Quelle  category_test.c

/*-------------------------------------------------------------------------
 * category_test.c
 *  Program to test Unicode general category and character properties.
 *
 * Portions Copyright (c) 2017-2025, PostgreSQL Global Development Group
 *
 * IDENTIFICATION
 *   src/common/unicode/category_test.c
 *
 *-------------------------------------------------------------------------
 */
#include "postgres_fe.h"

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <wctype.h>

#ifdef USE_ICU
#include <unicode/uchar.h>
#endif

#include "common/unicode_category.h"
#include "common/unicode_version.h"

static int pg_unicode_version = 0;
#ifdef USE_ICU
static int icu_unicode_version = 0;
#endif

/*
 * Parse version into integer for easy comparison.
 */
static int
parse_unicode_version(const char *version)
{
 int   n PG_USED_FOR_ASSERTS_ONLY;
 int   major;
 int   minor;

 n = sscanf(version, "%d.%d", &major, &minor);

 Assert(n == 2);
 Assert(minor < 100);

 return major * 100 + minor;
}

#ifdef USE_ICU
/*
 * Test Postgres Unicode tables by comparing with ICU. Test the General
 * Category, as well as the properties Alphabetic, Lowercase, Uppercase,
 * White_Space, and Hex_Digit.
 */
static void
icu_test()
{
 int   successful = 0;
 int   pg_skipped_codepoints = 0;
 int   icu_skipped_codepoints = 0;

 for (pg_wchar code = 0; code <= 0x10ffff; code++)
 {
  uint8_t  pg_category = unicode_category(code);
  uint8_t  icu_category = u_charType(code);

  /* Property tests */
  bool  prop_alphabetic = pg_u_prop_alphabetic(code);
  bool  prop_lowercase = pg_u_prop_lowercase(code);
  bool  prop_uppercase = pg_u_prop_uppercase(code);
  bool  prop_cased = pg_u_prop_cased(code);
  bool  prop_case_ignorable = pg_u_prop_case_ignorable(code);
  bool  prop_white_space = pg_u_prop_white_space(code);
  bool  prop_hex_digit = pg_u_prop_hex_digit(code);
  bool  prop_join_control = pg_u_prop_join_control(code);

  bool  icu_prop_alphabetic = u_hasBinaryProperty(code, UCHAR_ALPHABETIC);
  bool  icu_prop_lowercase = u_hasBinaryProperty(code, UCHAR_LOWERCASE);
  bool  icu_prop_uppercase = u_hasBinaryProperty(code, UCHAR_UPPERCASE);
  bool  icu_prop_cased = u_hasBinaryProperty(code, UCHAR_CASED);
  bool  icu_prop_case_ignorable = u_hasBinaryProperty(code, UCHAR_CASE_IGNORABLE);
  bool  icu_prop_white_space = u_hasBinaryProperty(code, UCHAR_WHITE_SPACE);
  bool  icu_prop_hex_digit = u_hasBinaryProperty(code, UCHAR_HEX_DIGIT);
  bool  icu_prop_join_control = u_hasBinaryProperty(code, UCHAR_JOIN_CONTROL);

  /*
   * Compare with ICU for character classes using:
   *
   * https://unicode-org.github.io/icu-docs/apidoc/dev/icu4c/uchar_8h.html#details
   *
   * which describes how to use ICU to test for membership in regex
   * character classes.
   *
   * NB: the document suggests testing for some properties such as
   * UCHAR_POSIX_ALNUM, but that doesn't mean that we're testing for the
   * "POSIX Compatible" character classes.
 */
  bool  isalpha = pg_u_isalpha(code);
  bool  islower = pg_u_islower(code);
  bool  isupper = pg_u_isupper(code);
  bool  ispunct = pg_u_ispunct(code, false);
  bool  isdigit = pg_u_isdigit(code, false);
  bool  isxdigit = pg_u_isxdigit(code, false);
  bool  isalnum = pg_u_isalnum(code, false);
  bool  isspace = pg_u_isspace(code);
  bool  isblank = pg_u_isblank(code);
  bool  iscntrl = pg_u_iscntrl(code);
  bool  isgraph = pg_u_isgraph(code);
  bool  isprint = pg_u_isprint(code);

  bool  icu_isalpha = u_isUAlphabetic(code);
  bool  icu_islower = u_isULowercase(code);
  bool  icu_isupper = u_isUUppercase(code);
  bool  icu_ispunct = u_ispunct(code);
  bool  icu_isdigit = u_isdigit(code);
  bool  icu_isxdigit = u_hasBinaryProperty(code,
                UCHAR_POSIX_XDIGIT);
  bool  icu_isalnum = u_hasBinaryProperty(code,
               UCHAR_POSIX_ALNUM);
  bool  icu_isspace = u_isUWhiteSpace(code);
  bool  icu_isblank = u_isblank(code);
  bool  icu_iscntrl = icu_category == PG_U_CONTROL;
  bool  icu_isgraph = u_hasBinaryProperty(code,
               UCHAR_POSIX_GRAPH);
  bool  icu_isprint = u_hasBinaryProperty(code,
               UCHAR_POSIX_PRINT);

  /*
   * A version mismatch means that some assigned codepoints in the newer
   * version may be unassigned in the older version. That's OK, though
   * the test will not cover those codepoints marked unassigned in the
   * older version (that is, it will no longer be an exhaustive test).
 */
  if (pg_category == PG_U_UNASSIGNED &&
   icu_category != PG_U_UNASSIGNED &&
   pg_unicode_version < icu_unicode_version)
  {
   pg_skipped_codepoints++;
   continue;
  }

  if (icu_category == PG_U_UNASSIGNED &&
   pg_category != PG_U_UNASSIGNED &&
   icu_unicode_version < pg_unicode_version)
  {
   icu_skipped_codepoints++;
   continue;
  }

  if (pg_category != icu_category)
  {
   printf("category_test: FAILURE for codepoint 0x%06x\n", code);
   printf("category_test: Postgres category: %02d %s %s\n", pg_category,
       unicode_category_abbrev(pg_category),
       unicode_category_string(pg_category));
   printf("category_test: ICU category:  %02d %s %s\n", icu_category,
       unicode_category_abbrev(icu_category),
       unicode_category_string(icu_category));
   printf("\n");
   exit(1);
  }

  if (prop_alphabetic != icu_prop_alphabetic ||
   prop_lowercase != icu_prop_lowercase ||
   prop_uppercase != icu_prop_uppercase ||
   prop_cased != icu_prop_cased ||
   prop_case_ignorable != icu_prop_case_ignorable ||
   prop_white_space != icu_prop_white_space ||
   prop_hex_digit != icu_prop_hex_digit ||
   prop_join_control != icu_prop_join_control)
  {
   printf("category_test: FAILURE for codepoint 0x%06x\n", code);
   printf("category_test: Postgres property alphabetic/lowercase/uppercase/cased/case_ignorable/white_space/hex_digit/join_control: %d/%d/%d/%d/%d/%d/%d/%d\n",
       prop_alphabetic, prop_lowercase, prop_uppercase,
       prop_cased, prop_case_ignorable,
       prop_white_space, prop_hex_digit, prop_join_control);
   printf("category_test: ICU property alphabetic/lowercase/uppercase/cased/case_ignorable/white_space/hex_digit/join_control: %d/%d/%d/%d/%d/%d/%d/%d\n",
       icu_prop_alphabetic, icu_prop_lowercase, icu_prop_uppercase,
       icu_prop_cased, icu_prop_case_ignorable,
       icu_prop_white_space, icu_prop_hex_digit, icu_prop_join_control);
   printf("\n");
   exit(1);
  }

  if (isalpha != icu_isalpha ||
   islower != icu_islower ||
   isupper != icu_isupper ||
   ispunct != icu_ispunct ||
   isdigit != icu_isdigit ||
   isxdigit != icu_isxdigit ||
   isalnum != icu_isalnum ||
   isspace != icu_isspace ||
   isblank != icu_isblank ||
   iscntrl != icu_iscntrl ||
   isgraph != icu_isgraph ||
   isprint != icu_isprint)
  {
   printf("category_test: FAILURE for codepoint 0x%06x\n", code);
   printf("category_test: Postgres class alpha/lower/upper/punct/digit/xdigit/alnum/space/blank/cntrl/graph/print: %d/%d/%d/%d/%d/%d/%d/%d/%d/%d/%d/%d\n",
       isalpha, islower, isupper, ispunct, isdigit, isxdigit, isalnum, isspace, isblank, iscntrl, isgraph, isprint);
   printf("category_test: ICU class alpha/lower/upper/punct/digit/xdigit/alnum/space/blank/cntrl/graph/print: %d/%d/%d/%d/%d/%d/%d/%d/%d/%d/%d/%d\n",
       icu_isalpha, icu_islower, icu_isupper, icu_ispunct, icu_isdigit, icu_isxdigit, icu_isalnum, icu_isspace, icu_isblank, icu_iscntrl, icu_isgraph, icu_isprint);
   printf("\n");
   exit(1);
  }

  if (pg_category != PG_U_UNASSIGNED)
   successful++;
 }

 if (pg_skipped_codepoints > 0)
  printf("category_test: skipped %d codepoints unassigned in Postgres due to Unicode version mismatch\n",
      pg_skipped_codepoints);
 if (icu_skipped_codepoints > 0)
  printf("category_test: skipped %d codepoints unassigned in ICU due to Unicode version mismatch\n",
      icu_skipped_codepoints);

 printf("category_test: ICU test: %d codepoints successful\n", successful);
}
#endif

int
main(int argc, char **argv)
{
 pg_unicode_version = parse_unicode_version(PG_UNICODE_VERSION);
 printf("category_test: Postgres Unicode version:\t%s\n", PG_UNICODE_VERSION);

#ifdef USE_ICU
 icu_unicode_version = parse_unicode_version(U_UNICODE_VERSION);
 printf("category_test: ICU Unicode version:\t\t%s\n", U_UNICODE_VERSION);

 icu_test();
#else
 printf("category_test: ICU not available; skipping\n");
#endif
}