Skip to content

NEXT-mbstring.md

Latest commit

 

History

History
71 lines (60 loc) · 4.08 KB

NEXT-mbstring.md

File metadata and controls

71 lines (60 loc) · 4.08 KB
Raw

Design pass — mb_* (mbstring), batch 1 (UTF-8 core)

Generato con assistenza AI (Opus 4.8). Sbloccato dalla ricompilazione oracle con --enable-mbstring (vedi tooling-hardening). Oracle PHP 8.5.7, default mb_internal_encoding() == "UTF-8".

Filosofia / scoperta abilitante

mbstring ha ~80 funzioni; la maggioranza del valore reale è nelle funzioni stringa code-point su UTF-8. Scoperta chiave dalla recon: il case mapping Unicode di Rust std (char::to_uppercase/to_lowercase) combacia con PHP sui casi non banali — ß→SS, ı→I, İ→i̇ (i + U+0307, 2 cp), final-sigma ς→Σ. E str::chars() conta i code point come mb_strlen. Quindi gran parte del batch 1 è std-backed, zero tabelle esterne. Pattern builtin PURO (ABI fn(&[Zval], &mut Ctx), zero modifiche all'evaluator), come step 17/29.

Decisioni (D-MB)

  • D-MB1 — encoding: batch 1 supporta SOLO UTF-8 (+ alias UTF-8/utf-8/ UTF8; ASCII/US-ASCII come sottoinsieme UTF-8). Un encoding diverso → ValueError "mb_X(): Argument #N ($encoding) must be a valid encoding, "Y" given" (messaggio oracle-esatto). Scope-out dichiarato: encoding non-UTF-8 validi (Shift-JIS, EUC, …) li riportiamo come invalidi (divergenza documentata) finché non arriva encoding_rs in un batch successivo.
  • D-MB2 — code point unit: si interpreta il PhpStr (byte) come UTF-8. Helper cp_indices che cammina i byte e per ogni scalare UTF-8 valido emette 1 unità; ogni byte invalido = 1 unità (così mb_strlen("a\xFF\xFEb")==4 come oracle). Le funzioni operano su indici di unità → byte. Scope-out: il rendering esatto dei byte invalidi (sostituzione) può divergere; il conteggio/offset è corretto. Input UTF-8 valido (il 99% del corpus) è esatto.
  • D-MB3 — case mapping: deleghiamo a char::to_uppercase/to_lowercase (full Unicode). mb_convert_case: UPPER/LOWER/TITLE (TITLE = prima lettera di ogni "parola" maiuscola, resto minuscolo; boundary = transizione non-cased→cased, come PHP). FOLD → char::to_lowercase (approssimazione di case-folding; rivedere se il corpus lo richiede). *_SIMPLE (4-7) → mapping 1:1 senze espansione (scope-out iniziale, raro). Mode fuori range → ValueError "must be one of the MB_CASE_* constants".
  • D-MB4 — costanti: aggiungere MB_CASE_UPPER=0 / LOWER=1 / TITLE=2 / FOLD=3 / UPPER_SIMPLE=4 / LOWER_SIMPLE=5 / TITLE_SIMPLE=6 / FOLD_SIMPLE=7 a resolve_constant (lower.rs).
  • D-MB5 — modulo: nuovo php-builtins/src/mbstring.rs, registrato in lib.rs::registry() via add(b"mb_...", mbstring::...). Testato in php-builtins/tests/builtins.rs (registry COMPLETA).

Scope batch 1 (funzioni) + sotto-step TDD

  • mb-1 — core: mb_strlen, mb_substr (start/len negativi, len omessa), mb_str_split (len default 1, vuoto→[]) + helper cp_indices.
  • mb-2 — case: mb_strtoupper, mb_strtolower, mb_convert_case (UPPER/LOWER/TITLE), mb_ucfirst, mb_lcfirst (8.4).
  • mb-3 — search: mb_strpos/mb_stripos/mb_strrpos/mb_strripos (offset code-point, not-found→false), mb_strstr/mb_stristr/mb_strrchr/ mb_strrichr, mb_substr_count.
  • mb-4 — misc: mb_ord (vuoto→ValueError), mb_chr (fuori range→false), mb_str_pad (8.3), mb_trim/mb_ltrim/mb_rtrim (8.4), mb_check_encoding.

Scope-out dichiarato (batch ≥2 o mai)

  • mb_convert_encoding verso/da non-UTF-8 (serve encoding_rs).
  • mb_detect_encoding/mb_list_encodings/mb_encoding_aliases (euristiche/metadati).
  • mb_strwidth/mb_strimwidth/mb_strcut (tabelle East Asian width).
  • mb_ereg*/mb_split/mb_regex_* (oniguruma — famiglia regex separata).
  • mb_convert_kana, mb_encode/decode_mimeheader, *_numericentity, mb_send_mail, mb_parse_str, mb_http_*, mb_language, mb_internal_encoding/mb_detect_order/mb_substitute_character (stato/config; eventuale stub che ritorna "UTF-8").

Note tooling

Oracle a mano via file .php temp (non -r, mangia escaping su multibyte). Validare in php-builtins/tests/builtins.rs::out() (registry completa).