Feature #6752
closedReplacing ill-formed subsequencce
Description
=begin
== 概要
Stringになんらかの理由で不正なバイト列が含まれている時に、それを置換文字で置き換えたい。
== ユースケース
実際に確認されているユースケースは以下の通りです。
-
twitterのtitle
-
IRCのログ
-
ニコニコ動画の API
-
Webクローリング
これらの不正なバイト列の生成過程は、おそらく、バイト単位で文字列を切り詰めた時に末尾が切れて、
末尾がおかしい不正な文字列が作られます。(前二者)
これをコンテナに入れたり結合することによって、途中にも混ざった文字列が作られます。(後二者) -
http://po-ru.com/diary/fixing-invalid-utf-8-in-ruby-revisited/
-
http://stackoverflow.com/questions/2982677/ruby-1-9-invalid-byte-sequence-in-utf-8
== 必要な引数: 置換文字
省略可能、String。
デフォルトは、Unicode系ならU+FFFD、それ以外では「?」。
デフォルトが空文字でない理由は、削除してしまうことで、従来は存在しなかったトークンを作れてしまい、
上位のレイヤーの脆弱性に繋がるからです。
http://unicode.org/reports/tr36/#UTF-8_Exploit
== API
--- str.encode(str.encoding, invalid: replace, [replace: "〓"])
- CSI的じゃなくて気持ち悪い
- iconv でできるのは glibc iconv か GNU libiconv に //IGNORE つけた時で他はできない
- 実装上のメリットは後述の通り、直感に反してあまりない(と思う)
== 別メソッド
- 新しいメソッドである
- fix/repair invalid/illegal bytes/sequence あたりの名前か
== 実装
=== 鬼車ベース
int ret = rb_enc_precise_mbclen(p, e, enc); して、
MBCLEN_INVALID_P(ret) が真な時、何バイト目が不正なのかわからないのが微妙。
ONIGENC_CONSTRUCT_MBCLEN_INVALID() がバイト数を取らないのが原因なので、
鬼車のエンコーディングモジュール全てに影響してしまうため、修正困難。
不正なバイトはほとんど存在しないと仮定して、効率を犠牲にすれば回避は可能。
=== transcodeベース
UCS正規化なglibc iconv, GNU libiconv, Perl Encodeなどと違って、
CSIなtranscodeでは、自分自身に変換する場合、
エンコーディングごとに「何もしない」変換モジュールを用意しないといけない。
とりあえず鬼車ベースのコンセプト実装とテストを添付しておきます。
diff --git a/string.c b/string.c
index d038835..4808f15 100644
--- a/string.c
+++ b/string.c
@@ -7426,6 +7426,199 @@ rb_str_ellipsize(VALUE str, long len)
return ret;
}
+/*
-
- call-seq:
-
- str.fix_invalid -> new_str
-
-
- If the string is well-formed, it returns self.
-
- If the string has invalid byte sequence, repair it with given replacement
-
- character.
- */
+VALUE
+rb_str_fix_invalid(VALUE str)
+{ - int cr = ENC_CODERANGE(str);
- rb_encoding *enc;
- if (cr == ENC_CODERANGE_7BIT || cr == ENC_CODERANGE_VALID)
- return rb_str_dup(str);
- enc = STR_ENC_GET(str);
- if (rb_enc_asciicompat(enc)) {
- const char *p = RSTRING_PTR(str);
- const char *e = RSTRING_END(str);
- const char *p1 = p;
- /* 10 should be enough for the usual use case,
-
- fixing a wrongly chopped character at the end of the string
- */
- long room = 10;
- VALUE buf = rb_str_buf_new(RSTRING_LEN(str) + room);
- const char *rep;
- if (enc == rb_utf8_encoding())
-
rep = "\xEF\xBF\xBD";
- else
-
rep = "?";
- cr = ENC_CODERANGE_7BIT;
- p = search_nonascii(p, e);
- if (!p) {
-
p = e;
- }
- while (p < e) {
-
int ret = rb_enc_precise_mbclen(p, e, enc);
-
if (MBCLEN_CHARFOUND_P(ret)) {
-
if ((unsigned char)*p > 127) cr = ENC_CODERANGE_VALID;
-
p += MBCLEN_CHARFOUND_LEN(ret);
-
}
-
else if (MBCLEN_INVALID_P(ret)) {
-
const char *q;
-
long clen = rb_enc_mbmaxlen(enc);
-
if (p > p1) rb_str_buf_cat(buf, p1, p - p1);
-
q = RSTRING_END(buf);
-
if (e - p < clen) clen = e - p;
-
if (clen < 3) {
-
clen = 1;
-
}
-
else {
-
long len = RSTRING_LEN(buf);
-
clen--;
-
rb_str_buf_cat(buf, p, clen);
-
for (; clen > 1; clen--) {
-
ret = rb_enc_precise_mbclen(q, q + clen, enc);
-
if (MBCLEN_NEEDMORE_P(ret)) {
-
break;
-
}
-
else if (MBCLEN_INVALID_P(ret)) {
-
continue;
-
}
-
else {
-
rb_bug("shouldn't reach here '%s'", q);
-
}
-
}
-
rb_str_set_len(buf, len);
-
}
-
p += clen;
-
p1 = p;
-
rb_str_buf_cat2(buf, rep);
-
p = search_nonascii(p, e);
-
if (!p) {
-
p = e;
-
break;
-
}
-
}
-
else if (MBCLEN_NEEDMORE_P(ret)) {
-
break;
-
}
-
else {
-
rb_bug("shouldn't reach here");
-
}
- }
- if (p1 < p) {
-
rb_str_buf_cat(buf, p1, p - p1);
- }
- if (p < e) {
-
rb_str_buf_cat2(buf, rep);
-
cr = ENC_CODERANGE_VALID;
- }
- ENCODING_CODERANGE_SET(buf, rb_enc_to_index(enc), cr);
- return buf;
- }
- else if (rb_enc_dummy_p(enc)) {
- return rb_str_dup(str);
- }
- else {
- /* ASCII incompatible */
- const char *p = RSTRING_PTR(str);
- const char *e = RSTRING_END(str);
- const char *p1 = p;
- /* 10 should be enough for the usual use case,
-
- fixing a wrongly chopped character at the end of the string
- */
- long room = 10;
- VALUE buf = rb_str_buf_new(RSTRING_LEN(str) + room);
- const char *rep;
- long mbminlen = rb_enc_mbminlen(enc);
- static rb_encoding *utf16be;
- static rb_encoding *utf16le;
- static rb_encoding *utf32be;
- static rb_encoding *utf32le;
- if (!utf16be) {
-
utf16be = rb_enc_find("UTF-16BE");
-
utf16le = rb_enc_find("UTF-16LE");
-
utf32be = rb_enc_find("UTF-32BE");
-
utf32le = rb_enc_find("UTF-32LE");
- }
- if (enc == utf16be) {
-
rep = "\xFF\xFD";
- }
- else if (enc == utf16le) {
-
rep = "\xFD\xFF";
- }
- else if (enc == utf32be) {
-
rep = "\x00\x00\xFF\xFD";
- }
- else if (enc == utf32le) {
-
rep = "\xFD\xFF\x00\x00";
- }
- else {
-
rep = "?";
- }
- while (p < e) {
-
int ret = rb_enc_precise_mbclen(p, e, enc);
-
if (MBCLEN_CHARFOUND_P(ret)) {
-
p += MBCLEN_CHARFOUND_LEN(ret);
-
}
-
else if (MBCLEN_INVALID_P(ret)) {
-
const char *q;
-
long clen = rb_enc_mbmaxlen(enc);
-
if (p > p1) rb_str_buf_cat(buf, p1, p - p1);
-
q = RSTRING_END(buf);
-
if (e - p < clen) clen = e - p;
-
if (clen < mbminlen * 3) {
-
clen = mbminlen;
-
}
-
else {
-
long len = RSTRING_LEN(buf);
-
clen -= mbminlen;
-
rb_str_buf_cat(buf, p, clen);
-
for (; clen > mbminlen; clen-=mbminlen) {
-
ret = rb_enc_precise_mbclen(q, q + clen, enc);
-
if (MBCLEN_NEEDMORE_P(ret)) {
-
break;
-
}
-
else if (MBCLEN_INVALID_P(ret)) {
-
continue;
-
}
-
else {
-
rb_bug("shouldn't reach here '%s'", q);
-
}
-
}
-
rb_str_set_len(buf, len);
-
}
-
p += clen;
-
p1 = p;
-
rb_str_buf_cat2(buf, rep);
-
}
-
else if (MBCLEN_NEEDMORE_P(ret)) {
-
break;
-
}
-
else {
-
rb_bug("shouldn't reach here");
-
}
- }
- if (p1 < p) {
-
rb_str_buf_cat(buf, p1, p - p1);
- }
- if (p < e) {
-
rb_str_buf_cat2(buf, rep);
- }
- ENCODING_CODERANGE_SET(buf, rb_enc_to_index(enc), ENC_CODERANGE_VALID);
- return buf;
- }
+}
/**********************************************************************
- Document-class: Symbol
@@ -7882,6 +8075,7 @@ Init_String(void)
rb_define_method(rb_cString, "getbyte", rb_str_getbyte, 1);
rb_define_method(rb_cString, "setbyte", rb_str_setbyte, 2);
rb_define_method(rb_cString, "byteslice", rb_str_byteslice, -1);
-
rb_define_method(rb_cString, "fix_invalid", rb_str_fix_invalid, 0);
rb_define_method(rb_cString, "to_i", rb_str_to_i, -1);
rb_define_method(rb_cString, "to_f", rb_str_to_f, 0);
diff --git a/test/ruby/test_string.rb b/test/ruby/test_string.rb
index 47f349c..2b0cfeb 100644
--- a/test/ruby/test_string.rb
+++ b/test/ruby/test_string.rb
@@ -2031,6 +2031,29 @@ class TestString < Test::Unit::TestCaseassert_equal(u("\x82")+("\u3042"*9), ("\u3042"*10).byteslice(2, 28))
end -
def test_fix_invalid
-
assert_equal("\uFFFD\uFFFD\uFFFD", "\x80\x80\x80".fix_invalid)
-
assert_equal("\uFFFDA", "\xF4\x80\x80A".fix_invalid)
-
exapmles in Unicode 6.1.0 D93b¶
-
assert_equal("\x41\uFFFD\uFFFD\x41\uFFFD\x41",
-
"\x41\xC0\xAF\x41\xF4\x80\x80\x41".fix_invalid)
-
assert_equal("\x41\uFFFD\uFFFD\uFFFD\x41",
-
"\x41\xE0\x9F\x80\x41".fix_invalid)
-
assert_equal("\u0061\uFFFD\uFFFD\uFFFD\u0062\uFFFD\u0063\uFFFD\uFFFD\u0064",
-
"\x61\xF1\x80\x80\xE1\x80\xC2\x62\x80\x63\x80\xBF\x64".fix_invalid)
-
assert_equal("abcdefghijklmnopqrstuvwxyz\u0061\uFFFD\uFFFD\uFFFD\u0062\uFFFD\u0063\uFFFD\uFFFD\u0064",
-
"abcdefghijklmnopqrstuvwxyz\x61\xF1\x80\x80\xE1\x80\xC2\x62\x80\x63\x80\xBF\x64".fix_invalid)
-
assert_equal("\uFFFD\u3042".encode("UTF-16BE"),
-
"\xD8\x00\x30\x42".force_encoding(Encoding::UTF_16BE).
-
fix_invalid)
-
assert_equal("\uFFFD\u3042".encode("UTF-16LE"),
-
"\x00\xD8\x42\x30".force_encoding(Encoding::UTF_16LE).
-
fix_invalid)
-
end
end
class TestString2 < TestString
=end