Bridge-and-Join-s/internal/nsdxml/codec.go

package nsdxml

import (
	"bytes"
	"encoding/xml"
	"errors"
	"fmt"
	"io"
	"strings"
	"unicode/utf8"
)

// xmlProlog — пролог windows-1251 XML, который мы пишем при сериализации.
const xmlProlog = `<?xml version="1.0" encoding="windows-1251"?>` + "\n"

// cp1251High — таблица соответствия байтов 0x80..0xFF из windows-1251
// в Unicode rune. Индекс таблицы — (byte - 0x80).
//
// Источник: стандартное соответствие CP1251 (см. WHATWG encoding spec
// и MS code page 1251). Байт 0x98 в CP1251 не определён, помечаем
// U+FFFD; в эталонных XML НРД он не встречается.
var cp1251High = [128]rune{
	0x0402, 0x0403, 0x201A, 0x0453, 0x201E, 0x2026, 0x2020, 0x2021,
	0x20AC, 0x2030, 0x0409, 0x2039, 0x040A, 0x040C, 0x040B, 0x040F,
	0x0452, 0x2018, 0x2019, 0x201C, 0x201D, 0x2022, 0x2013, 0x2014,
	0xFFFD, 0x2122, 0x0459, 0x203A, 0x045A, 0x045C, 0x045B, 0x045F,
	0x00A0, 0x040E, 0x045E, 0x0408, 0x00A4, 0x0490, 0x00A6, 0x00A7,
	0x0401, 0x00A9, 0x0404, 0x00AB, 0x00AC, 0x00AD, 0x00AE, 0x0407,
	0x00B0, 0x00B1, 0x0406, 0x0456, 0x0491, 0x00B5, 0x00B6, 0x00B7,
	0x0451, 0x2116, 0x0454, 0x00BB, 0x0458, 0x0405, 0x0455, 0x0457,
	0x0410, 0x0411, 0x0412, 0x0413, 0x0414, 0x0415, 0x0416, 0x0417,
	0x0418, 0x0419, 0x041A, 0x041B, 0x041C, 0x041D, 0x041E, 0x041F,
	0x0420, 0x0421, 0x0422, 0x0423, 0x0424, 0x0425, 0x0426, 0x0427,
	0x0428, 0x0429, 0x042A, 0x042B, 0x042C, 0x042D, 0x042E, 0x042F,
	0x0430, 0x0431, 0x0432, 0x0433, 0x0434, 0x0435, 0x0436, 0x0437,
	0x0438, 0x0439, 0x043A, 0x043B, 0x043C, 0x043D, 0x043E, 0x043F,
	0x0440, 0x0441, 0x0442, 0x0443, 0x0444, 0x0445, 0x0446, 0x0447,
	0x0448, 0x0449, 0x044A, 0x044B, 0x044C, 0x044D, 0x044E, 0x044F,
}

// cp1251Low — обратная таблица rune -> byte для диапазона 0x80..0xFF.
// Строится один раз при инициализации пакета.
var cp1251Low = func() map[rune]byte {
	m := make(map[rune]byte, 128)
	for i, r := range cp1251High {
		if r != 0xFFFD {
			m[r] = byte(i) + 0x80
		}
	}
	return m
}()

// DecodeWindows1251 преобразует байты в кодировке windows-1251 в UTF-8.
func DecodeWindows1251(src []byte) []byte {
	out := make([]byte, 0, len(src))
	var buf [utf8.UTFMax]byte
	for _, b := range src {
		var r rune
		if b < 0x80 {
			r = rune(b)
		} else {
			r = cp1251High[b-0x80]
		}
		n := utf8.EncodeRune(buf[:], r)
		out = append(out, buf[:n]...)
	}
	return out
}

// ErrUnmappable возвращается, когда руна не имеет представления в windows-1251.
var ErrUnmappable = errors.New("nsdxml: rune не представим в windows-1251")

// EncodeWindows1251 преобразует UTF-8 байты в windows-1251. Если в
// исходной строке встречается руна, не выразимая в CP1251, возвращает
// ErrUnmappable с указанием руны и смещения.
func EncodeWindows1251(src []byte) ([]byte, error) {
	out := make([]byte, 0, len(src))
	for i := 0; i < len(src); {
		r, size := utf8.DecodeRune(src[i:])
		if r == utf8.RuneError && size == 1 {
			return nil, fmt.Errorf("%w: некорректная UTF-8 последовательность на смещении %d", ErrUnmappable, i)
		}
		if r < 0x80 {
			out = append(out, byte(r))
		} else if b, ok := cp1251Low[r]; ok {
			out = append(out, b)
		} else {
			return nil, fmt.Errorf("%w: U+%04X на смещении %d", ErrUnmappable, r, i)
		}
		i += size
	}
	return out, nil
}

// CharsetReader пригоден к использованию в xml.Decoder.CharsetReader.
// Для charset "windows-1251" (регистронезависимо) возвращает io.Reader,
// который читает входной поток и отдаёт его в UTF-8. Для UTF-8 и
// неуказанного charset — пробрасывает входной поток без изменений.
func CharsetReader(charset string, input io.Reader) (io.Reader, error) {
	switch strings.ToLower(charset) {
	case "windows-1251", "cp1251":
		data, err := io.ReadAll(input)
		if err != nil {
			return nil, err
		}
		return bytes.NewReader(DecodeWindows1251(data)), nil
	case "", "utf-8", "utf8":
		return input, nil
	}
	return nil, fmt.Errorf("nsdxml: неизвестная кодировка %q", charset)
}

// Marshal сериализует v в XML, добавляет пролог с encoding="windows-1251"
// и преобразует поток в windows-1251.
func Marshal(v any) ([]byte, error) {
	utf8Body, err := xml.MarshalIndent(v, "", "\t")
	if err != nil {
		return nil, err
	}
	withProlog := append([]byte(xmlProlog), utf8Body...)
	return EncodeWindows1251(withProlog)
}

// Unmarshal разбирает XML (windows-1251 или UTF-8) в v. Использует
// CharsetReader для перекодирования входа, если в прологе указана
// windows-1251.
func Unmarshal(data []byte, v any) error {
	dec := xml.NewDecoder(bytes.NewReader(data))
	dec.CharsetReader = CharsetReader
	return dec.Decode(v)
}