Update config.guess and config.sub to current versions.
[glibc.git] / manual / charset.texi
blob147d9c579a6adf4eb609b6c0593e22105f90bdea
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 @comment stddef.h
102 @comment ISO
103 @deftp {Data type} wchar_t
104 This data type is used as the base type for wide character strings.
105 In other words, arrays of objects of this type are the equivalent of
106 @code{char[]} for multibyte character strings.  The type is defined in
107 @file{stddef.h}.
109 The @w{ISO C90} standard, where @code{wchar_t} was introduced, does not
110 say anything specific about the representation.  It only requires that
111 this type is capable of storing all elements of the basic character set.
112 Therefore it would be legitimate to define @code{wchar_t} as @code{char},
113 which might make sense for embedded systems.
115 But in @theglibc{} @code{wchar_t} is always 32 bits wide and, therefore,
116 capable of representing all UCS-4 values and, therefore, covering all of
117 @w{ISO 10646}.  Some Unix systems define @code{wchar_t} as a 16-bit type
118 and thereby follow Unicode very strictly.  This definition is perfectly
119 fine with the standard, but it also means that to represent all
120 characters from Unicode and @w{ISO 10646} one has to use UTF-16 surrogate
121 characters, which is in fact a multi-wide-character encoding.  But
122 resorting to multi-wide-character encoding contradicts the purpose of the
123 @code{wchar_t} type.
124 @end deftp
126 @comment wchar.h
127 @comment ISO
128 @deftp {Data type} wint_t
129 @code{wint_t} is a data type used for parameters and variables that
130 contain a single wide character.  As the name suggests this type is the
131 equivalent of @code{int} when using the normal @code{char} strings.  The
132 types @code{wchar_t} and @code{wint_t} often have the same
133 representation if their size is 32 bits wide but if @code{wchar_t} is
134 defined as @code{char} the type @code{wint_t} must be defined as
135 @code{int} due to the parameter promotion.
137 @pindex wchar.h
138 This type is defined in @file{wchar.h} and was introduced in
139 @w{Amendment 1} to @w{ISO C90}.
140 @end deftp
142 As there are for the @code{char} data type macros are available for
143 specifying the minimum and maximum value representable in an object of
144 type @code{wchar_t}.
146 @comment wchar.h
147 @comment ISO
148 @deftypevr Macro wint_t WCHAR_MIN
149 The macro @code{WCHAR_MIN} evaluates to the minimum value representable
150 by an object of type @code{wint_t}.
152 This macro was introduced in @w{Amendment 1} to @w{ISO C90}.
153 @end deftypevr
155 @comment wchar.h
156 @comment ISO
157 @deftypevr Macro wint_t WCHAR_MAX
158 The macro @code{WCHAR_MAX} evaluates to the maximum value representable
159 by an object of type @code{wint_t}.
161 This macro was introduced in @w{Amendment 1} to @w{ISO C90}.
162 @end deftypevr
164 Another special wide character value is the equivalent to @code{EOF}.
166 @comment wchar.h
167 @comment ISO
168 @deftypevr Macro wint_t WEOF
169 The macro @code{WEOF} evaluates to a constant expression of type
170 @code{wint_t} whose value is different from any member of the extended
171 character set.
173 @code{WEOF} need not be the same value as @code{EOF} and unlike
174 @code{EOF} it also need @emph{not} be negative.  In other words, sloppy
175 code like
177 @smallexample
179   int c;
180   @dots{}
181   while ((c = getc (fp)) < 0)
182     @dots{}
184 @end smallexample
186 @noindent
187 has to be rewritten to use @code{WEOF} explicitly when wide characters
188 are used:
190 @smallexample
192   wint_t c;
193   @dots{}
194   while ((c = wgetc (fp)) != WEOF)
195     @dots{}
197 @end smallexample
199 @pindex wchar.h
200 This macro was introduced in @w{Amendment 1} to @w{ISO C90} and is
201 defined in @file{wchar.h}.
202 @end deftypevr
205 These internal representations present problems when it comes to storage
206 and transmittal.  Because each single wide character consists of more
207 than one byte, they are affected by byte-ordering.  Thus, machines with
208 different endianesses would see different values when accessing the same
209 data.  This byte ordering concern also applies for communication protocols
210 that are all byte-based and therefore require that the sender has to
211 decide about splitting the wide character in bytes.  A last (but not least
212 important) point is that wide characters often require more storage space
213 than a customized byte-oriented character set.
215 @cindex multibyte character
216 @cindex EBCDIC
217 For all the above reasons, an external encoding that is different from
218 the internal encoding is often used if the latter is UCS-2 or UCS-4.
219 The external encoding is byte-based and can be chosen appropriately for
220 the environment and for the texts to be handled.  A variety of different
221 character sets can be used for this external encoding (information that
222 will not be exhaustively presented here--instead, a description of the
223 major groups will suffice).  All of the ASCII-based character sets
224 fulfill one requirement: they are "filesystem safe."  This means that
225 the character @code{'/'} is used in the encoding @emph{only} to
226 represent itself.  Things are a bit different for character sets like
227 EBCDIC (Extended Binary Coded Decimal Interchange Code, a character set
228 family used by IBM), but if the operating system does not understand
229 EBCDIC directly the parameters-to-system calls have to be converted
230 first anyhow.
232 @itemize @bullet
233 @item
234 The simplest character sets are single-byte character sets.  There can
235 be only up to 256 characters (for @w{8 bit} character sets), which is
236 not sufficient to cover all languages but might be sufficient to handle
237 a specific text.  Handling of a @w{8 bit} character sets is simple.  This
238 is not true for other kinds presented later, and therefore, the
239 application one uses might require the use of @w{8 bit} character sets.
241 @cindex ISO 2022
242 @item
243 The @w{ISO 2022} standard defines a mechanism for extended character
244 sets where one character @emph{can} be represented by more than one
245 byte.  This is achieved by associating a state with the text.
246 Characters that can be used to change the state can be embedded in the
247 text.  Each byte in the text might have a different interpretation in each
248 state.  The state might even influence whether a given byte stands for a
249 character on its own or whether it has to be combined with some more
250 bytes.
252 @cindex EUC
253 @cindex Shift_JIS
254 @cindex SJIS
255 In most uses of @w{ISO 2022} the defined character sets do not allow
256 state changes that cover more than the next character.  This has the
257 big advantage that whenever one can identify the beginning of the byte
258 sequence of a character one can interpret a text correctly.  Examples of
259 character sets using this policy are the various EUC character sets
260 (used by Sun's operating systems, EUC-JP, EUC-KR, EUC-TW, and EUC-CN)
261 or Shift_JIS (SJIS, a Japanese encoding).
263 But there are also character sets using a state that is valid for more
264 than one character and has to be changed by another byte sequence.
265 Examples for this are ISO-2022-JP, ISO-2022-KR, and ISO-2022-CN.
267 @item
268 @cindex ISO 6937
269 Early attempts to fix 8 bit character sets for other languages using the
270 Roman alphabet lead to character sets like @w{ISO 6937}.  Here bytes
271 representing characters like the acute accent do not produce output
272 themselves: one has to combine them with other characters to get the
273 desired result.  For example, the byte sequence @code{0xc2 0x61}
274 (non-spacing acute accent, followed by lower-case `a') to get the ``small
275 a with  acute'' character.  To get the acute accent character on its own,
276 one has to write @code{0xc2 0x20} (the non-spacing acute followed by a
277 space).
279 Character sets like @w{ISO 6937} are used in some embedded systems such
280 as teletex.
282 @item
283 @cindex UTF-8
284 Instead of converting the Unicode or @w{ISO 10646} text used internally,
285 it is often also sufficient to simply use an encoding different than
286 UCS-2/UCS-4.  The Unicode and @w{ISO 10646} standards even specify such an
287 encoding: UTF-8.  This encoding is able to represent all of @w{ISO
288 10646} 31 bits in a byte string of length one to six.
290 @cindex UTF-7
291 There were a few other attempts to encode @w{ISO 10646} such as UTF-7,
292 but UTF-8 is today the only encoding that should be used.  In fact, with
293 any luck UTF-8 will soon be the only external encoding that has to be
294 supported.  It proves to be universally usable and its only disadvantage
295 is that it favors Roman languages by making the byte string
296 representation of other scripts (Cyrillic, Greek, Asian scripts) longer
297 than necessary if using a specific character set for these scripts.
298 Methods like the Unicode compression scheme can alleviate these
299 problems.
300 @end itemize
302 The question remaining is: how to select the character set or encoding
303 to use.  The answer: you cannot decide about it yourself, it is decided
304 by the developers of the system or the majority of the users.  Since the
305 goal is interoperability one has to use whatever the other people one
306 works with use.  If there are no constraints, the selection is based on
307 the requirements the expected circle of users will have.  In other words,
308 if a project is expected to be used in only, say, Russia it is fine to use
309 KOI8-R or a similar character set.  But if at the same time people from,
310 say, Greece are participating one should use a character set that allows
311 all people to collaborate.
313 The most widely useful solution seems to be: go with the most general
314 character set, namely @w{ISO 10646}.  Use UTF-8 as the external encoding
315 and problems about users not being able to use their own language
316 adequately are a thing of the past.
318 One final comment about the choice of the wide character representation
319 is necessary at this point.  We have said above that the natural choice
320 is using Unicode or @w{ISO 10646}.  This is not required, but at least
321 encouraged, by the @w{ISO C} standard.  The standard defines at least a
322 macro @code{__STDC_ISO_10646__} that is only defined on systems where
323 the @code{wchar_t} type encodes @w{ISO 10646} characters.  If this
324 symbol is not defined one should avoid making assumptions about the wide
325 character representation.  If the programmer uses only the functions
326 provided by the C library to handle wide character strings there should
327 be no compatibility problems with other systems.
329 @node Charset Function Overview
330 @section Overview about Character Handling Functions
332 A Unix @w{C library} contains three different sets of functions in two
333 families to handle character set conversion.  One of the function families
334 (the most commonly used) is specified in the @w{ISO C90} standard and,
335 therefore, is portable even beyond the Unix world.  Unfortunately this
336 family is the least useful one.  These functions should be avoided
337 whenever possible, especially when developing libraries (as opposed to
338 applications).
340 The second family of functions got introduced in the early Unix standards
341 (XPG2) and is still part of the latest and greatest Unix standard:
342 @w{Unix 98}.  It is also the most powerful and useful set of functions.
343 But we will start with the functions defined in @w{Amendment 1} to
344 @w{ISO C90}.
346 @node Restartable multibyte conversion
347 @section Restartable Multibyte Conversion Functions
349 The @w{ISO C} standard defines functions to convert strings from a
350 multibyte representation to wide character strings.  There are a number
351 of peculiarities:
353 @itemize @bullet
354 @item
355 The character set assumed for the multibyte encoding is not specified
356 as an argument to the functions.  Instead the character set specified by
357 the @code{LC_CTYPE} category of the current locale is used; see
358 @ref{Locale Categories}.
360 @item
361 The functions handling more than one character at a time require NUL
362 terminated strings as the argument (i.e., converting blocks of text
363 does not work unless one can add a NUL byte at an appropriate place).
364 @Theglibc{} contains some extensions to the standard that allow
365 specifying a size, but basically they also expect terminated strings.
366 @end itemize
368 Despite these limitations the @w{ISO C} functions can be used in many
369 contexts.  In graphical user interfaces, for instance, it is not
370 uncommon to have functions that require text to be displayed in a wide
371 character string if the text is not simple ASCII.  The text itself might
372 come from a file with translations and the user should decide about the
373 current locale, which determines the translation and therefore also the
374 external encoding used.  In such a situation (and many others) the
375 functions described here are perfect.  If more freedom while performing
376 the conversion is necessary take a look at the @code{iconv} functions
377 (@pxref{Generic Charset Conversion}).
379 @menu
380 * Selecting the Conversion::     Selecting the conversion and its properties.
381 * Keeping the state::            Representing the state of the conversion.
382 * Converting a Character::       Converting Single Characters.
383 * Converting Strings::           Converting Multibyte and Wide Character
384                                   Strings.
385 * Multibyte Conversion Example:: A Complete Multibyte Conversion Example.
386 @end menu
388 @node Selecting the Conversion
389 @subsection Selecting the conversion and its properties
391 We already said above that the currently selected locale for the
392 @code{LC_CTYPE} category decides the conversion that is performed
393 by the functions we are about to describe.  Each locale uses its own
394 character set (given as an argument to @code{localedef}) and this is the
395 one assumed as the external multibyte encoding.  The wide character
396 set is always UCS-4 in @theglibc{}.
398 A characteristic of each multibyte character set is the maximum number
399 of bytes that can be necessary to represent one character.  This
400 information is quite important when writing code that uses the
401 conversion functions (as shown in the examples below).
402 The @w{ISO C} standard defines two macros that provide this information.
405 @comment limits.h
406 @comment ISO
407 @deftypevr Macro int MB_LEN_MAX
408 @code{MB_LEN_MAX} specifies the maximum number of bytes in the multibyte
409 sequence for a single character in any of the supported locales.  It is
410 a compile-time constant and is defined in @file{limits.h}.
411 @pindex limits.h
412 @end deftypevr
414 @comment stdlib.h
415 @comment ISO
416 @deftypevr Macro int MB_CUR_MAX
417 @code{MB_CUR_MAX} expands into a positive integer expression that is the
418 maximum number of bytes in a multibyte character in the current locale.
419 The value is never greater than @code{MB_LEN_MAX}.  Unlike
420 @code{MB_LEN_MAX} this macro need not be a compile-time constant, and in
421 @theglibc{} it is not.
423 @pindex stdlib.h
424 @code{MB_CUR_MAX} is defined in @file{stdlib.h}.
425 @end deftypevr
427 Two different macros are necessary since strictly @w{ISO C90} compilers
428 do not allow variable length array definitions, but still it is desirable
429 to avoid dynamic allocation.  This incomplete piece of code shows the
430 problem:
432 @smallexample
434   char buf[MB_LEN_MAX];
435   ssize_t len = 0;
437   while (! feof (fp))
438     @{
439       fread (&buf[len], 1, MB_CUR_MAX - len, fp);
440       /* @r{@dots{} process} buf */
441       len -= used;
442     @}
444 @end smallexample
446 The code in the inner loop is expected to have always enough bytes in
447 the array @var{buf} to convert one multibyte character.  The array
448 @var{buf} has to be sized statically since many compilers do not allow a
449 variable size.  The @code{fread} call makes sure that @code{MB_CUR_MAX}
450 bytes are always available in @var{buf}.  Note that it isn't
451 a problem if @code{MB_CUR_MAX} is not a compile-time constant.
454 @node Keeping the state
455 @subsection Representing the state of the conversion
457 @cindex stateful
458 In the introduction of this chapter it was said that certain character
459 sets use a @dfn{stateful} encoding.  That is, the encoded values depend
460 in some way on the previous bytes in the text.
462 Since the conversion functions allow converting a text in more than one
463 step we must have a way to pass this information from one call of the
464 functions to another.
466 @comment wchar.h
467 @comment ISO
468 @deftp {Data type} mbstate_t
469 @cindex shift state
470 A variable of type @code{mbstate_t} can contain all the information
471 about the @dfn{shift state} needed from one call to a conversion
472 function to another.
474 @pindex wchar.h
475 @code{mbstate_t} is defined in @file{wchar.h}.  It was introduced in
476 @w{Amendment 1} to @w{ISO C90}.
477 @end deftp
479 To use objects of type @code{mbstate_t} the programmer has to define such
480 objects (normally as local variables on the stack) and pass a pointer to
481 the object to the conversion functions.  This way the conversion function
482 can update the object if the current multibyte character set is stateful.
484 There is no specific function or initializer to put the state object in
485 any specific state.  The rules are that the object should always
486 represent the initial state before the first use, and this is achieved by
487 clearing the whole variable with code such as follows:
489 @smallexample
491   mbstate_t state;
492   memset (&state, '\0', sizeof (state));
493   /* @r{from now on @var{state} can be used.}  */
494   @dots{}
496 @end smallexample
498 When using the conversion functions to generate output it is often
499 necessary to test whether the current state corresponds to the initial
500 state.  This is necessary, for example, to decide whether to emit
501 escape sequences to set the state to the initial state at certain
502 sequence points.  Communication protocols often require this.
504 @comment wchar.h
505 @comment ISO
506 @deftypefun int mbsinit (const mbstate_t *@var{ps})
507 @safety{@prelim{}@mtsafe{}@assafe{}@acsafe{}}
508 @c ps is dereferenced once, unguarded.  This would call for @mtsrace:ps,
509 @c but since a single word-sized field is (atomically) accessed, any
510 @c race here would be harmless.  Other functions that take an optional
511 @c mbstate_t* argument named ps are marked with @mtasurace:<func>/!ps,
512 @c to indicate that the function uses a static buffer if ps is NULL.
513 @c These could also have been marked with @mtsrace:ps, but we'll omit
514 @c that for brevity, for it's somewhat redundant with the @mtasurace.
515 The @code{mbsinit} function determines whether the state object pointed
516 to by @var{ps} is in the initial state.  If @var{ps} is a null pointer or
517 the object is in the initial state the return value is nonzero.  Otherwise
518 it is zero.
520 @pindex wchar.h
521 @code{mbsinit} was introduced in @w{Amendment 1} to @w{ISO C90} and is
522 declared in @file{wchar.h}.
523 @end deftypefun
525 Code using @code{mbsinit} often looks similar to this:
527 @c Fix the example to explicitly say how to generate the escape sequence
528 @c to restore the initial state.
529 @smallexample
531   mbstate_t state;
532   memset (&state, '\0', sizeof (state));
533   /* @r{Use @var{state}.}  */
534   @dots{}
535   if (! mbsinit (&state))
536     @{
537       /* @r{Emit code to return to initial state.}  */
538       const wchar_t empty[] = L"";
539       const wchar_t *srcp = empty;
540       wcsrtombs (outbuf, &srcp, outbuflen, &state);
541     @}
542   @dots{}
544 @end smallexample
546 The code to emit the escape sequence to get back to the initial state is
547 interesting.  The @code{wcsrtombs} function can be used to determine the
548 necessary output code (@pxref{Converting Strings}).  Please note that with
549 @theglibc{} it is not necessary to perform this extra action for the
550 conversion from multibyte text to wide character text since the wide
551 character encoding is not stateful.  But there is nothing mentioned in
552 any standard that prohibits making @code{wchar_t} use a stateful
553 encoding.
555 @node Converting a Character
556 @subsection Converting Single Characters
558 The most fundamental of the conversion functions are those dealing with
559 single characters.  Please note that this does not always mean single
560 bytes.  But since there is very often a subset of the multibyte
561 character set that consists of single byte sequences, there are
562 functions to help with converting bytes.  Frequently, ASCII is a subset
563 of the multibyte character set.  In such a scenario, each ASCII character
564 stands for itself, and all other characters have at least a first byte
565 that is beyond the range @math{0} to @math{127}.
567 @comment wchar.h
568 @comment ISO
569 @deftypefun wint_t btowc (int @var{c})
570 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
571 @c Calls btowc_fct or __fct; reads from locale, and from the
572 @c get_gconv_fcts result multiple times.  get_gconv_fcts calls
573 @c __wcsmbs_load_conv to initialize the ctype if it's null.
574 @c wcsmbs_load_conv takes a non-recursive wrlock before allocating
575 @c memory for the fcts structure, initializing it, and then storing it
576 @c in the locale object.  The initialization involves dlopening and a
577 @c lot more.
578 The @code{btowc} function (``byte to wide character'') converts a valid
579 single byte character @var{c} in the initial shift state into the wide
580 character equivalent using the conversion rules from the currently
581 selected locale of the @code{LC_CTYPE} category.
583 If @code{(unsigned char) @var{c}} is no valid single byte multibyte
584 character or if @var{c} is @code{EOF}, the function returns @code{WEOF}.
586 Please note the restriction of @var{c} being tested for validity only in
587 the initial shift state.  No @code{mbstate_t} object is used from
588 which the state information is taken, and the function also does not use
589 any static state.
591 @pindex wchar.h
592 The @code{btowc} function was introduced in @w{Amendment 1} to @w{ISO C90}
593 and is declared in @file{wchar.h}.
594 @end deftypefun
596 Despite the limitation that the single byte value is always interpreted
597 in the initial state, this function is actually useful most of the time.
598 Most characters are either entirely single-byte character sets or they
599 are extensions to ASCII.  But then it is possible to write code like this
600 (not that this specific example is very useful):
602 @smallexample
603 wchar_t *
604 itow (unsigned long int val)
606   static wchar_t buf[30];
607   wchar_t *wcp = &buf[29];
608   *wcp = L'\0';
609   while (val != 0)
610     @{
611       *--wcp = btowc ('0' + val % 10);
612       val /= 10;
613     @}
614   if (wcp == &buf[29])
615     *--wcp = L'0';
616   return wcp;
618 @end smallexample
620 Why is it necessary to use such a complicated implementation and not
621 simply cast @code{'0' + val % 10} to a wide character?  The answer is
622 that there is no guarantee that one can perform this kind of arithmetic
623 on the character of the character set used for @code{wchar_t}
624 representation.  In other situations the bytes are not constant at
625 compile time and so the compiler cannot do the work.  In situations like
626 this, using @code{btowc} is required.
628 @noindent
629 There is also a function for the conversion in the other direction.
631 @comment wchar.h
632 @comment ISO
633 @deftypefun int wctob (wint_t @var{c})
634 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
635 The @code{wctob} function (``wide character to byte'') takes as the
636 parameter a valid wide character.  If the multibyte representation for
637 this character in the initial state is exactly one byte long, the return
638 value of this function is this character.  Otherwise the return value is
639 @code{EOF}.
641 @pindex wchar.h
642 @code{wctob} was introduced in @w{Amendment 1} to @w{ISO C90} and
643 is declared in @file{wchar.h}.
644 @end deftypefun
646 There are more general functions to convert single characters from
647 multibyte representation to wide characters and vice versa.  These
648 functions pose no limit on the length of the multibyte representation
649 and they also do not require it to be in the initial state.
651 @comment wchar.h
652 @comment ISO
653 @deftypefun size_t mbrtowc (wchar_t *restrict @var{pwc}, const char *restrict @var{s}, size_t @var{n}, mbstate_t *restrict @var{ps})
654 @safety{@prelim{}@mtunsafe{@mtasurace{:mbrtowc/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
655 @cindex stateful
656 The @code{mbrtowc} function (``multibyte restartable to wide
657 character'') converts the next multibyte character in the string pointed
658 to by @var{s} into a wide character and stores it in the wide character
659 string pointed to by @var{pwc}.  The conversion is performed according
660 to the locale currently selected for the @code{LC_CTYPE} category.  If
661 the conversion for the character set used in the locale requires a state,
662 the multibyte string is interpreted in the state represented by the
663 object pointed to by @var{ps}.  If @var{ps} is a null pointer, a static,
664 internal state variable used only by the @code{mbrtowc} function is
665 used.
667 If the next multibyte character corresponds to the NUL wide character,
668 the return value of the function is @math{0} and the state object is
669 afterwards in the initial state.  If the next @var{n} or fewer bytes
670 form a correct multibyte character, the return value is the number of
671 bytes starting from @var{s} that form the multibyte character.  The
672 conversion state is updated according to the bytes consumed in the
673 conversion.  In both cases the wide character (either the @code{L'\0'}
674 or the one found in the conversion) is stored in the string pointed to
675 by @var{pwc} if @var{pwc} is not null.
677 If the first @var{n} bytes of the multibyte string possibly form a valid
678 multibyte character but there are more than @var{n} bytes needed to
679 complete it, the return value of the function is @code{(size_t) -2} and
680 no value is stored.  Please note that this can happen even if @var{n}
681 has a value greater than or equal to @code{MB_CUR_MAX} since the input
682 might contain redundant shift sequences.
684 If the first @code{n} bytes of the multibyte string cannot possibly form
685 a valid multibyte character, no value is stored, the global variable
686 @code{errno} is set to the value @code{EILSEQ}, and the function returns
687 @code{(size_t) -1}.  The conversion state is afterwards undefined.
689 @pindex wchar.h
690 @code{mbrtowc} was introduced in @w{Amendment 1} to @w{ISO C90} and
691 is declared in @file{wchar.h}.
692 @end deftypefun
694 Use of @code{mbrtowc} is straightforward.  A function that copies a
695 multibyte string into a wide character string while at the same time
696 converting all lowercase characters into uppercase could look like this
697 (this is not the final version, just an example; it has no error
698 checking, and sometimes leaks memory):
700 @smallexample
701 wchar_t *
702 mbstouwcs (const char *s)
704   size_t len = strlen (s);
705   wchar_t *result = malloc ((len + 1) * sizeof (wchar_t));
706   wchar_t *wcp = result;
707   wchar_t tmp[1];
708   mbstate_t state;
709   size_t nbytes;
711   memset (&state, '\0', sizeof (state));
712   while ((nbytes = mbrtowc (tmp, s, len, &state)) > 0)
713     @{
714       if (nbytes >= (size_t) -2)
715         /* Invalid input string.  */
716         return NULL;
717       *wcp++ = towupper (tmp[0]);
718       len -= nbytes;
719       s += nbytes;
720     @}
721   return result;
723 @end smallexample
725 The use of @code{mbrtowc} should be clear.  A single wide character is
726 stored in @code{@var{tmp}[0]}, and the number of consumed bytes is stored
727 in the variable @var{nbytes}.  If the conversion is successful, the
728 uppercase variant of the wide character is stored in the @var{result}
729 array and the pointer to the input string and the number of available
730 bytes is adjusted.
732 The only non-obvious thing about @code{mbrtowc} might be the way memory
733 is allocated for the result.  The above code uses the fact that there
734 can never be more wide characters in the converted result than there are
735 bytes in the multibyte input string.  This method yields a pessimistic
736 guess about the size of the result, and if many wide character strings
737 have to be constructed this way or if the strings are long, the extra
738 memory required to be allocated because the input string contains
739 multibyte characters might be significant.  The allocated memory block can
740 be resized to the correct size before returning it, but a better solution
741 might be to allocate just the right amount of space for the result right
742 away.  Unfortunately there is no function to compute the length of the wide
743 character string directly from the multibyte string.  There is, however, a
744 function that does part of the work.
746 @comment wchar.h
747 @comment ISO
748 @deftypefun size_t mbrlen (const char *restrict @var{s}, size_t @var{n}, mbstate_t *@var{ps})
749 @safety{@prelim{}@mtunsafe{@mtasurace{:mbrlen/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
750 The @code{mbrlen} function (``multibyte restartable length'') computes
751 the number of at most @var{n} bytes starting at @var{s}, which form the
752 next valid and complete multibyte character.
754 If the next multibyte character corresponds to the NUL wide character,
755 the return value is @math{0}.  If the next @var{n} bytes form a valid
756 multibyte character, the number of bytes belonging to this multibyte
757 character byte sequence is returned.
759 If the first @var{n} bytes possibly form a valid multibyte
760 character but the character is incomplete, the return value is
761 @code{(size_t) -2}.  Otherwise the multibyte character sequence is invalid
762 and the return value is @code{(size_t) -1}.
764 The multibyte sequence is interpreted in the state represented by the
765 object pointed to by @var{ps}.  If @var{ps} is a null pointer, a state
766 object local to @code{mbrlen} is used.
768 @pindex wchar.h
769 @code{mbrlen} was introduced in @w{Amendment 1} to @w{ISO C90} and
770 is declared in @file{wchar.h}.
771 @end deftypefun
773 The attentive reader now will note that @code{mbrlen} can be implemented
776 @smallexample
777 mbrtowc (NULL, s, n, ps != NULL ? ps : &internal)
778 @end smallexample
780 This is true and in fact is mentioned in the official specification.
781 How can this function be used to determine the length of the wide
782 character string created from a multibyte character string?  It is not
783 directly usable, but we can define a function @code{mbslen} using it:
785 @smallexample
786 size_t
787 mbslen (const char *s)
789   mbstate_t state;
790   size_t result = 0;
791   size_t nbytes;
792   memset (&state, '\0', sizeof (state));
793   while ((nbytes = mbrlen (s, MB_LEN_MAX, &state)) > 0)
794     @{
795       if (nbytes >= (size_t) -2)
796         /* @r{Something is wrong.}  */
797         return (size_t) -1;
798       s += nbytes;
799       ++result;
800     @}
801   return result;
803 @end smallexample
805 This function simply calls @code{mbrlen} for each multibyte character
806 in the string and counts the number of function calls.  Please note that
807 we here use @code{MB_LEN_MAX} as the size argument in the @code{mbrlen}
808 call.  This is acceptable since a) this value is larger than the length of
809 the longest multibyte character sequence and b) we know that the string
810 @var{s} ends with a NUL byte, which cannot be part of any other multibyte
811 character sequence but the one representing the NUL wide character.
812 Therefore, the @code{mbrlen} function will never read invalid memory.
814 Now that this function is available (just to make this clear, this
815 function is @emph{not} part of @theglibc{}) we can compute the
816 number of wide characters required to store the converted multibyte
817 character string @var{s} using
819 @smallexample
820 wcs_bytes = (mbslen (s) + 1) * sizeof (wchar_t);
821 @end smallexample
823 Please note that the @code{mbslen} function is quite inefficient.  The
824 implementation of @code{mbstouwcs} with @code{mbslen} would have to
825 perform the conversion of the multibyte character input string twice, and
826 this conversion might be quite expensive.  So it is necessary to think
827 about the consequences of using the easier but imprecise method before
828 doing the work twice.
830 @comment wchar.h
831 @comment ISO
832 @deftypefun size_t wcrtomb (char *restrict @var{s}, wchar_t @var{wc}, mbstate_t *restrict @var{ps})
833 @safety{@prelim{}@mtunsafe{@mtasurace{:wcrtomb/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
834 @c wcrtomb uses a static, non-thread-local unguarded state variable when
835 @c PS is NULL.  When a state is passed in, and it's not used
836 @c concurrently in other threads, this function behaves safely as long
837 @c as gconv modules don't bring MT safety issues of their own.
838 @c Attempting to load gconv modules or to build conversion chains in
839 @c signal handlers may encounter gconv databases or caches in a
840 @c partially-updated state, and asynchronous cancellation may leave them
841 @c in such states, besides leaking the lock that guards them.
842 @c get_gconv_fcts ok
843 @c    wcsmbs_load_conv ok
844 @c      norm_add_slashes ok
845 @c      wcsmbs_getfct ok
846 @c        gconv_find_transform ok
847 @c          gconv_read_conf (libc_once)
848 @c          gconv_lookup_cache ok
849 @c            find_module_idx ok
850 @c            find_module ok
851 @c              gconv_find_shlib (ok)
852 @c              ->init_fct (assumed ok)
853 @c            gconv_get_builtin_trans ok
854 @c            gconv_release_step ok
855 @c          do_lookup_alias ok
856 @c          find_derivation ok
857 @c            derivation_lookup ok
858 @c            increment_counter ok
859 @c              gconv_find_shlib ok
860 @c              step->init_fct (assumed ok)
861 @c            gen_steps ok
862 @c              gconv_find_shlib ok
863 @c                dlopen (presumed ok)
864 @c                dlsym (presumed ok)
865 @c              step->init_fct (assumed ok)
866 @c              step->end_fct (assumed ok)
867 @c              gconv_get_builtin_trans ok
868 @c              gconv_release_step ok
869 @c            add_derivation ok
870 @c      gconv_close_transform ok
871 @c        gconv_release_step ok
872 @c          step->end_fct (assumed ok)
873 @c          gconv_release_shlib ok
874 @c            dlclose (presumed ok)
875 @c        gconv_release_cache ok
876 @c  ->tomb->__fct (assumed ok)
877 The @code{wcrtomb} function (``wide character restartable to
878 multibyte'') converts a single wide character into a multibyte string
879 corresponding to that wide character.
881 If @var{s} is a null pointer, the function resets the state stored in
882 the object pointed to by @var{ps} (or the internal @code{mbstate_t}
883 object) to the initial state.  This can also be achieved by a call like
884 this:
886 @smallexample
887 wcrtombs (temp_buf, L'\0', ps)
888 @end smallexample
890 @noindent
891 since, if @var{s} is a null pointer, @code{wcrtomb} performs as if it
892 writes into an internal buffer, which is guaranteed to be large enough.
894 If @var{wc} is the NUL wide character, @code{wcrtomb} emits, if
895 necessary, a shift sequence to get the state @var{ps} into the initial
896 state followed by a single NUL byte, which is stored in the string
897 @var{s}.
899 Otherwise a byte sequence (possibly including shift sequences) is written
900 into the string @var{s}.  This only happens if @var{wc} is a valid wide
901 character (i.e., it has a multibyte representation in the character set
902 selected by locale of the @code{LC_CTYPE} category).  If @var{wc} is no
903 valid wide character, nothing is stored in the strings @var{s},
904 @code{errno} is set to @code{EILSEQ}, the conversion state in @var{ps}
905 is undefined and the return value is @code{(size_t) -1}.
907 If no error occurred the function returns the number of bytes stored in
908 the string @var{s}.  This includes all bytes representing shift
909 sequences.
911 One word about the interface of the function: there is no parameter
912 specifying the length of the array @var{s}.  Instead the function
913 assumes that there are at least @code{MB_CUR_MAX} bytes available since
914 this is the maximum length of any byte sequence representing a single
915 character.  So the caller has to make sure that there is enough space
916 available, otherwise buffer overruns can occur.
918 @pindex wchar.h
919 @code{wcrtomb} was introduced in @w{Amendment 1} to @w{ISO C90} and is
920 declared in @file{wchar.h}.
921 @end deftypefun
923 Using @code{wcrtomb} is as easy as using @code{mbrtowc}.  The following
924 example appends a wide character string to a multibyte character string.
925 Again, the code is not really useful (or correct), it is simply here to
926 demonstrate the use and some problems.
928 @smallexample
929 char *
930 mbscatwcs (char *s, size_t len, const wchar_t *ws)
932   mbstate_t state;
933   /* @r{Find the end of the existing string.}  */
934   char *wp = strchr (s, '\0');
935   len -= wp - s;
936   memset (&state, '\0', sizeof (state));
937   do
938     @{
939       size_t nbytes;
940       if (len < MB_CUR_LEN)
941         @{
942           /* @r{We cannot guarantee that the next}
943              @r{character fits into the buffer, so}
944              @r{return an error.}  */
945           errno = E2BIG;
946           return NULL;
947         @}
948       nbytes = wcrtomb (wp, *ws, &state);
949       if (nbytes == (size_t) -1)
950         /* @r{Error in the conversion.}  */
951         return NULL;
952       len -= nbytes;
953       wp += nbytes;
954     @}
955   while (*ws++ != L'\0');
956   return s;
958 @end smallexample
960 First the function has to find the end of the string currently in the
961 array @var{s}.  The @code{strchr} call does this very efficiently since a
962 requirement for multibyte character representations is that the NUL byte
963 is never used except to represent itself (and in this context, the end
964 of the string).
966 After initializing the state object the loop is entered where the first
967 task is to make sure there is enough room in the array @var{s}.  We
968 abort if there are not at least @code{MB_CUR_LEN} bytes available.  This
969 is not always optimal but we have no other choice.  We might have less
970 than @code{MB_CUR_LEN} bytes available but the next multibyte character
971 might also be only one byte long.  At the time the @code{wcrtomb} call
972 returns it is too late to decide whether the buffer was large enough.  If
973 this solution is unsuitable, there is a very slow but more accurate
974 solution.
976 @smallexample
977   @dots{}
978   if (len < MB_CUR_LEN)
979     @{
980       mbstate_t temp_state;
981       memcpy (&temp_state, &state, sizeof (state));
982       if (wcrtomb (NULL, *ws, &temp_state) > len)
983         @{
984           /* @r{We cannot guarantee that the next}
985              @r{character fits into the buffer, so}
986              @r{return an error.}  */
987           errno = E2BIG;
988           return NULL;
989         @}
990     @}
991   @dots{}
992 @end smallexample
994 Here we perform the conversion that might overflow the buffer so that
995 we are afterwards in the position to make an exact decision about the
996 buffer size.  Please note the @code{NULL} argument for the destination
997 buffer in the new @code{wcrtomb} call; since we are not interested in the
998 converted text at this point, this is a nice way to express this.  The
999 most unusual thing about this piece of code certainly is the duplication
1000 of the conversion state object, but if a change of the state is necessary
1001 to emit the next multibyte character, we want to have the same shift state
1002 change performed in the real conversion.  Therefore, we have to preserve
1003 the initial shift state information.
1005 There are certainly many more and even better solutions to this problem.
1006 This example is only provided for educational purposes.
1008 @node Converting Strings
1009 @subsection Converting Multibyte and Wide Character Strings
1011 The functions described in the previous section only convert a single
1012 character at a time.  Most operations to be performed in real-world
1013 programs include strings and therefore the @w{ISO C} standard also
1014 defines conversions on entire strings.  However, the defined set of
1015 functions is quite limited; therefore, @theglibc{} contains a few
1016 extensions that can help in some important situations.
1018 @comment wchar.h
1019 @comment ISO
1020 @deftypefun size_t mbsrtowcs (wchar_t *restrict @var{dst}, const char **restrict @var{src}, size_t @var{len}, mbstate_t *restrict @var{ps})
1021 @safety{@prelim{}@mtunsafe{@mtasurace{:mbsrtowcs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1022 The @code{mbsrtowcs} function (``multibyte string restartable to wide
1023 character string'') converts the NUL-terminated multibyte character
1024 string at @code{*@var{src}} into an equivalent wide character string,
1025 including the NUL wide character at the end.  The conversion is started
1026 using the state information from the object pointed to by @var{ps} or
1027 from an internal object of @code{mbsrtowcs} if @var{ps} is a null
1028 pointer.  Before returning, the state object is updated to match the state
1029 after the last converted character.  The state is the initial state if the
1030 terminating NUL byte is reached and converted.
1032 If @var{dst} is not a null pointer, the result is stored in the array
1033 pointed to by @var{dst}; otherwise, the conversion result is not
1034 available since it is stored in an internal buffer.
1036 If @var{len} wide characters are stored in the array @var{dst} before
1037 reaching the end of the input string, the conversion stops and @var{len}
1038 is returned.  If @var{dst} is a null pointer, @var{len} is never checked.
1040 Another reason for a premature return from the function call is if the
1041 input string contains an invalid multibyte sequence.  In this case the
1042 global variable @code{errno} is set to @code{EILSEQ} and the function
1043 returns @code{(size_t) -1}.
1045 @c XXX The ISO C9x draft seems to have a problem here.  It says that PS
1046 @c is not updated if DST is NULL.  This is not said straightforward and
1047 @c none of the other functions is described like this.  It would make sense
1048 @c to define the function this way but I don't think it is meant like this.
1050 In all other cases the function returns the number of wide characters
1051 converted during this call.  If @var{dst} is not null, @code{mbsrtowcs}
1052 stores in the pointer pointed to by @var{src} either a null pointer (if
1053 the NUL byte in the input string was reached) or the address of the byte
1054 following the last converted multibyte character.
1056 @pindex wchar.h
1057 @code{mbsrtowcs} was introduced in @w{Amendment 1} to @w{ISO C90} and is
1058 declared in @file{wchar.h}.
1059 @end deftypefun
1061 The definition of the @code{mbsrtowcs} function has one important
1062 limitation.  The requirement that @var{dst} has to be a NUL-terminated
1063 string provides problems if one wants to convert buffers with text.  A
1064 buffer is not normally a collection of NUL-terminated strings but instead a
1065 continuous collection of lines, separated by newline characters.  Now
1066 assume that a function to convert one line from a buffer is needed.  Since
1067 the line is not NUL-terminated, the source pointer cannot directly point
1068 into the unmodified text buffer.  This means, either one inserts the NUL
1069 byte at the appropriate place for the time of the @code{mbsrtowcs}
1070 function call (which is not doable for a read-only buffer or in a
1071 multi-threaded application) or one copies the line in an extra buffer
1072 where it can be terminated by a NUL byte.  Note that it is not in general
1073 possible to limit the number of characters to convert by setting the
1074 parameter @var{len} to any specific value.  Since it is not known how
1075 many bytes each multibyte character sequence is in length, one can only
1076 guess.
1078 @cindex stateful
1079 There is still a problem with the method of NUL-terminating a line right
1080 after the newline character, which could lead to very strange results.
1081 As said in the description of the @code{mbsrtowcs} function above, the
1082 conversion state is guaranteed to be in the initial shift state after
1083 processing the NUL byte at the end of the input string.  But this NUL
1084 byte is not really part of the text (i.e., the conversion state after
1085 the newline in the original text could be something different than the
1086 initial shift state and therefore the first character of the next line
1087 is encoded using this state).  But the state in question is never
1088 accessible to the user since the conversion stops after the NUL byte
1089 (which resets the state).  Most stateful character sets in use today
1090 require that the shift state after a newline be the initial state--but
1091 this is not a strict guarantee.  Therefore, simply NUL-terminating a
1092 piece of a running text is not always an adequate solution and,
1093 therefore, should never be used in generally used code.
1095 The generic conversion interface (@pxref{Generic Charset Conversion})
1096 does not have this limitation (it simply works on buffers, not
1097 strings), and @theglibc{} contains a set of functions that take
1098 additional parameters specifying the maximal number of bytes that are
1099 consumed from the input string.  This way the problem of
1100 @code{mbsrtowcs}'s example above could be solved by determining the line
1101 length and passing this length to the function.
1103 @comment wchar.h
1104 @comment ISO
1105 @deftypefun size_t wcsrtombs (char *restrict @var{dst}, const wchar_t **restrict @var{src}, size_t @var{len}, mbstate_t *restrict @var{ps})
1106 @safety{@prelim{}@mtunsafe{@mtasurace{:wcsrtombs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1107 The @code{wcsrtombs} function (``wide character string restartable to
1108 multibyte string'') converts the NUL-terminated wide character string at
1109 @code{*@var{src}} into an equivalent multibyte character string and
1110 stores the result in the array pointed to by @var{dst}.  The NUL wide
1111 character is also converted.  The conversion starts in the state
1112 described in the object pointed to by @var{ps} or by a state object
1113 local to @code{wcsrtombs} in case @var{ps} is a null pointer.  If
1114 @var{dst} is a null pointer, the conversion is performed as usual but the
1115 result is not available.  If all characters of the input string were
1116 successfully converted and if @var{dst} is not a null pointer, the
1117 pointer pointed to by @var{src} gets assigned a null pointer.
1119 If one of the wide characters in the input string has no valid multibyte
1120 character equivalent, the conversion stops early, sets the global
1121 variable @code{errno} to @code{EILSEQ}, and returns @code{(size_t) -1}.
1123 Another reason for a premature stop is if @var{dst} is not a null
1124 pointer and the next converted character would require more than
1125 @var{len} bytes in total to the array @var{dst}.  In this case (and if
1126 @var{dst} is not a null pointer) the pointer pointed to by @var{src} is
1127 assigned a value pointing to the wide character right after the last one
1128 successfully converted.
1130 Except in the case of an encoding error the return value of the
1131 @code{wcsrtombs} function is the number of bytes in all the multibyte
1132 character sequences stored in @var{dst}.  Before returning, the state in
1133 the object pointed to by @var{ps} (or the internal object in case
1134 @var{ps} is a null pointer) is updated to reflect the state after the
1135 last conversion.  The state is the initial shift state in case the
1136 terminating NUL wide character was converted.
1138 @pindex wchar.h
1139 The @code{wcsrtombs} function was introduced in @w{Amendment 1} to
1140 @w{ISO C90} and is declared in @file{wchar.h}.
1141 @end deftypefun
1143 The restriction mentioned above for the @code{mbsrtowcs} function applies
1144 here also.  There is no possibility of directly controlling the number of
1145 input characters.  One has to place the NUL wide character at the correct
1146 place or control the consumed input indirectly via the available output
1147 array size (the @var{len} parameter).
1149 @comment wchar.h
1150 @comment GNU
1151 @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})
1152 @safety{@prelim{}@mtunsafe{@mtasurace{:mbsnrtowcs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1153 The @code{mbsnrtowcs} function is very similar to the @code{mbsrtowcs}
1154 function.  All the parameters are the same except for @var{nmc}, which is
1155 new.  The return value is the same as for @code{mbsrtowcs}.
1157 This new parameter specifies how many bytes at most can be used from the
1158 multibyte character string.  In other words, the multibyte character
1159 string @code{*@var{src}} need not be NUL-terminated.  But if a NUL byte
1160 is found within the @var{nmc} first bytes of the string, the conversion
1161 stops there.
1163 This function is a GNU extension.  It is meant to work around the
1164 problems mentioned above.  Now it is possible to convert a buffer with
1165 multibyte character text piece by piece without having to care about
1166 inserting NUL bytes and the effect of NUL bytes on the conversion state.
1167 @end deftypefun
1169 A function to convert a multibyte string into a wide character string
1170 and display it could be written like this (this is not a really useful
1171 example):
1173 @smallexample
1174 void
1175 showmbs (const char *src, FILE *fp)
1177   mbstate_t state;
1178   int cnt = 0;
1179   memset (&state, '\0', sizeof (state));
1180   while (1)
1181     @{
1182       wchar_t linebuf[100];
1183       const char *endp = strchr (src, '\n');
1184       size_t n;
1186       /* @r{Exit if there is no more line.}  */
1187       if (endp == NULL)
1188         break;
1190       n = mbsnrtowcs (linebuf, &src, endp - src, 99, &state);
1191       linebuf[n] = L'\0';
1192       fprintf (fp, "line %d: \"%S\"\n", linebuf);
1193     @}
1195 @end smallexample
1197 There is no problem with the state after a call to @code{mbsnrtowcs}.
1198 Since we don't insert characters in the strings that were not in there
1199 right from the beginning and we use @var{state} only for the conversion
1200 of the given buffer, there is no problem with altering the state.
1202 @comment wchar.h
1203 @comment GNU
1204 @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})
1205 @safety{@prelim{}@mtunsafe{@mtasurace{:wcsnrtombs/!ps}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1206 The @code{wcsnrtombs} function implements the conversion from wide
1207 character strings to multibyte character strings.  It is similar to
1208 @code{wcsrtombs} but, just like @code{mbsnrtowcs}, it takes an extra
1209 parameter, which specifies the length of the input string.
1211 No more than @var{nwc} wide characters from the input string
1212 @code{*@var{src}} are converted.  If the input string contains a NUL
1213 wide character in the first @var{nwc} characters, the conversion stops at
1214 this place.
1216 The @code{wcsnrtombs} function is a GNU extension and just like
1217 @code{mbsnrtowcs} helps in situations where no NUL-terminated input
1218 strings are available.
1219 @end deftypefun
1222 @node Multibyte Conversion Example
1223 @subsection A Complete Multibyte Conversion Example
1225 The example programs given in the last sections are only brief and do
1226 not contain all the error checking, etc.  Presented here is a complete
1227 and documented example.  It features the @code{mbrtowc} function but it
1228 should be easy to derive versions using the other functions.
1230 @smallexample
1232 file_mbsrtowcs (int input, int output)
1234   /* @r{Note the use of @code{MB_LEN_MAX}.}
1235      @r{@code{MB_CUR_MAX} cannot portably be used here.}  */
1236   char buffer[BUFSIZ + MB_LEN_MAX];
1237   mbstate_t state;
1238   int filled = 0;
1239   int eof = 0;
1241   /* @r{Initialize the state.}  */
1242   memset (&state, '\0', sizeof (state));
1244   while (!eof)
1245     @{
1246       ssize_t nread;
1247       ssize_t nwrite;
1248       char *inp = buffer;
1249       wchar_t outbuf[BUFSIZ];
1250       wchar_t *outp = outbuf;
1252       /* @r{Fill up the buffer from the input file.}  */
1253       nread = read (input, buffer + filled, BUFSIZ);
1254       if (nread < 0)
1255         @{
1256           perror ("read");
1257           return 0;
1258         @}
1259       /* @r{If we reach end of file, make a note to read no more.} */
1260       if (nread == 0)
1261         eof = 1;
1263       /* @r{@code{filled} is now the number of bytes in @code{buffer}.} */
1264       filled += nread;
1266       /* @r{Convert those bytes to wide characters--as many as we can.} */
1267       while (1)
1268         @{
1269           size_t thislen = mbrtowc (outp, inp, filled, &state);
1270           /* @r{Stop converting at invalid character;}
1271              @r{this can mean we have read just the first part}
1272              @r{of a valid character.}  */
1273           if (thislen == (size_t) -1)
1274             break;
1275           /* @r{We want to handle embedded NUL bytes}
1276              @r{but the return value is 0.  Correct this.}  */
1277           if (thislen == 0)
1278             thislen = 1;
1279           /* @r{Advance past this character.} */
1280           inp += thislen;
1281           filled -= thislen;
1282           ++outp;
1283         @}
1285       /* @r{Write the wide characters we just made.}  */
1286       nwrite = write (output, outbuf,
1287                       (outp - outbuf) * sizeof (wchar_t));
1288       if (nwrite < 0)
1289         @{
1290           perror ("write");
1291           return 0;
1292         @}
1294       /* @r{See if we have a @emph{real} invalid character.} */
1295       if ((eof && filled > 0) || filled >= MB_CUR_MAX)
1296         @{
1297           error (0, 0, "invalid multibyte character");
1298           return 0;
1299         @}
1301       /* @r{If any characters must be carried forward,}
1302          @r{put them at the beginning of @code{buffer}.} */
1303       if (filled > 0)
1304         memmove (buffer, inp, filled);
1305     @}
1307   return 1;
1309 @end smallexample
1312 @node Non-reentrant Conversion
1313 @section Non-reentrant Conversion Function
1315 The functions described in the previous chapter are defined in
1316 @w{Amendment 1} to @w{ISO C90}, but the original @w{ISO C90} standard
1317 also contained functions for character set conversion.  The reason that
1318 these original functions are not described first is that they are almost
1319 entirely useless.
1321 The problem is that all the conversion functions described in the
1322 original @w{ISO C90} use a local state.  Using a local state implies that
1323 multiple conversions at the same time (not only when using threads)
1324 cannot be done, and that you cannot first convert single characters and
1325 then strings since you cannot tell the conversion functions which state
1326 to use.
1328 These original functions are therefore usable only in a very limited set
1329 of situations.  One must complete converting the entire string before
1330 starting a new one, and each string/text must be converted with the same
1331 function (there is no problem with the library itself; it is guaranteed
1332 that no library function changes the state of any of these functions).
1333 @strong{For the above reasons it is highly requested that the functions
1334 described in the previous section be used in place of non-reentrant
1335 conversion functions.}
1337 @menu
1338 * Non-reentrant Character Conversion::  Non-reentrant Conversion of Single
1339                                          Characters.
1340 * Non-reentrant String Conversion::     Non-reentrant Conversion of Strings.
1341 * Shift State::                         States in Non-reentrant Functions.
1342 @end menu
1344 @node Non-reentrant Character Conversion
1345 @subsection Non-reentrant Conversion of Single Characters
1347 @comment stdlib.h
1348 @comment ISO
1349 @deftypefun int mbtowc (wchar_t *restrict @var{result}, const char *restrict @var{string}, size_t @var{size})
1350 @safety{@prelim{}@mtunsafe{@mtasurace{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1351 The @code{mbtowc} (``multibyte to wide character'') function when called
1352 with non-null @var{string} converts the first multibyte character
1353 beginning at @var{string} to its corresponding wide character code.  It
1354 stores the result in @code{*@var{result}}.
1356 @code{mbtowc} never examines more than @var{size} bytes.  (The idea is
1357 to supply for @var{size} the number of bytes of data you have in hand.)
1359 @code{mbtowc} with non-null @var{string} distinguishes three
1360 possibilities: the first @var{size} bytes at @var{string} start with
1361 valid multibyte characters, they start with an invalid byte sequence or
1362 just part of a character, or @var{string} points to an empty string (a
1363 null character).
1365 For a valid multibyte character, @code{mbtowc} converts it to a wide
1366 character and stores that in @code{*@var{result}}, and returns the
1367 number of bytes in that character (always at least @math{1} and never
1368 more than @var{size}).
1370 For an invalid byte sequence, @code{mbtowc} returns @math{-1}.  For an
1371 empty string, it returns @math{0}, also storing @code{'\0'} in
1372 @code{*@var{result}}.
1374 If the multibyte character code uses shift characters, then
1375 @code{mbtowc} maintains and updates a shift state as it scans.  If you
1376 call @code{mbtowc} with a null pointer for @var{string}, that
1377 initializes the shift state to its standard initial value.  It also
1378 returns nonzero if the multibyte character code in use actually has a
1379 shift state.  @xref{Shift State}.
1380 @end deftypefun
1382 @comment stdlib.h
1383 @comment ISO
1384 @deftypefun int wctomb (char *@var{string}, wchar_t @var{wchar})
1385 @safety{@prelim{}@mtunsafe{@mtasurace{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1386 The @code{wctomb} (``wide character to multibyte'') function converts
1387 the wide character code @var{wchar} to its corresponding multibyte
1388 character sequence, and stores the result in bytes starting at
1389 @var{string}.  At most @code{MB_CUR_MAX} characters are stored.
1391 @code{wctomb} with non-null @var{string} distinguishes three
1392 possibilities for @var{wchar}: a valid wide character code (one that can
1393 be translated to a multibyte character), an invalid code, and
1394 @code{L'\0'}.
1396 Given a valid code, @code{wctomb} converts it to a multibyte character,
1397 storing the bytes starting at @var{string}.  Then it returns the number
1398 of bytes in that character (always at least @math{1} and never more
1399 than @code{MB_CUR_MAX}).
1401 If @var{wchar} is an invalid wide character code, @code{wctomb} returns
1402 @math{-1}.  If @var{wchar} is @code{L'\0'}, it returns @code{0}, also
1403 storing @code{'\0'} in @code{*@var{string}}.
1405 If the multibyte character code uses shift characters, then
1406 @code{wctomb} maintains and updates a shift state as it scans.  If you
1407 call @code{wctomb} with a null pointer for @var{string}, that
1408 initializes the shift state to its standard initial value.  It also
1409 returns nonzero if the multibyte character code in use actually has a
1410 shift state.  @xref{Shift State}.
1412 Calling this function with a @var{wchar} argument of zero when
1413 @var{string} is not null has the side-effect of reinitializing the
1414 stored shift state @emph{as well as} storing the multibyte character
1415 @code{'\0'} and returning @math{0}.
1416 @end deftypefun
1418 Similar to @code{mbrlen} there is also a non-reentrant function that
1419 computes the length of a multibyte character.  It can be defined in
1420 terms of @code{mbtowc}.
1422 @comment stdlib.h
1423 @comment ISO
1424 @deftypefun int mblen (const char *@var{string}, size_t @var{size})
1425 @safety{@prelim{}@mtunsafe{@mtasurace{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1426 The @code{mblen} function with a non-null @var{string} argument returns
1427 the number of bytes that make up the multibyte character beginning at
1428 @var{string}, never examining more than @var{size} bytes.  (The idea is
1429 to supply for @var{size} the number of bytes of data you have in hand.)
1431 The return value of @code{mblen} distinguishes three possibilities: the
1432 first @var{size} bytes at @var{string} start with valid multibyte
1433 characters, they start with an invalid byte sequence or just part of a
1434 character, or @var{string} points to an empty string (a null character).
1436 For a valid multibyte character, @code{mblen} returns the number of
1437 bytes in that character (always at least @code{1} and never more than
1438 @var{size}).  For an invalid byte sequence, @code{mblen} returns
1439 @math{-1}.  For an empty string, it returns @math{0}.
1441 If the multibyte character code uses shift characters, then @code{mblen}
1442 maintains and updates a shift state as it scans.  If you call
1443 @code{mblen} with a null pointer for @var{string}, that initializes the
1444 shift state to its standard initial value.  It also returns a nonzero
1445 value if the multibyte character code in use actually has a shift state.
1446 @xref{Shift State}.
1448 @pindex stdlib.h
1449 The function @code{mblen} is declared in @file{stdlib.h}.
1450 @end deftypefun
1453 @node Non-reentrant String Conversion
1454 @subsection Non-reentrant Conversion of Strings
1456 For convenience the @w{ISO C90} standard also defines functions to
1457 convert entire strings instead of single characters.  These functions
1458 suffer from the same problems as their reentrant counterparts from
1459 @w{Amendment 1} to @w{ISO C90}; see @ref{Converting Strings}.
1461 @comment stdlib.h
1462 @comment ISO
1463 @deftypefun size_t mbstowcs (wchar_t *@var{wstring}, const char *@var{string}, size_t @var{size})
1464 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1465 @c Odd...  Although this was supposed to be non-reentrant, the internal
1466 @c state is not a static buffer, but an automatic variable.
1467 The @code{mbstowcs} (``multibyte string to wide character string'')
1468 function converts the null-terminated string of multibyte characters
1469 @var{string} to an array of wide character codes, storing not more than
1470 @var{size} wide characters into the array beginning at @var{wstring}.
1471 The terminating null character counts towards the size, so if @var{size}
1472 is less than the actual number of wide characters resulting from
1473 @var{string}, no terminating null character is stored.
1475 The conversion of characters from @var{string} begins in the initial
1476 shift state.
1478 If an invalid multibyte character sequence is found, the @code{mbstowcs}
1479 function returns a value of @math{-1}.  Otherwise, it returns the number
1480 of wide characters stored in the array @var{wstring}.  This number does
1481 not include the terminating null character, which is present if the
1482 number is less than @var{size}.
1484 Here is an example showing how to convert a string of multibyte
1485 characters, allocating enough space for the result.
1487 @smallexample
1488 wchar_t *
1489 mbstowcs_alloc (const char *string)
1491   size_t size = strlen (string) + 1;
1492   wchar_t *buf = xmalloc (size * sizeof (wchar_t));
1494   size = mbstowcs (buf, string, size);
1495   if (size == (size_t) -1)
1496     return NULL;
1497   buf = xrealloc (buf, (size + 1) * sizeof (wchar_t));
1498   return buf;
1500 @end smallexample
1502 @end deftypefun
1504 @comment stdlib.h
1505 @comment ISO
1506 @deftypefun size_t wcstombs (char *@var{string}, const wchar_t *@var{wstring}, size_t @var{size})
1507 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1508 The @code{wcstombs} (``wide character string to multibyte string'')
1509 function converts the null-terminated wide character array @var{wstring}
1510 into a string containing multibyte characters, storing not more than
1511 @var{size} bytes starting at @var{string}, followed by a terminating
1512 null character if there is room.  The conversion of characters begins in
1513 the initial shift state.
1515 The terminating null character counts towards the size, so if @var{size}
1516 is less than or equal to the number of bytes needed in @var{wstring}, no
1517 terminating null character is stored.
1519 If a code that does not correspond to a valid multibyte character is
1520 found, the @code{wcstombs} function returns a value of @math{-1}.
1521 Otherwise, the return value is the number of bytes stored in the array
1522 @var{string}.  This number does not include the terminating null character,
1523 which is present if the number is less than @var{size}.
1524 @end deftypefun
1526 @node Shift State
1527 @subsection States in Non-reentrant Functions
1529 In some multibyte character codes, the @emph{meaning} of any particular
1530 byte sequence is not fixed; it depends on what other sequences have come
1531 earlier in the same string.  Typically there are just a few sequences that
1532 can change the meaning of other sequences; these few are called
1533 @dfn{shift sequences} and we say that they set the @dfn{shift state} for
1534 other sequences that follow.
1536 To illustrate shift state and shift sequences, suppose we decide that
1537 the sequence @code{0200} (just one byte) enters Japanese mode, in which
1538 pairs of bytes in the range from @code{0240} to @code{0377} are single
1539 characters, while @code{0201} enters Latin-1 mode, in which single bytes
1540 in the range from @code{0240} to @code{0377} are characters, and
1541 interpreted according to the ISO Latin-1 character set.  This is a
1542 multibyte code that has two alternative shift states (``Japanese mode''
1543 and ``Latin-1 mode''), and two shift sequences that specify particular
1544 shift states.
1546 When the multibyte character code in use has shift states, then
1547 @code{mblen}, @code{mbtowc}, and @code{wctomb} must maintain and update
1548 the current shift state as they scan the string.  To make this work
1549 properly, you must follow these rules:
1551 @itemize @bullet
1552 @item
1553 Before starting to scan a string, call the function with a null pointer
1554 for the multibyte character address---for example, @code{mblen (NULL,
1555 0)}.  This initializes the shift state to its standard initial value.
1557 @item
1558 Scan the string one character at a time, in order.  Do not ``back up''
1559 and rescan characters already scanned, and do not intersperse the
1560 processing of different strings.
1561 @end itemize
1563 Here is an example of using @code{mblen} following these rules:
1565 @smallexample
1566 void
1567 scan_string (char *s)
1569   int length = strlen (s);
1571   /* @r{Initialize shift state.}  */
1572   mblen (NULL, 0);
1574   while (1)
1575     @{
1576       int thischar = mblen (s, length);
1577       /* @r{Deal with end of string and invalid characters.}  */
1578       if (thischar == 0)
1579         break;
1580       if (thischar == -1)
1581         @{
1582           error ("invalid multibyte character");
1583           break;
1584         @}
1585       /* @r{Advance past this character.}  */
1586       s += thischar;
1587       length -= thischar;
1588     @}
1590 @end smallexample
1592 The functions @code{mblen}, @code{mbtowc} and @code{wctomb} are not
1593 reentrant when using a multibyte code that uses a shift state.  However,
1594 no other library functions call these functions, so you don't have to
1595 worry that the shift state will be changed mysteriously.
1598 @node Generic Charset Conversion
1599 @section Generic Charset Conversion
1601 The conversion functions mentioned so far in this chapter all had in
1602 common that they operate on character sets that are not directly
1603 specified by the functions.  The multibyte encoding used is specified by
1604 the currently selected locale for the @code{LC_CTYPE} category.  The
1605 wide character set is fixed by the implementation (in the case of @theglibc{}
1606 it is always UCS-4 encoded @w{ISO 10646}).
1608 This has of course several problems when it comes to general character
1609 conversion:
1611 @itemize @bullet
1612 @item
1613 For every conversion where neither the source nor the destination
1614 character set is the character set of the locale for the @code{LC_CTYPE}
1615 category, one has to change the @code{LC_CTYPE} locale using
1616 @code{setlocale}.
1618 Changing the @code{LC_CTYPE} locale introduces major problems for the rest
1619 of the programs since several more functions (e.g., the character
1620 classification functions, @pxref{Classification of Characters}) use the
1621 @code{LC_CTYPE} category.
1623 @item
1624 Parallel conversions to and from different character sets are not
1625 possible since the @code{LC_CTYPE} selection is global and shared by all
1626 threads.
1628 @item
1629 If neither the source nor the destination character set is the character
1630 set used for @code{wchar_t} representation, there is at least a two-step
1631 process necessary to convert a text using the functions above.  One would
1632 have to select the source character set as the multibyte encoding,
1633 convert the text into a @code{wchar_t} text, select the destination
1634 character set as the multibyte encoding, and convert the wide character
1635 text to the multibyte (@math{=} destination) character set.
1637 Even if this is possible (which is not guaranteed) it is a very tiring
1638 work.  Plus it suffers from the other two raised points even more due to
1639 the steady changing of the locale.
1640 @end itemize
1642 The XPG2 standard defines a completely new set of functions, which has
1643 none of these limitations.  They are not at all coupled to the selected
1644 locales, and they have no constraints on the character sets selected for
1645 source and destination.  Only the set of available conversions limits
1646 them.  The standard does not specify that any conversion at all must be
1647 available.  Such availability is a measure of the quality of the
1648 implementation.
1650 In the following text first the interface to @code{iconv} and then the
1651 conversion function, will be described.  Comparisons with other
1652 implementations will show what obstacles stand in the way of portable
1653 applications.  Finally, the implementation is described in so far as might
1654 interest the advanced user who wants to extend conversion capabilities.
1656 @menu
1657 * Generic Conversion Interface::    Generic Character Set Conversion Interface.
1658 * iconv Examples::                  A complete @code{iconv} example.
1659 * Other iconv Implementations::     Some Details about other @code{iconv}
1660                                      Implementations.
1661 * glibc iconv Implementation::      The @code{iconv} Implementation in the GNU C
1662                                      library.
1663 @end menu
1665 @node Generic Conversion Interface
1666 @subsection Generic Character Set Conversion Interface
1668 This set of functions follows the traditional cycle of using a resource:
1669 open--use--close.  The interface consists of three functions, each of
1670 which implements one step.
1672 Before the interfaces are described it is necessary to introduce a
1673 data type.  Just like other open--use--close interfaces the functions
1674 introduced here work using handles and the @file{iconv.h} header
1675 defines a special type for the handles used.
1677 @comment iconv.h
1678 @comment XPG2
1679 @deftp {Data Type} iconv_t
1680 This data type is an abstract type defined in @file{iconv.h}.  The user
1681 must not assume anything about the definition of this type; it must be
1682 completely opaque.
1684 Objects of this type can be assigned handles for the conversions using
1685 the @code{iconv} functions.  The objects themselves need not be freed, but
1686 the conversions for which the handles stand for have to.
1687 @end deftp
1689 @noindent
1690 The first step is the function to create a handle.
1692 @comment iconv.h
1693 @comment XPG2
1694 @deftypefun iconv_t iconv_open (const char *@var{tocode}, const char *@var{fromcode})
1695 @safety{@prelim{}@mtsafe{@mtslocale{}}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{} @acsfd{}}}
1696 @c Calls malloc if tocode and/or fromcode are too big for alloca.  Calls
1697 @c strip and upstr on both, then gconv_open.  strip and upstr call
1698 @c isalnum_l and toupper_l with the C locale.  gconv_open may MT-safely
1699 @c tokenize toset, replace unspecified codesets with the current locale
1700 @c (possibly two different accesses), and finally it calls
1701 @c gconv_find_transform and initializes the gconv_t result with all the
1702 @c steps in the conversion sequence, running each one's initializer,
1703 @c destructing and releasing them all if anything fails.
1705 The @code{iconv_open} function has to be used before starting a
1706 conversion.  The two parameters this function takes determine the
1707 source and destination character set for the conversion, and if the
1708 implementation has the possibility to perform such a conversion, the
1709 function returns a handle.
1711 If the wanted conversion is not available, the @code{iconv_open} function
1712 returns @code{(iconv_t) -1}.  In this case the global variable
1713 @code{errno} can have the following values:
1715 @table @code
1716 @item EMFILE
1717 The process already has @code{OPEN_MAX} file descriptors open.
1718 @item ENFILE
1719 The system limit of open files is reached.
1720 @item ENOMEM
1721 Not enough memory to carry out the operation.
1722 @item EINVAL
1723 The conversion from @var{fromcode} to @var{tocode} is not supported.
1724 @end table
1726 It is not possible to use the same descriptor in different threads to
1727 perform independent conversions.  The data structures associated
1728 with the descriptor include information about the conversion state.
1729 This must not be messed up by using it in different conversions.
1731 An @code{iconv} descriptor is like a file descriptor as for every use a
1732 new descriptor must be created.  The descriptor does not stand for all
1733 of the conversions from @var{fromset} to @var{toset}.
1735 The @glibcadj{} implementation of @code{iconv_open} has one
1736 significant extension to other implementations.  To ease the extension
1737 of the set of available conversions, the implementation allows storing
1738 the necessary files with data and code in an arbitrary number of
1739 directories.  How this extension must be written will be explained below
1740 (@pxref{glibc iconv Implementation}).  Here it is only important to say
1741 that all directories mentioned in the @code{GCONV_PATH} environment
1742 variable are considered only if they contain a file @file{gconv-modules}.
1743 These directories need not necessarily be created by the system
1744 administrator.  In fact, this extension is introduced to help users
1745 writing and using their own, new conversions.  Of course, this does not
1746 work for security reasons in SUID binaries; in this case only the system
1747 directory is considered and this normally is
1748 @file{@var{prefix}/lib/gconv}.  The @code{GCONV_PATH} environment
1749 variable is examined exactly once at the first call of the
1750 @code{iconv_open} function.  Later modifications of the variable have no
1751 effect.
1753 @pindex iconv.h
1754 The @code{iconv_open} function was introduced early in the X/Open
1755 Portability Guide, @w{version 2}.  It is supported by all commercial
1756 Unices as it is required for the Unix branding.  However, the quality and
1757 completeness of the implementation varies widely.  The @code{iconv_open}
1758 function is declared in @file{iconv.h}.
1759 @end deftypefun
1761 The @code{iconv} implementation can associate large data structure with
1762 the handle returned by @code{iconv_open}.  Therefore, it is crucial to
1763 free all the resources once all conversions are carried out and the
1764 conversion is not needed anymore.
1766 @comment iconv.h
1767 @comment XPG2
1768 @deftypefun int iconv_close (iconv_t @var{cd})
1769 @safety{@prelim{}@mtsafe{}@asunsafe{@asucorrupt{} @ascuheap{} @asulock{} @ascudlopen{}}@acunsafe{@acucorrupt{} @aculock{} @acsmem{}}}
1770 @c Calls gconv_close to destruct and release each of the conversion
1771 @c steps, release the gconv_t object, then call gconv_close_transform.
1772 @c Access to the gconv_t object is not guarded, but calling iconv_close
1773 @c concurrently with any other use is undefined.
1775 The @code{iconv_close} function frees all resources associated with the
1776 handle @var{cd}, which must have been returned by a successful call to
1777 the @code{iconv_open} function.
1779 If the function call was successful the return value is @math{0}.
1780 Otherwise it is @math{-1} and @code{errno} is set appropriately.
1781 Defined errors are:
1783 @table @code
1784 @item EBADF
1785 The conversion descriptor is invalid.
1786 @end table
1788 @pindex iconv.h
1789 The @code{iconv_close} function was introduced together with the rest
1790 of the @code{iconv} functions in XPG2 and is declared in @file{iconv.h}.
1791 @end deftypefun
1793 The standard defines only one actual conversion function.  This has,
1794 therefore, the most general interface: it allows conversion from one
1795 buffer to another.  Conversion from a file to a buffer, vice versa, or
1796 even file to file can be implemented on top of it.
1798 @comment iconv.h
1799 @comment XPG2
1800 @deftypefun size_t iconv (iconv_t @var{cd}, char **@var{inbuf}, size_t *@var{inbytesleft}, char **@var{outbuf}, size_t *@var{outbytesleft})
1801 @safety{@prelim{}@mtsafe{@mtsrace{:cd}}@assafe{}@acunsafe{@acucorrupt{}}}
1802 @c Without guarding access to the iconv_t object pointed to by cd, call
1803 @c the conversion function to convert inbuf or flush the internal
1804 @c conversion state.
1805 @cindex stateful
1806 The @code{iconv} function converts the text in the input buffer
1807 according to the rules associated with the descriptor @var{cd} and
1808 stores the result in the output buffer.  It is possible to call the
1809 function for the same text several times in a row since for stateful
1810 character sets the necessary state information is kept in the data
1811 structures associated with the descriptor.
1813 The input buffer is specified by @code{*@var{inbuf}} and it contains
1814 @code{*@var{inbytesleft}} bytes.  The extra indirection is necessary for
1815 communicating the used input back to the caller (see below).  It is
1816 important to note that the buffer pointer is of type @code{char} and the
1817 length is measured in bytes even if the input text is encoded in wide
1818 characters.
1820 The output buffer is specified in a similar way.  @code{*@var{outbuf}}
1821 points to the beginning of the buffer with at least
1822 @code{*@var{outbytesleft}} bytes room for the result.  The buffer
1823 pointer again is of type @code{char} and the length is measured in
1824 bytes.  If @var{outbuf} or @code{*@var{outbuf}} is a null pointer, the
1825 conversion is performed but no output is available.
1827 If @var{inbuf} is a null pointer, the @code{iconv} function performs the
1828 necessary action to put the state of the conversion into the initial
1829 state.  This is obviously a no-op for non-stateful encodings, but if the
1830 encoding has a state, such a function call might put some byte sequences
1831 in the output buffer, which perform the necessary state changes.  The
1832 next call with @var{inbuf} not being a null pointer then simply goes on
1833 from the initial state.  It is important that the programmer never makes
1834 any assumption as to whether the conversion has to deal with states.
1835 Even if the input and output character sets are not stateful, the
1836 implementation might still have to keep states.  This is due to the
1837 implementation chosen for @theglibc{} as it is described below.
1838 Therefore an @code{iconv} call to reset the state should always be
1839 performed if some protocol requires this for the output text.
1841 The conversion stops for one of three reasons.  The first is that all
1842 characters from the input buffer are converted.  This actually can mean
1843 two things: either all bytes from the input buffer are consumed or
1844 there are some bytes at the end of the buffer that possibly can form a
1845 complete character but the input is incomplete.  The second reason for a
1846 stop is that the output buffer is full.  And the third reason is that
1847 the input contains invalid characters.
1849 In all of these cases the buffer pointers after the last successful
1850 conversion, for the input and output buffers, are stored in @var{inbuf} and
1851 @var{outbuf}, and the available room in each buffer is stored in
1852 @var{inbytesleft} and @var{outbytesleft}.
1854 Since the character sets selected in the @code{iconv_open} call can be
1855 almost arbitrary, there can be situations where the input buffer contains
1856 valid characters, which have no identical representation in the output
1857 character set.  The behavior in this situation is undefined.  The
1858 @emph{current} behavior of @theglibc{} in this situation is to
1859 return with an error immediately.  This certainly is not the most
1860 desirable solution; therefore, future versions will provide better ones,
1861 but they are not yet finished.
1863 If all input from the input buffer is successfully converted and stored
1864 in the output buffer, the function returns the number of non-reversible
1865 conversions performed.  In all other cases the return value is
1866 @code{(size_t) -1} and @code{errno} is set appropriately.  In such cases
1867 the value pointed to by @var{inbytesleft} is nonzero.
1869 @table @code
1870 @item EILSEQ
1871 The conversion stopped because of an invalid byte sequence in the input.
1872 After the call, @code{*@var{inbuf}} points at the first byte of the
1873 invalid byte sequence.
1875 @item E2BIG
1876 The conversion stopped because it ran out of space in the output buffer.
1878 @item EINVAL
1879 The conversion stopped because of an incomplete byte sequence at the end
1880 of the input buffer.
1882 @item EBADF
1883 The @var{cd} argument is invalid.
1884 @end table
1886 @pindex iconv.h
1887 The @code{iconv} function was introduced in the XPG2 standard and is
1888 declared in the @file{iconv.h} header.
1889 @end deftypefun
1891 The definition of the @code{iconv} function is quite good overall.  It
1892 provides quite flexible functionality.  The only problems lie in the
1893 boundary cases, which are incomplete byte sequences at the end of the
1894 input buffer and invalid input.  A third problem, which is not really
1895 a design problem, is the way conversions are selected.  The standard
1896 does not say anything about the legitimate names, a minimal set of
1897 available conversions.  We will see how this negatively impacts other
1898 implementations, as demonstrated below.
1900 @node iconv Examples
1901 @subsection A complete @code{iconv} example
1903 The example below features a solution for a common problem.  Given that
1904 one knows the internal encoding used by the system for @code{wchar_t}
1905 strings, one often is in the position to read text from a file and store
1906 it in wide character buffers.  One can do this using @code{mbsrtowcs},
1907 but then we run into the problems discussed above.
1909 @smallexample
1911 file2wcs (int fd, const char *charset, wchar_t *outbuf, size_t avail)
1913   char inbuf[BUFSIZ];
1914   size_t insize = 0;
1915   char *wrptr = (char *) outbuf;
1916   int result = 0;
1917   iconv_t cd;
1919   cd = iconv_open ("WCHAR_T", charset);
1920   if (cd == (iconv_t) -1)
1921     @{
1922       /* @r{Something went wrong.}  */
1923       if (errno == EINVAL)
1924         error (0, 0, "conversion from '%s' to wchar_t not available",
1925                charset);
1926       else
1927         perror ("iconv_open");
1929       /* @r{Terminate the output string.}  */
1930       *outbuf = L'\0';
1932       return -1;
1933     @}
1935   while (avail > 0)
1936     @{
1937       size_t nread;
1938       size_t nconv;
1939       char *inptr = inbuf;
1941       /* @r{Read more input.}  */
1942       nread = read (fd, inbuf + insize, sizeof (inbuf) - insize);
1943       if (nread == 0)
1944         @{
1945           /* @r{When we come here the file is completely read.}
1946              @r{This still could mean there are some unused}
1947              @r{characters in the @code{inbuf}.  Put them back.}  */
1948           if (lseek (fd, -insize, SEEK_CUR) == -1)
1949             result = -1;
1951           /* @r{Now write out the byte sequence to get into the}
1952              @r{initial state if this is necessary.}  */
1953           iconv (cd, NULL, NULL, &wrptr, &avail);
1955           break;
1956         @}
1957       insize += nread;
1959       /* @r{Do the conversion.}  */
1960       nconv = iconv (cd, &inptr, &insize, &wrptr, &avail);
1961       if (nconv == (size_t) -1)
1962         @{
1963           /* @r{Not everything went right.  It might only be}
1964              @r{an unfinished byte sequence at the end of the}
1965              @r{buffer.  Or it is a real problem.}  */
1966           if (errno == EINVAL)
1967             /* @r{This is harmless.  Simply move the unused}
1968                @r{bytes to the beginning of the buffer so that}
1969                @r{they can be used in the next round.}  */
1970             memmove (inbuf, inptr, insize);
1971           else
1972             @{
1973               /* @r{It is a real problem.  Maybe we ran out of}
1974                  @r{space in the output buffer or we have invalid}
1975                  @r{input.  In any case back the file pointer to}
1976                  @r{the position of the last processed byte.}  */
1977               lseek (fd, -insize, SEEK_CUR);
1978               result = -1;
1979               break;
1980             @}
1981         @}
1982     @}
1984   /* @r{Terminate the output string.}  */
1985   if (avail >= sizeof (wchar_t))
1986     *((wchar_t *) wrptr) = L'\0';
1988   if (iconv_close (cd) != 0)
1989     perror ("iconv_close");
1991   return (wchar_t *) wrptr - outbuf;
1993 @end smallexample
1995 @cindex stateful
1996 This example shows the most important aspects of using the @code{iconv}
1997 functions.  It shows how successive calls to @code{iconv} can be used to
1998 convert large amounts of text.  The user does not have to care about
1999 stateful encodings as the functions take care of everything.
2001 An interesting point is the case where @code{iconv} returns an error and
2002 @code{errno} is set to @code{EINVAL}.  This is not really an error in the
2003 transformation.  It can happen whenever the input character set contains
2004 byte sequences of more than one byte for some character and texts are not
2005 processed in one piece.  In this case there is a chance that a multibyte
2006 sequence is cut.  The caller can then simply read the remainder of the
2007 takes and feed the offending bytes together with new character from the
2008 input to @code{iconv} and continue the work.  The internal state kept in
2009 the descriptor is @emph{not} unspecified after such an event as is the
2010 case with the conversion functions from the @w{ISO C} standard.
2012 The example also shows the problem of using wide character strings with
2013 @code{iconv}.  As explained in the description of the @code{iconv}
2014 function above, the function always takes a pointer to a @code{char}
2015 array and the available space is measured in bytes.  In the example, the
2016 output buffer is a wide character buffer; therefore, we use a local
2017 variable @var{wrptr} of type @code{char *}, which is used in the
2018 @code{iconv} calls.
2020 This looks rather innocent but can lead to problems on platforms that
2021 have tight restriction on alignment.  Therefore the caller of @code{iconv}
2022 has to make sure that the pointers passed are suitable for access of
2023 characters from the appropriate character set.  Since, in the
2024 above case, the input parameter to the function is a @code{wchar_t}
2025 pointer, this is the case (unless the user violates alignment when
2026 computing the parameter).  But in other situations, especially when
2027 writing generic functions where one does not know what type of character
2028 set one uses and, therefore, treats text as a sequence of bytes, it might
2029 become tricky.
2031 @node Other iconv Implementations
2032 @subsection Some Details about other @code{iconv} Implementations
2034 This is not really the place to discuss the @code{iconv} implementation
2035 of other systems but it is necessary to know a bit about them to write
2036 portable programs.  The above mentioned problems with the specification
2037 of the @code{iconv} functions can lead to portability issues.
2039 The first thing to notice is that, due to the large number of character
2040 sets in use, it is certainly not practical to encode the conversions
2041 directly in the C library.  Therefore, the conversion information must
2042 come from files outside the C library.  This is usually done in one or
2043 both of the following ways:
2045 @itemize @bullet
2046 @item
2047 The C library contains a set of generic conversion functions that can
2048 read the needed conversion tables and other information from data files.
2049 These files get loaded when necessary.
2051 This solution is problematic as it requires a great deal of effort to
2052 apply to all character sets (potentially an infinite set).  The
2053 differences in the structure of the different character sets is so large
2054 that many different variants of the table-processing functions must be
2055 developed.  In addition, the generic nature of these functions make them
2056 slower than specifically implemented functions.
2058 @item
2059 The C library only contains a framework that can dynamically load
2060 object files and execute the conversion functions contained therein.
2062 This solution provides much more flexibility.  The C library itself
2063 contains only very little code and therefore reduces the general memory
2064 footprint.  Also, with a documented interface between the C library and
2065 the loadable modules it is possible for third parties to extend the set
2066 of available conversion modules.  A drawback of this solution is that
2067 dynamic loading must be available.
2068 @end itemize
2070 Some implementations in commercial Unices implement a mixture of these
2071 possibilities; the majority implement only the second solution.  Using
2072 loadable modules moves the code out of the library itself and keeps
2073 the door open for extensions and improvements, but this design is also
2074 limiting on some platforms since not many platforms support dynamic
2075 loading in statically linked programs.  On platforms without this
2076 capability it is therefore not possible to use this interface in
2077 statically linked programs.  @Theglibc{} has, on ELF platforms, no
2078 problems with dynamic loading in these situations; therefore, this
2079 point is moot.  The danger is that one gets acquainted with this
2080 situation and forgets about the restrictions on other systems.
2082 A second thing to know about other @code{iconv} implementations is that
2083 the number of available conversions is often very limited.  Some
2084 implementations provide, in the standard release (not special
2085 international or developer releases), at most 100 to 200 conversion
2086 possibilities.  This does not mean 200 different character sets are
2087 supported; for example, conversions from one character set to a set of 10
2088 others might count as 10 conversions.  Together with the other direction
2089 this makes 20 conversion possibilities used up by one character set.  One
2090 can imagine the thin coverage these platforms provide.  Some Unix vendors
2091 even provide only a handful of conversions, which renders them useless for
2092 almost all uses.
2094 This directly leads to a third and probably the most problematic point.
2095 The way the @code{iconv} conversion functions are implemented on all
2096 known Unix systems and the availability of the conversion functions from
2097 character set @math{@cal{A}} to @math{@cal{B}} and the conversion from
2098 @math{@cal{B}} to @math{@cal{C}} does @emph{not} imply that the
2099 conversion from @math{@cal{A}} to @math{@cal{C}} is available.
2101 This might not seem unreasonable and problematic at first, but it is a
2102 quite big problem as one will notice shortly after hitting it.  To show
2103 the problem we assume to write a program that has to convert from
2104 @math{@cal{A}} to @math{@cal{C}}.  A call like
2106 @smallexample
2107 cd = iconv_open ("@math{@cal{C}}", "@math{@cal{A}}");
2108 @end smallexample
2110 @noindent
2111 fails according to the assumption above.  But what does the program
2112 do now?  The conversion is necessary; therefore, simply giving up is not
2113 an option.
2115 This is a nuisance.  The @code{iconv} function should take care of this.
2116 But how should the program proceed from here on?  If it tries to convert
2117 to character set @math{@cal{B}}, first the two @code{iconv_open}
2118 calls
2120 @smallexample
2121 cd1 = iconv_open ("@math{@cal{B}}", "@math{@cal{A}}");
2122 @end smallexample
2124 @noindent
2127 @smallexample
2128 cd2 = iconv_open ("@math{@cal{C}}", "@math{@cal{B}}");
2129 @end smallexample
2131 @noindent
2132 will succeed, but how to find @math{@cal{B}}?
2134 Unfortunately, the answer is: there is no general solution.  On some
2135 systems guessing might help.  On those systems most character sets can
2136 convert to and from UTF-8 encoded @w{ISO 10646} or Unicode text.  Besides
2137 this only some very system-specific methods can help.  Since the
2138 conversion functions come from loadable modules and these modules must
2139 be stored somewhere in the filesystem, one @emph{could} try to find them
2140 and determine from the available file which conversions are available
2141 and whether there is an indirect route from @math{@cal{A}} to
2142 @math{@cal{C}}.
2144 This example shows one of the design errors of @code{iconv} mentioned
2145 above.  It should at least be possible to determine the list of available
2146 conversions programmatically so that if @code{iconv_open} says there is no
2147 such conversion, one could make sure this also is true for indirect
2148 routes.
2150 @node glibc iconv Implementation
2151 @subsection The @code{iconv} Implementation in @theglibc{}
2153 After reading about the problems of @code{iconv} implementations in the
2154 last section it is certainly good to note that the implementation in
2155 @theglibc{} has none of the problems mentioned above.  What
2156 follows is a step-by-step analysis of the points raised above.  The
2157 evaluation is based on the current state of the development (as of
2158 January 1999).  The development of the @code{iconv} functions is not
2159 complete, but basic functionality has solidified.
2161 @Theglibc{}'s @code{iconv} implementation uses shared loadable
2162 modules to implement the conversions.  A very small number of
2163 conversions are built into the library itself but these are only rather
2164 trivial conversions.
2166 All the benefits of loadable modules are available in the @glibcadj{}
2167 implementation.  This is especially appealing since the interface is
2168 well documented (see below), and it, therefore, is easy to write new
2169 conversion modules.  The drawback of using loadable objects is not a
2170 problem in @theglibc{}, at least on ELF systems.  Since the
2171 library is able to load shared objects even in statically linked
2172 binaries, static linking need not be forbidden in case one wants to use
2173 @code{iconv}.
2175 The second mentioned problem is the number of supported conversions.
2176 Currently, @theglibc{} supports more than 150 character sets.  The
2177 way the implementation is designed the number of supported conversions
2178 is greater than 22350 (@math{150} times @math{149}).  If any conversion
2179 from or to a character set is missing, it can be added easily.
2181 Particularly impressive as it may be, this high number is due to the
2182 fact that the @glibcadj{} implementation of @code{iconv} does not have
2183 the third problem mentioned above (i.e., whenever there is a conversion
2184 from a character set @math{@cal{A}} to @math{@cal{B}} and from
2185 @math{@cal{B}} to @math{@cal{C}} it is always possible to convert from
2186 @math{@cal{A}} to @math{@cal{C}} directly).  If the @code{iconv_open}
2187 returns an error and sets @code{errno} to @code{EINVAL}, there is no
2188 known way, directly or indirectly, to perform the wanted conversion.
2190 @cindex triangulation
2191 Triangulation is achieved by providing for each character set a
2192 conversion from and to UCS-4 encoded @w{ISO 10646}.  Using @w{ISO 10646}
2193 as an intermediate representation it is possible to @dfn{triangulate}
2194 (i.e., convert with an intermediate representation).
2196 There is no inherent requirement to provide a conversion to @w{ISO
2197 10646} for a new character set, and it is also possible to provide other
2198 conversions where neither source nor destination character set is @w{ISO
2199 10646}.  The existing set of conversions is simply meant to cover all
2200 conversions that might be of interest.
2202 @cindex ISO-2022-JP
2203 @cindex EUC-JP
2204 All currently available conversions use the triangulation method above,
2205 making conversion run unnecessarily slow.  If, for example, somebody
2206 often needs the conversion from ISO-2022-JP to EUC-JP, a quicker solution
2207 would involve direct conversion between the two character sets, skipping
2208 the input to @w{ISO 10646} first.  The two character sets of interest
2209 are much more similar to each other than to @w{ISO 10646}.
2211 In such a situation one easily can write a new conversion and provide it
2212 as a better alternative.  The @glibcadj{} @code{iconv} implementation
2213 would automatically use the module implementing the conversion if it is
2214 specified to be more efficient.
2216 @subsubsection Format of @file{gconv-modules} files
2218 All information about the available conversions comes from a file named
2219 @file{gconv-modules}, which can be found in any of the directories along
2220 the @code{GCONV_PATH}.  The @file{gconv-modules} files are line-oriented
2221 text files, where each of the lines has one of the following formats:
2223 @itemize @bullet
2224 @item
2225 If the first non-whitespace character is a @kbd{#} the line contains only
2226 comments and is ignored.
2228 @item
2229 Lines starting with @code{alias} define an alias name for a character
2230 set.  Two more words are expected on the line.  The first word
2231 defines the alias name, and the second defines the original name of the
2232 character set.  The effect is that it is possible to use the alias name
2233 in the @var{fromset} or @var{toset} parameters of @code{iconv_open} and
2234 achieve the same result as when using the real character set name.
2236 This is quite important as a character set has often many different
2237 names.  There is normally an official name but this need not correspond to
2238 the most popular name.  Besides this many character sets have special
2239 names that are somehow constructed.  For example, all character sets
2240 specified by the ISO have an alias of the form @code{ISO-IR-@var{nnn}}
2241 where @var{nnn} is the registration number.  This allows programs that
2242 know about the registration number to construct character set names and
2243 use them in @code{iconv_open} calls.  More on the available names and
2244 aliases follows below.
2246 @item
2247 Lines starting with @code{module} introduce an available conversion
2248 module.  These lines must contain three or four more words.
2250 The first word specifies the source character set, the second word the
2251 destination character set of conversion implemented in this module, and
2252 the third word is the name of the loadable module.  The filename is
2253 constructed by appending the usual shared object suffix (normally
2254 @file{.so}) and this file is then supposed to be found in the same
2255 directory the @file{gconv-modules} file is in.  The last word on the line,
2256 which is optional, is a numeric value representing the cost of the
2257 conversion.  If this word is missing, a cost of @math{1} is assumed.  The
2258 numeric value itself does not matter that much; what counts are the
2259 relative values of the sums of costs for all possible conversion paths.
2260 Below is a more precise description of the use of the cost value.
2261 @end itemize
2263 Returning to the example above where one has written a module to directly
2264 convert from ISO-2022-JP to EUC-JP and back.  All that has to be done is
2265 to put the new module, let its name be ISO2022JP-EUCJP.so, in a directory
2266 and add a file @file{gconv-modules} with the following content in the
2267 same directory:
2269 @smallexample
2270 module  ISO-2022-JP//   EUC-JP//        ISO2022JP-EUCJP    1
2271 module  EUC-JP//        ISO-2022-JP//   ISO2022JP-EUCJP    1
2272 @end smallexample
2274 To see why this is sufficient, it is necessary to understand how the
2275 conversion used by @code{iconv} (and described in the descriptor) is
2276 selected.  The approach to this problem is quite simple.
2278 At the first call of the @code{iconv_open} function the program reads
2279 all available @file{gconv-modules} files and builds up two tables: one
2280 containing all the known aliases and another that contains the
2281 information about the conversions and which shared object implements
2282 them.
2284 @subsubsection Finding the conversion path in @code{iconv}
2286 The set of available conversions form a directed graph with weighted
2287 edges.  The weights on the edges are the costs specified in the
2288 @file{gconv-modules} files.  The @code{iconv_open} function uses an
2289 algorithm suitable for search for the best path in such a graph and so
2290 constructs a list of conversions that must be performed in succession
2291 to get the transformation from the source to the destination character
2292 set.
2294 Explaining why the above @file{gconv-modules} files allows the
2295 @code{iconv} implementation to resolve the specific ISO-2022-JP to
2296 EUC-JP conversion module instead of the conversion coming with the
2297 library itself is straightforward.  Since the latter conversion takes two
2298 steps (from ISO-2022-JP to @w{ISO 10646} and then from @w{ISO 10646} to
2299 EUC-JP), the cost is @math{1+1 = 2}.  The above @file{gconv-modules}
2300 file, however, specifies that the new conversion modules can perform this
2301 conversion with only the cost of @math{1}.
2303 A mysterious item about the @file{gconv-modules} file above (and also
2304 the file coming with @theglibc{}) are the names of the character
2305 sets specified in the @code{module} lines.  Why do almost all the names
2306 end in @code{//}?  And this is not all: the names can actually be
2307 regular expressions.  At this point in time this mystery should not be
2308 revealed, unless you have the relevant spell-casting materials: ashes
2309 from an original @w{DOS 6.2} boot disk burnt in effigy, a crucifix
2310 blessed by St.@: Emacs, assorted herbal roots from Central America, sand
2311 from Cebu, etc.  Sorry!  @strong{The part of the implementation where
2312 this is used is not yet finished.  For now please simply follow the
2313 existing examples.  It'll become clearer once it is. --drepper}
2315 A last remark about the @file{gconv-modules} is about the names not
2316 ending with @code{//}.  A character set named @code{INTERNAL} is often
2317 mentioned.  From the discussion above and the chosen name it should have
2318 become clear that this is the name for the representation used in the
2319 intermediate step of the triangulation.  We have said that this is UCS-4
2320 but actually that is not quite right.  The UCS-4 specification also
2321 includes the specification of the byte ordering used.  Since a UCS-4 value
2322 consists of four bytes, a stored value is affected by byte ordering.  The
2323 internal representation is @emph{not} the same as UCS-4 in case the byte
2324 ordering of the processor (or at least the running process) is not the
2325 same as the one required for UCS-4.  This is done for performance reasons
2326 as one does not want to perform unnecessary byte-swapping operations if
2327 one is not interested in actually seeing the result in UCS-4.  To avoid
2328 trouble with endianness, the internal representation consistently is named
2329 @code{INTERNAL} even on big-endian systems where the representations are
2330 identical.
2332 @subsubsection @code{iconv} module data structures
2334 So far this section has described how modules are located and considered
2335 to be used.  What remains to be described is the interface of the modules
2336 so that one can write new ones.  This section describes the interface as
2337 it is in use in January 1999.  The interface will change a bit in the
2338 future but, with luck, only in an upwardly compatible way.
2340 The definitions necessary to write new modules are publicly available
2341 in the non-standard header @file{gconv.h}.  The following text,
2342 therefore, describes the definitions from this header file.  First,
2343 however, it is necessary to get an overview.
2345 From the perspective of the user of @code{iconv} the interface is quite
2346 simple: the @code{iconv_open} function returns a handle that can be used
2347 in calls to @code{iconv}, and finally the handle is freed with a call to
2348 @code{iconv_close}.  The problem is that the handle has to be able to
2349 represent the possibly long sequences of conversion steps and also the
2350 state of each conversion since the handle is all that is passed to the
2351 @code{iconv} function.  Therefore, the data structures are really the
2352 elements necessary to understanding the implementation.
2354 We need two different kinds of data structures.  The first describes the
2355 conversion and the second describes the state etc.  There are really two
2356 type definitions like this in @file{gconv.h}.
2357 @pindex gconv.h
2359 @comment gconv.h
2360 @comment GNU
2361 @deftp {Data type} {struct __gconv_step}
2362 This data structure describes one conversion a module can perform.  For
2363 each function in a loaded module with conversion functions there is
2364 exactly one object of this type.  This object is shared by all users of
2365 the conversion (i.e., this object does not contain any information
2366 corresponding to an actual conversion; it only describes the conversion
2367 itself).
2369 @table @code
2370 @item struct __gconv_loaded_object *__shlib_handle
2371 @itemx const char *__modname
2372 @itemx int __counter
2373 All these elements of the structure are used internally in the C library
2374 to coordinate loading and unloading the shared object.  One must not expect any
2375 of the other elements to be available or initialized.
2377 @item const char *__from_name
2378 @itemx const char *__to_name
2379 @code{__from_name} and @code{__to_name} contain the names of the source and
2380 destination character sets.  They can be used to identify the actual
2381 conversion to be carried out since one module might implement conversions
2382 for more than one character set and/or direction.
2384 @item gconv_fct __fct
2385 @itemx gconv_init_fct __init_fct
2386 @itemx gconv_end_fct __end_fct
2387 These elements contain pointers to the functions in the loadable module.
2388 The interface will be explained below.
2390 @item int __min_needed_from
2391 @itemx int __max_needed_from
2392 @itemx int __min_needed_to
2393 @itemx int __max_needed_to;
2394 These values have to be supplied in the init function of the module.  The
2395 @code{__min_needed_from} value specifies how many bytes a character of
2396 the source character set at least needs.  The @code{__max_needed_from}
2397 specifies the maximum value that also includes possible shift sequences.
2399 The @code{__min_needed_to} and @code{__max_needed_to} values serve the
2400 same purpose as @code{__min_needed_from} and @code{__max_needed_from} but
2401 this time for the destination character set.
2403 It is crucial that these values be accurate since otherwise the
2404 conversion functions will have problems or not work at all.
2406 @item int __stateful
2407 This element must also be initialized by the init function.
2408 @code{int __stateful} is nonzero if the source character set is stateful.
2409 Otherwise it is zero.
2411 @item void *__data
2412 This element can be used freely by the conversion functions in the
2413 module.  @code{void *__data} can be used to communicate extra information
2414 from one call to another.  @code{void *__data} need not be initialized if
2415 not needed at all.  If @code{void *__data} element is assigned a pointer
2416 to dynamically allocated memory (presumably in the init function) it has
2417 to be made sure that the end function deallocates the memory.  Otherwise
2418 the application will leak memory.
2420 It is important to be aware that this data structure is shared by all
2421 users of this specification conversion and therefore the @code{__data}
2422 element must not contain data specific to one specific use of the
2423 conversion function.
2424 @end table
2425 @end deftp
2427 @comment gconv.h
2428 @comment GNU
2429 @deftp {Data type} {struct __gconv_step_data}
2430 This is the data structure that contains the information specific to
2431 each use of the conversion functions.
2434 @table @code
2435 @item char *__outbuf
2436 @itemx char *__outbufend
2437 These elements specify the output buffer for the conversion step.  The
2438 @code{__outbuf} element points to the beginning of the buffer, and
2439 @code{__outbufend} points to the byte following the last byte in the
2440 buffer.  The conversion function must not assume anything about the size
2441 of the buffer but it can be safely assumed there is room for at
2442 least one complete character in the output buffer.
2444 Once the conversion is finished, if the conversion is the last step, the
2445 @code{__outbuf} element must be modified to point after the last byte
2446 written into the buffer to signal how much output is available.  If this
2447 conversion step is not the last one, the element must not be modified.
2448 The @code{__outbufend} element must not be modified.
2450 @item int __is_last
2451 This element is nonzero if this conversion step is the last one.  This
2452 information is necessary for the recursion.  See the description of the
2453 conversion function internals below.  This element must never be
2454 modified.
2456 @item int __invocation_counter
2457 The conversion function can use this element to see how many calls of
2458 the conversion function already happened.  Some character sets require a
2459 certain prolog when generating output, and by comparing this value with
2460 zero, one can find out whether it is the first call and whether,
2461 therefore, the prolog should be emitted.  This element must never be
2462 modified.
2464 @item int __internal_use
2465 This element is another one rarely used but needed in certain
2466 situations.  It is assigned a nonzero value in case the conversion
2467 functions are used to implement @code{mbsrtowcs} et.al.@: (i.e., the
2468 function is not used directly through the @code{iconv} interface).
2470 This sometimes makes a difference as it is expected that the
2471 @code{iconv} functions are used to translate entire texts while the
2472 @code{mbsrtowcs} functions are normally used only to convert single
2473 strings and might be used multiple times to convert entire texts.
2475 But in this situation we would have problem complying with some rules of
2476 the character set specification.  Some character sets require a prolog,
2477 which must appear exactly once for an entire text.  If a number of
2478 @code{mbsrtowcs} calls are used to convert the text, only the first call
2479 must add the prolog.  However, because there is no communication between the
2480 different calls of @code{mbsrtowcs}, the conversion functions have no
2481 possibility to find this out.  The situation is different for sequences
2482 of @code{iconv} calls since the handle allows access to the needed
2483 information.
2485 The @code{int __internal_use} element is mostly used together with
2486 @code{__invocation_counter} as follows:
2488 @smallexample
2489 if (!data->__internal_use
2490      && data->__invocation_counter == 0)
2491   /* @r{Emit prolog.}  */
2492   @dots{}
2493 @end smallexample
2495 This element must never be modified.
2497 @item mbstate_t *__statep
2498 The @code{__statep} element points to an object of type @code{mbstate_t}
2499 (@pxref{Keeping the state}).  The conversion of a stateful character
2500 set must use the object pointed to by @code{__statep} to store
2501 information about the conversion state.  The @code{__statep} element
2502 itself must never be modified.
2504 @item mbstate_t __state
2505 This element must @emph{never} be used directly.  It is only part of
2506 this structure to have the needed space allocated.
2507 @end table
2508 @end deftp
2510 @subsubsection @code{iconv} module interfaces
2512 With the knowledge about the data structures we now can describe the
2513 conversion function itself.  To understand the interface a bit of
2514 knowledge is necessary about the functionality in the C library that
2515 loads the objects with the conversions.
2517 It is often the case that one conversion is used more than once (i.e.,
2518 there are several @code{iconv_open} calls for the same set of character
2519 sets during one program run).  The @code{mbsrtowcs} et.al.@: functions in
2520 @theglibc{} also use the @code{iconv} functionality, which
2521 increases the number of uses of the same functions even more.
2523 Because of this multiple use of conversions, the modules do not get
2524 loaded exclusively for one conversion.  Instead a module once loaded can
2525 be used by an arbitrary number of @code{iconv} or @code{mbsrtowcs} calls
2526 at the same time.  The splitting of the information between conversion-
2527 function-specific information and conversion data makes this possible.
2528 The last section showed the two data structures used to do this.
2530 This is of course also reflected in the interface and semantics of the
2531 functions that the modules must provide.  There are three functions that
2532 must have the following names:
2534 @table @code
2535 @item gconv_init
2536 The @code{gconv_init} function initializes the conversion function
2537 specific data structure.  This very same object is shared by all
2538 conversions that use this conversion and, therefore, no state information
2539 about the conversion itself must be stored in here.  If a module
2540 implements more than one conversion, the @code{gconv_init} function will
2541 be called multiple times.
2543 @item gconv_end
2544 The @code{gconv_end} function is responsible for freeing all resources
2545 allocated by the @code{gconv_init} function.  If there is nothing to do,
2546 this function can be missing.  Special care must be taken if the module
2547 implements more than one conversion and the @code{gconv_init} function
2548 does not allocate the same resources for all conversions.
2550 @item gconv
2551 This is the actual conversion function.  It is called to convert one
2552 block of text.  It gets passed the conversion step information
2553 initialized by @code{gconv_init} and the conversion data, specific to
2554 this use of the conversion functions.
2555 @end table
2557 There are three data types defined for the three module interface
2558 functions and these define the interface.
2560 @comment gconv.h
2561 @comment GNU
2562 @deftypevr {Data type} int {(*__gconv_init_fct)} (struct __gconv_step *)
2563 This specifies the interface of the initialization function of the
2564 module.  It is called exactly once for each conversion the module
2565 implements.
2567 As explained in the description of the @code{struct __gconv_step} data
2568 structure above the initialization function has to initialize parts of
2571 @table @code
2572 @item __min_needed_from
2573 @itemx __max_needed_from
2574 @itemx __min_needed_to
2575 @itemx __max_needed_to
2576 These elements must be initialized to the exact numbers of the minimum
2577 and maximum number of bytes used by one character in the source and
2578 destination character sets, respectively.  If the characters all have the
2579 same size, the minimum and maximum values are the same.
2581 @item __stateful
2582 This element must be initialized to a nonzero value if the source
2583 character set is stateful.  Otherwise it must be zero.
2584 @end table
2586 If the initialization function needs to communicate some information
2587 to the conversion function, this communication can happen using the
2588 @code{__data} element of the @code{__gconv_step} structure.  But since
2589 this data is shared by all the conversions, it must not be modified by
2590 the conversion function.  The example below shows how this can be used.
2592 @smallexample
2593 #define MIN_NEEDED_FROM         1
2594 #define MAX_NEEDED_FROM         4
2595 #define MIN_NEEDED_TO           4
2596 #define MAX_NEEDED_TO           4
2599 gconv_init (struct __gconv_step *step)
2601   /* @r{Determine which direction.}  */
2602   struct iso2022jp_data *new_data;
2603   enum direction dir = illegal_dir;
2604   enum variant var = illegal_var;
2605   int result;
2607   if (__strcasecmp (step->__from_name, "ISO-2022-JP//") == 0)
2608     @{
2609       dir = from_iso2022jp;
2610       var = iso2022jp;
2611     @}
2612   else if (__strcasecmp (step->__to_name, "ISO-2022-JP//") == 0)
2613     @{
2614       dir = to_iso2022jp;
2615       var = iso2022jp;
2616     @}
2617   else if (__strcasecmp (step->__from_name, "ISO-2022-JP-2//") == 0)
2618     @{
2619       dir = from_iso2022jp;
2620       var = iso2022jp2;
2621     @}
2622   else if (__strcasecmp (step->__to_name, "ISO-2022-JP-2//") == 0)
2623     @{
2624       dir = to_iso2022jp;
2625       var = iso2022jp2;
2626     @}
2628   result = __GCONV_NOCONV;
2629   if (dir != illegal_dir)
2630     @{
2631       new_data = (struct iso2022jp_data *)
2632         malloc (sizeof (struct iso2022jp_data));
2634       result = __GCONV_NOMEM;
2635       if (new_data != NULL)
2636         @{
2637           new_data->dir = dir;
2638           new_data->var = var;
2639           step->__data = new_data;
2641           if (dir == from_iso2022jp)
2642             @{
2643               step->__min_needed_from = MIN_NEEDED_FROM;
2644               step->__max_needed_from = MAX_NEEDED_FROM;
2645               step->__min_needed_to = MIN_NEEDED_TO;
2646               step->__max_needed_to = MAX_NEEDED_TO;
2647             @}
2648           else
2649             @{
2650               step->__min_needed_from = MIN_NEEDED_TO;
2651               step->__max_needed_from = MAX_NEEDED_TO;
2652               step->__min_needed_to = MIN_NEEDED_FROM;
2653               step->__max_needed_to = MAX_NEEDED_FROM + 2;
2654             @}
2656           /* @r{Yes, this is a stateful encoding.}  */
2657           step->__stateful = 1;
2659           result = __GCONV_OK;
2660         @}
2661     @}
2663   return result;
2665 @end smallexample
2667 The function first checks which conversion is wanted.  The module from
2668 which this function is taken implements four different conversions;
2669 which one is selected can be determined by comparing the names.  The
2670 comparison should always be done without paying attention to the case.
2672 Next, a data structure, which contains the necessary information about
2673 which conversion is selected, is allocated.  The data structure
2674 @code{struct iso2022jp_data} is locally defined since, outside the
2675 module, this data is not used at all.  Please note that if all four
2676 conversions this module supports are requested there are four data
2677 blocks.
2679 One interesting thing is the initialization of the @code{__min_} and
2680 @code{__max_} elements of the step data object.  A single ISO-2022-JP
2681 character can consist of one to four bytes.  Therefore the
2682 @code{MIN_NEEDED_FROM} and @code{MAX_NEEDED_FROM} macros are defined
2683 this way.  The output is always the @code{INTERNAL} character set (aka
2684 UCS-4) and therefore each character consists of exactly four bytes.  For
2685 the conversion from @code{INTERNAL} to ISO-2022-JP we have to take into
2686 account that escape sequences might be necessary to switch the character
2687 sets.  Therefore the @code{__max_needed_to} element for this direction
2688 gets assigned @code{MAX_NEEDED_FROM + 2}.  This takes into account the
2689 two bytes needed for the escape sequences to signal the switching.  The
2690 asymmetry in the maximum values for the two directions can be explained
2691 easily: when reading ISO-2022-JP text, escape sequences can be handled
2692 alone (i.e., it is not necessary to process a real character since the
2693 effect of the escape sequence can be recorded in the state information).
2694 The situation is different for the other direction.  Since it is in
2695 general not known which character comes next, one cannot emit escape
2696 sequences to change the state in advance.  This means the escape
2697 sequences have to be emitted together with the next character.
2698 Therefore one needs more room than only for the character itself.
2700 The possible return values of the initialization function are:
2702 @table @code
2703 @item __GCONV_OK
2704 The initialization succeeded
2705 @item __GCONV_NOCONV
2706 The requested conversion is not supported in the module.  This can
2707 happen if the @file{gconv-modules} file has errors.
2708 @item __GCONV_NOMEM
2709 Memory required to store additional information could not be allocated.
2710 @end table
2711 @end deftypevr
2713 The function called before the module is unloaded is significantly
2714 easier.  It often has nothing at all to do; in which case it can be left
2715 out completely.
2717 @comment gconv.h
2718 @comment GNU
2719 @deftypevr {Data type} void {(*__gconv_end_fct)} (struct gconv_step *)
2720 The task of this function is to free all resources allocated in the
2721 initialization function.  Therefore only the @code{__data} element of
2722 the object pointed to by the argument is of interest.  Continuing the
2723 example from the initialization function, the finalization function
2724 looks like this:
2726 @smallexample
2727 void
2728 gconv_end (struct __gconv_step *data)
2730   free (data->__data);
2732 @end smallexample
2733 @end deftypevr
2735 The most important function is the conversion function itself, which can
2736 get quite complicated for complex character sets.  But since this is not
2737 of interest here, we will only describe a possible skeleton for the
2738 conversion function.
2740 @comment gconv.h
2741 @comment GNU
2742 @deftypevr {Data type} int {(*__gconv_fct)} (struct __gconv_step *, struct __gconv_step_data *, const char **, const char *, size_t *, int)
2743 The conversion function can be called for two basic reasons: to convert
2744 text or to reset the state.  From the description of the @code{iconv}
2745 function it can be seen why the flushing mode is necessary.  What mode
2746 is selected is determined by the sixth argument, an integer.  This
2747 argument being nonzero means that flushing is selected.
2749 Common to both modes is where the output buffer can be found.  The
2750 information about this buffer is stored in the conversion step data.  A
2751 pointer to this information is passed as the second argument to this
2752 function.  The description of the @code{struct __gconv_step_data}
2753 structure has more information on the conversion step data.
2755 @cindex stateful
2756 What has to be done for flushing depends on the source character set.
2757 If the source character set is not stateful, nothing has to be done.
2758 Otherwise the function has to emit a byte sequence to bring the state
2759 object into the initial state.  Once this all happened the other
2760 conversion modules in the chain of conversions have to get the same
2761 chance.  Whether another step follows can be determined from the
2762 @code{__is_last} element of the step data structure to which the first
2763 parameter points.
2765 The more interesting mode is when actual text has to be converted.  The
2766 first step in this case is to convert as much text as possible from the
2767 input buffer and store the result in the output buffer.  The start of the
2768 input buffer is determined by the third argument, which is a pointer to a
2769 pointer variable referencing the beginning of the buffer.  The fourth
2770 argument is a pointer to the byte right after the last byte in the buffer.
2772 The conversion has to be performed according to the current state if the
2773 character set is stateful.  The state is stored in an object pointed to
2774 by the @code{__statep} element of the step data (second argument).  Once
2775 either the input buffer is empty or the output buffer is full the
2776 conversion stops.  At this point, the pointer variable referenced by the
2777 third parameter must point to the byte following the last processed
2778 byte (i.e., if all of the input is consumed, this pointer and the fourth
2779 parameter have the same value).
2781 What now happens depends on whether this step is the last one.  If it is
2782 the last step, the only thing that has to be done is to update the
2783 @code{__outbuf} element of the step data structure to point after the
2784 last written byte.  This update gives the caller the information on how
2785 much text is available in the output buffer.  In addition, the variable
2786 pointed to by the fifth parameter, which is of type @code{size_t}, must
2787 be incremented by the number of characters (@emph{not bytes}) that were
2788 converted in a non-reversible way.  Then, the function can return.
2790 In case the step is not the last one, the later conversion functions have
2791 to get a chance to do their work.  Therefore, the appropriate conversion
2792 function has to be called.  The information about the functions is
2793 stored in the conversion data structures, passed as the first parameter.
2794 This information and the step data are stored in arrays, so the next
2795 element in both cases can be found by simple pointer arithmetic:
2797 @smallexample
2799 gconv (struct __gconv_step *step, struct __gconv_step_data *data,
2800        const char **inbuf, const char *inbufend, size_t *written,
2801        int do_flush)
2803   struct __gconv_step *next_step = step + 1;
2804   struct __gconv_step_data *next_data = data + 1;
2805   @dots{}
2806 @end smallexample
2808 The @code{next_step} pointer references the next step information and
2809 @code{next_data} the next data record.  The call of the next function
2810 therefore will look similar to this:
2812 @smallexample
2813   next_step->__fct (next_step, next_data, &outerr, outbuf,
2814                     written, 0)
2815 @end smallexample
2817 But this is not yet all.  Once the function call returns the conversion
2818 function might have some more to do.  If the return value of the function
2819 is @code{__GCONV_EMPTY_INPUT}, more room is available in the output
2820 buffer.  Unless the input buffer is empty, the conversion functions start
2821 all over again and process the rest of the input buffer.  If the return
2822 value is not @code{__GCONV_EMPTY_INPUT}, something went wrong and we have
2823 to recover from this.
2825 A requirement for the conversion function is that the input buffer
2826 pointer (the third argument) always point to the last character that
2827 was put in converted form into the output buffer.  This is trivially
2828 true after the conversion performed in the current step, but if the
2829 conversion functions deeper downstream stop prematurely, not all
2830 characters from the output buffer are consumed and, therefore, the input
2831 buffer pointers must be backed off to the right position.
2833 Correcting the input buffers is easy to do if the input and output
2834 character sets have a fixed width for all characters.  In this situation
2835 we can compute how many characters are left in the output buffer and,
2836 therefore, can correct the input buffer pointer appropriately with a
2837 similar computation.  Things are getting tricky if either character set
2838 has characters represented with variable length byte sequences, and it
2839 gets even more complicated if the conversion has to take care of the
2840 state.  In these cases the conversion has to be performed once again, from
2841 the known state before the initial conversion (i.e., if necessary the
2842 state of the conversion has to be reset and the conversion loop has to be
2843 executed again).  The difference now is that it is known how much input
2844 must be created, and the conversion can stop before converting the first
2845 unused character.  Once this is done the input buffer pointers must be
2846 updated again and the function can return.
2848 One final thing should be mentioned.  If it is necessary for the
2849 conversion to know whether it is the first invocation (in case a prolog
2850 has to be emitted), the conversion function should increment the
2851 @code{__invocation_counter} element of the step data structure just
2852 before returning to the caller.  See the description of the @code{struct
2853 __gconv_step_data} structure above for more information on how this can
2854 be used.
2856 The return value must be one of the following values:
2858 @table @code
2859 @item __GCONV_EMPTY_INPUT
2860 All input was consumed and there is room left in the output buffer.
2861 @item __GCONV_FULL_OUTPUT
2862 No more room in the output buffer.  In case this is not the last step
2863 this value is propagated down from the call of the next conversion
2864 function in the chain.
2865 @item __GCONV_INCOMPLETE_INPUT
2866 The input buffer is not entirely empty since it contains an incomplete
2867 character sequence.
2868 @end table
2870 The following example provides a framework for a conversion function.
2871 In case a new conversion has to be written the holes in this
2872 implementation have to be filled and that is it.
2874 @smallexample
2876 gconv (struct __gconv_step *step, struct __gconv_step_data *data,
2877        const char **inbuf, const char *inbufend, size_t *written,
2878        int do_flush)
2880   struct __gconv_step *next_step = step + 1;
2881   struct __gconv_step_data *next_data = data + 1;
2882   gconv_fct fct = next_step->__fct;
2883   int status;
2885   /* @r{If the function is called with no input this means we have}
2886      @r{to reset to the initial state.  The possibly partly}
2887      @r{converted input is dropped.}  */
2888   if (do_flush)
2889     @{
2890       status = __GCONV_OK;
2892       /* @r{Possible emit a byte sequence which put the state object}
2893          @r{into the initial state.}  */
2895       /* @r{Call the steps down the chain if there are any but only}
2896          @r{if we successfully emitted the escape sequence.}  */
2897       if (status == __GCONV_OK && ! data->__is_last)
2898         status = fct (next_step, next_data, NULL, NULL,
2899                       written, 1);
2900     @}
2901   else
2902     @{
2903       /* @r{We preserve the initial values of the pointer variables.}  */
2904       const char *inptr = *inbuf;
2905       char *outbuf = data->__outbuf;
2906       char *outend = data->__outbufend;
2907       char *outptr;
2909       do
2910         @{
2911           /* @r{Remember the start value for this round.}  */
2912           inptr = *inbuf;
2913           /* @r{The outbuf buffer is empty.}  */
2914           outptr = outbuf;
2916           /* @r{For stateful encodings the state must be safe here.}  */
2918           /* @r{Run the conversion loop.  @code{status} is set}
2919              @r{appropriately afterwards.}  */
2921           /* @r{If this is the last step, leave the loop.  There is}
2922              @r{nothing we can do.}  */
2923           if (data->__is_last)
2924             @{
2925               /* @r{Store information about how many bytes are}
2926                  @r{available.}  */
2927               data->__outbuf = outbuf;
2929              /* @r{If any non-reversible conversions were performed,}
2930                 @r{add the number to @code{*written}.}  */
2932              break;
2933            @}
2935           /* @r{Write out all output that was produced.}  */
2936           if (outbuf > outptr)
2937             @{
2938               const char *outerr = data->__outbuf;
2939               int result;
2941               result = fct (next_step, next_data, &outerr,
2942                             outbuf, written, 0);
2944               if (result != __GCONV_EMPTY_INPUT)
2945                 @{
2946                   if (outerr != outbuf)
2947                     @{
2948                       /* @r{Reset the input buffer pointer.  We}
2949                          @r{document here the complex case.}  */
2950                       size_t nstatus;
2952                       /* @r{Reload the pointers.}  */
2953                       *inbuf = inptr;
2954                       outbuf = outptr;
2956                       /* @r{Possibly reset the state.}  */
2958                       /* @r{Redo the conversion, but this time}
2959                          @r{the end of the output buffer is at}
2960                          @r{@code{outerr}.}  */
2961                     @}
2963                   /* @r{Change the status.}  */
2964                   status = result;
2965                 @}
2966               else
2967                 /* @r{All the output is consumed, we can make}
2968                    @r{ another run if everything was ok.}  */
2969                 if (status == __GCONV_FULL_OUTPUT)
2970                   status = __GCONV_OK;
2971            @}
2972         @}
2973       while (status == __GCONV_OK);
2975       /* @r{We finished one use of this step.}  */
2976       ++data->__invocation_counter;
2977     @}
2979   return status;
2981 @end smallexample
2982 @end deftypevr
2984 This information should be sufficient to write new modules.  Anybody
2985 doing so should also take a look at the available source code in the
2986 @glibcadj{} sources.  It contains many examples of working and optimized
2987 modules.
2989 @c File charset.texi edited October 2001 by Dennis Grace, IBM Corporation