} function will
2516 be called multiple times.
2518 @item gconv_end
2519 The @code{gconv_end} function is responsible for freeing all resources
2520 allocated by the @code{gconv_init} function.  If there is nothing to do,
2521 this function can be missing.  Special care must be taken if the module
2522 implements more than one conversion and the @code{gconv_init} function
2523 does not allocate the same resources for all conversions.
2525 @item gconv
2526 This is the actual conversion function.  It is called to convert one
2527 block of text.  It gets passed the conversion step information
2528 initialized by @code{gconv_init} and the conversion data, specific to
2529 this use of the conversion functions.
2530 @end table
2532 There are three data types defined for the three module interface
2533 functions and these define the interface.
2535 @deftypevr {Data type} int {(*__gconv_init_fct)} (struct __gconv_step *)
2536 @standards{GNU, gconv.h}
2537 This specifies the interface of the initialization function of the
2538 module.  It is called exactly once for each conversion the module
2539 implements.
2541 As explained in the description of the @code{struct __gconv_step} data
2542 structure above the initialization function has to initialize parts of
2545 @table @code
2546 @item __min_needed_from
2547 @itemx __max_needed_from
2548 @itemx __min_needed_to
2549 @itemx __max_needed_to
2550 These elements must be initialized to the exact numbers of the minimum
2551 and maximum number of bytes used by one character in the source and
2552 destination character sets, respectively.  If the characters all have the
2553 same size, the minimum and maximum values are the same.
2555 @item __stateful
2556 This element must be initialized to a nonzero value if the source
2557 character set is stateful.  Otherwise it must be zero.
2558 @end table
2560 If the initialization function needs to communicate some information
2561 to the conversion function, this communication can happen using the
2562 @code{__data} element of the @code{__gconv_step} structure.  But since
2563 this data is shared by all the conversions, it must not be modified by
2564 the conversion function.  The example below shows how this can be used.
2566 @smallexample
2567 #define MIN_NEEDED_FROM         1
2568 #define MAX_NEEDED_FROM         4
2569 #define MIN_NEEDED_TO           4
2570 #define MAX_NEEDED_TO           4
2573 gconv_init (struct __gconv_step *step)
2575   /* @r{Determine which direction.}  */
2576   struct iso2022jp_data *new_data;
2577   enum direction dir = illegal_dir;
2578   enum variant var = illegal_var;
2579   int result;
2581   if (__strcasecmp (step->__from_name, "ISO-2022-JP//") == 0)
2582     @{
2583       dir = from_iso2022jp;
2584       var = iso2022jp;
2585     @}
2586   else if (__strcasecmp (step->__to_name, "ISO-2022-JP//") == 0)
2587     @{
2588       dir = to_iso2022jp;
2589       var = iso2022jp;
2590     @}
2591   else if (__strcasecmp (step->__from_name, "ISO-2022-JP-2//") == 0)
2592     @{
2593       dir = from_iso2022jp;
2594       var = iso2022jp2;
2595     @}
2596   else if (__strcasecmp (step->__to_name, "ISO-2022-JP-2//") == 0)
2597     @{
2598       dir = to_iso2022jp;
2599       var = iso2022jp2;
2600     @}
2602   result = __GCONV_NOCONV;
2603   if (dir != illegal_dir)
2604     @{
2605       new_data = (struct iso2022jp_data *)
2606         malloc (sizeof (struct iso2022jp_data));
2608       result = __GCONV_NOMEM;
2609       if (new_data != NULL)
2610         @{
2611           new_data->dir = dir;
2612           new_data->var = var;
2613           step->__data = new_data;
2615           if (dir == from_iso2022jp)
2616             @{
2617               step->__min_needed_from = MIN_NEEDED_FROM;
2618               step->__max_needed_from = MAX_NEEDED_FROM;
2619               step->__min_needed_to = MIN_NEEDED_TO;
2620               step->__max_needed_to = MAX_NEEDED_TO;
2621             @}
2622           else
2623             @{
2624               step->__min_needed_from = MIN_NEEDED_TO;
2625               step->__max_needed_from = MAX_NEEDED_TO;
2626               step->__min_needed_to = MIN_NEEDED_FROM;
2627               step->__max_needed_to = MAX_NEEDED_FROM + 2;
2628             @}
2630           /* @r{Yes, this is a stateful encoding.}  */
2631           step->__stateful = 1;
2633           result = __GCONV_OK;
2634         @}
2635     @}
2637   return result;
2639 @end smallexample
2641 The function first checks which conversion is wanted.  The module from
2642 which this function is taken implements four different conversions;
2643 which one is selected can be determined by comparing the names.  The
2644 comparison should always be done without paying attention to the case.
2646 Next, a data structure, which contains the necessary information about
2647 which conversion is selected, is allocated.  The data structure
2648 @code{struct iso2022jp_data} is locally defined since, outside the
2649 module, this data is not used at all.  Please note that if all four
2650 conversions this module supports are requested there are four data
2651 blocks.
2653 One interesting thing is the initialization of the @code{__min_} and
2654 @code{__max_} elements of the step data object.  A single ISO-2022-JP
2655 character can consist of one to four bytes.  Therefore the
2656 @code{MIN_NEEDED_FROM} and @code{MAX_NEEDED_FROM} macros are defined
2657 this way.  The output is always the @code{INTERNAL} character set (aka
2658 UCS-4) and therefore each character consists of exactly four bytes.  For
2659 the conversion from @code{INTERNAL} to ISO-2022-JP we have to take into
2660 account that escape sequences might be necessary to switch the character
2661 sets.  Therefore the @code{__max_needed_to} element for this direction
2662 gets assigned @code{MAX_NEEDED_FROM + 2}.  This takes into account the
2663 two bytes needed for the escape sequences to signal the switching.  The
2664 asymmetry in the maximum values for the two directions can be explained
2665 easily: when reading ISO-2022-JP text, escape sequences can be handled
2666 alone (i.e., it is not necessary to process a real character since the
2667 effect of the escape sequence can be recorded in the state information).
2668 The situation is different for the other direction.  Since it is in
2669 general not known which character comes next, one cannot emit escape
2670 sequences to change the state in advance.  This means the escape
2671 sequences have to be emitted together with the next character.
2672 Therefore one needs more room than only for the character itself.
2674 The possible return values of the initialization function are:
2676 @table @code
2677 @item __GCONV_OK
2678 The initialization succeeded
2679 @item __GCONV_NOCONV
2680 The requested conversion is not supported in the module.  This can
2681 happen if the @file{gconv-modules} file has errors.
2682 @item __GCONV_NOMEM
2683 Memory required to store additional information could not be allocated.
2684 @end table
2685 @end deftypevr
2687 The function called before the module is unloaded is significantly
2688 easier.  It often has nothing at all to do; in which case it can be left
2689 out completely.
2691 @deftypevr {Data type} void {(*__gconv_end_fct)} (struct gconv_step *)
2692 @standards{GNU, gconv.h}
2693 The task of this function is to free all resources allocated in the
2694 initialization function.  Therefore only the @code{__data} element of
2695 the object pointed to by the argument is of interest.  Continuing the
2696 example from the initialization function, the finalization function
2697 looks like this:
2699 @smallexample
2700 void
2701 gconv_end (struct __gconv_step *data)
2703   free (data->__data);
2705 @end smallexample
2706 @end deftypevr
2708 The most important function is the conversion function itself, which can
2709 get quite complicated for complex character sets.  But since this is not
2710 of interest here, we will only describe a possible skeleton for the
2711 conversion function.
2713 @deftypevr {Data type} int {(*__gconv_fct)} (struct __gconv_step *, struct __gconv_step_data *, const char **, const char *, size_t *, int)
2714 @standards{GNU, gconv.h}
2715 The conversion function can be called for two basic reasons: to convert
2716 text or to reset the state.  From the description of the @code{iconv}
2717 function it can be seen why the flushing mode is necessary.  What mode
2718 is selected is determined by the sixth argument, an integer.  This
2719 argument being nonzero means that flushing is selected.
2721 Common to both modes is where the output buffer can be found.  The
2722 information about this buffer is stored in the conversion step data.  A
2723 pointer to this information is passed as the second argument to this
2724 function.  The description of the @code{struct __gconv_step_data}
2725 structure has more information on the conversion step data.
2727 @cindex stateful
2728 What has to be done for flushing depends on the source character set.
2729 If the source character set is not stateful, nothing has to be done.
2730 Otherwise the function has to emit a byte sequence to bring the state
2731 object into the initial state.  Once this all happened the other
2732 conversion modules in the chain of conversions have to get the same
2733 chance.  Whether another step follows can be determined from the
2734 @code{__is_last} element of the step data structure to which the first
2735 parameter points.
2737 The more interesting mode is when actual text has to be converted.  The
2738 first step in this case is to convert as much text as possible from the
2739 input buffer and store the result in the output buffer.  The start of the
2740 input buffer is determined by the third argument, which is a pointer to a
2741 pointer variable referencing the beginning of the buffer.  The fourth
2742 argument is a pointer to the byte right after the last byte in the buffer.
2744 The conversion has to be performed according to the current state if the
2745 character set is stateful.  The state is stored in an object pointed to
2746 by the @code{__statep} element of the step data (second argument).  Once
2747 either the input buffer is empty or the output buffer is full the
2748 conversion stops.  At this point, the pointer variable referenced by the
2749 third parameter must point to the byte following the last processed
2750 byte (i.e., if all of the input is consumed, this pointer and the fourth
2751 parameter have the same value).
2753 What now happens depends on whether this step is the last one.  If it is
2754 the last step, the only thing that has to be done is to update the
2755 @code{__outbuf} element of the step data structure to point after the
2756 last written byte.  This update gives the caller the information on how
2757 much text is available in the output buffer.  In addition, the variable
2758 pointed to by the fifth parameter, which is of type @code{size_t}, must
2759 be incremented by the number of characters (@emph{not bytes}) that were
2760 converted in a non-reversible way.  Then, the function can return.
2762 In case the step is not the last one, the later conversion functions have
2763 to get a chance to do their work.  Therefore, the appropriate conversion
2764 function has to be called.  The information about the functions is
2765 stored in the conversion data structures, passed as the first parameter.
2766 This information and the step data are stored in arrays, so the next
2767 element in both cases can be found by simple pointer arithmetic:
2769 @smallexample
2771 gconv (struct __gconv_step *step, struct __gconv_step_data *data,
2772        const char **inbuf, const char *inbufend, size_t *written,
2773        int do_flush)
2775   struct __gconv_step *next_step = step + 1;
2776   struct __gconv_step_data *next_data = data + 1;
2777   @dots{}
2778 @end smallexample
2780 The @code{next_step} pointer references the next step information and
2781 @code{next_data} the next data record.  The call of the next function
2782 therefore will look similar to this:
2784 @smallexample
2785   next_step->__fct (next_step, next_data, &outerr, outbuf,
2786                     written, 0)
2787 @end smallexample
2789 But this is not yet all.  Once the function call returns the conversion
2790 function might have some more to do.  If the return value of the function
2791 is @code{__GCONV_EMPTY_INPUT}, more room is available in the output
2792 buffer.  Unless the input buffer is empty, the conversion functions start
2793 all over again and process the rest of the input buffer.  If the return
2794 value is not @code{__GCONV_EMPTY_INPUT}, something went wrong and we have
2795 to recover from this.
2797 A requirement for the conversion function is that the input buffer
2798 pointer (the third argument) always point to the last character that
2799 was put in converted form into the output buffer.  This is trivially
2800 true after the conversion performed in the current step, but if the
2801 conversion functions deeper downstream stop prematurely, not all
2802 characters from the output buffer are consumed and, therefore, the input
2803 buffer pointers must be backed off to the right position.
2805 Correcting the input buffers is easy to do if the input and output
2806 character sets have a fixed width for all characters.  In this situation
2807 we can compute how many characters are left in the output buffer and,
2808 therefore, can correct the input buffer pointer appropriately with a
2809 similar computation.  Things are getting tricky if either character set
2810 has characters represented with variable length byte sequences, and it
2811 gets even more complicated if the conversion has to take care of the
2812 state.  In these cases the conversion has to be performed once again, from
2813 the known state before the initial conversion (i.e., if necessary the
2814 state of the conversion has to be reset and the conversion loop has to be
2815 executed again).  The difference now is that it is known how much input
2816 must be created, and the conversion can stop before converting the first
2817 unused character.  Once this is done the input buffer pointers must be
2818 updated again and the function can return.
2820 One final thing should be mentioned.  If it is necessary for the
2821 conversion to know whether it is the first invocation (in case a prolog
2822 has to be emitted), the conversion function should increment the
2823 @code{__invocation_counter} element of the step data structure just
2824 before returning to the caller.  See the description of the @code{struct
2825 __gconv_step_data} structure above for more information on how this can
2826 be used.
2828 The return value must be one of the following values:
2830 @table @code
2831 @item __GCONV_EMPTY_INPUT
2832 All input was consumed and there is room left in the output buffer.
2833 @item __GCONV_FULL_OUTPUT
2834 No more room in the output buffer.  In case this is not the last step
2835 this value is propagated down from the call of the next conversion
2836 function in the chain.
2837 @item __GCONV_INCOMPLETE_INPUT
2838 The input buffer is not entirely empty since it contains an incomplete
2839 character sequence.
2840 @end table
2842 The following example provides a framework for a conversion function.
2843 In case a new conversion has to be written the holes in this
2844 implementation have to be filled and that is it.
2846 @smallexample
2848 gconv (struct __gconv_step *step, struct __gconv_step_data *data,
2849        const char **inbuf, const char *inbufend, size_t *written,
2850        int do_flush)
2852   struct __gconv_step *next_step = step + 1;
2853   struct __gconv_step_data *next_data = data + 1;
2854   gconv_fct fct = next_step->__fct;
2855   int status;
2857   /* @r{If the function is called with no input this means we have}
2858      @r{to reset to the initial state.  The possibly partly}
2859      @r{converted input is dropped.}  */
2860   if (do_flush)
2861     @{
2862       status = __GCONV_OK;
2864       /* @r{Possible emit a byte sequence which put the state object}
2865          @r{into the initial state.}  */
2867       /* @r{Call the steps down the chain if there are any but only}
2868          @r{if we successfully emitted the escape sequence.}  */
2869       if (status == __GCONV_OK && ! data->__is_last)
2870         status = fct (next_step, next_data, NULL, NULL,
2871                       written, 1);
2872     @}
2873   else
2874     @{
2875       /* @r{We preserve the initial values of the pointer variables.}  */
2876       const char *inptr = *inbuf;
2877       char *outbuf = data->__outbuf;
2878       char *outend = data->__outbufend;
2879       char *outptr;
2881       do
2882         @{
2883           /* @r{Remember the start value for this round.}  */
2884           inptr = *inbuf;
2885           /* @r{The outbuf buffer is empty.}  */
2886           outptr = outbuf;
2888           /* @r{For stateful encodings the state must be safe here.}  */
2890           /* @r{Run the conversion loop.  @code{status} is set}
2891              @r{appropriately afterwards.}  */
2893           /* @r{If this is the last step, leave the loop.  There is}
2894              @r{nothing we can do.}  */
2895           if (data->__is_last)
2896             @{
2897               /* @r{Store information about how many bytes are}
2898                  @r{available.}  */
2899               data->__outbuf = outbuf;
2901              /* @r{If any non-reversible conversions were performed,}
2902                 @r{add the number to @code{*written}.}  */
2904              break;
2905            @}
2907           /* @r{Write out all output that was produced.}  */
2908           if (outbuf > outptr)
2909             @{
2910               const char *outerr = data->__outbuf;
2911               int result;
2913               result = fct (next_step, next_data, &outerr,
2914                             outbuf, written, 0);
2916               if (result != __GCONV_EMPTY_INPUT)
2917                 @{
2918                   if (outerr != outbuf)
2919                     @{
2920                       /* @r{Reset the input buffer pointer.  We}
2921                          @r{document here the complex case.}  */
2922                       size_t nstatus;
2924                       /* @r{Reload the pointers.}  */
2925                       *inbuf = inptr;
2926                       outbuf = outptr;
2928                       /* @r{Possibly reset the state.}  */
2930                       /* @r{Redo the conversion, but this time}
2931                          @r{the end of the output buffer is at}
2932                          @r{@code{outerr}.}  */
2933                     @}
2935                   /* @r{Change the status.}  */
2936                   status = result;
2937                 @}
2938               else
2939                 /* @r{All the output is consumed, we can make}
2940                    @r{ another run if everything was ok.}  */
2941                 if (status == __GCONV_FULL_OUTPUT)
2942                   status = __GCONV_OK;
2943            @}
2944         @}
2945       while (status == __GCONV_OK);
2947       /* @r{We finished one use of this step.}  */
2948       ++data->__invocation_counter;
2949     @}
2951   return status;
2953 @end smallexample
2954 @end deftypevr
2956 This information should be sufficient to write new modules.  Anybody
2957 doing so should also take a look at the available source code in the
2958 @glibcadj{} sources.  It contains many examples of working and optimized
2959 modules.
2961 @c File charset.texi edited October 2001 by Dennis Grace, IBM Corporation