source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4249

Last change on this file since 4249 was 4249, checked in by nmedfort, 5 years ago

Big update to use CC_NameMap; removed CharClass? and RE_Reducer.

File size: 12.3 KB
Line 
1/*
2 *  Copyright (c) 2014 International Characters.
3 *  This software is licensed to the public under the Open Software License 3.0.
4 *  icgrep is a trademark of International Characters.
5 */
6
7#include "re_parser.h"
8#include "re_alt.h"
9#include "re_end.h"
10#include "re_rep.h"
11#include "re_seq.h"
12#include "re_start.h"
13#include "parsefailure.h"
14#include <algorithm>
15
16namespace re {
17
18RE * RE_Parser::parse(const std::string & regular_expression, const bool allow_escapes_within_charset) {
19    RE_Parser parser(regular_expression, allow_escapes_within_charset);
20    RE * re = parser.parse_alt(false);
21    if (re == nullptr) {
22        throw ParseFailure("An unexpected parsing error occurred!");
23    }
24    return re;
25}
26
27inline RE_Parser::RE_Parser(const std::string & regular_expression, const bool allow_escapes_within_charset)
28: _cursor(regular_expression.begin())
29, _end(regular_expression.end())
30, _allow_escapes_within_charset(allow_escapes_within_charset)
31{
32
33}
34
35RE * RE_Parser::parse_alt(const bool subexpression) {
36    std::vector<RE *> alt;
37    for (;;) {
38        alt.push_back(parse_seq());
39        if (_cursor == _end || *_cursor != '|') {
40            break;
41        }
42        ++_cursor; // advance past the alternation character '|'
43    }
44    if (alt.empty())
45    {
46        throw NoRegularExpressionFound();
47    }
48    else if (subexpression) {
49        if (_cursor == _end || *_cursor != ')') {
50            throw ParseFailure("Parenthesization error!");
51        }
52        ++_cursor;
53    }
54    else if (_cursor != _end) { // !subexpression
55        throw ParseFailure("Cannot fully parse statement!");
56    }
57    return makeAlt(alt.begin(), alt.end());
58}
59
60inline RE * RE_Parser::parse_seq() {
61    std::vector<RE *> seq;
62    for (;;) {
63        RE * re = parse_next_token();
64        if (re == nullptr) {
65            break;
66        }
67        seq.push_back(extend_item(re));
68    }
69    if (seq.empty())
70    {
71        throw NoRegularExpressionFound();
72    }
73    return makeSeq(seq.begin(), seq.end());
74}
75
76RE * RE_Parser::parse_next_token() {
77    RE * re = nullptr;
78    if (_cursor != _end) {
79        switch (*_cursor) {
80            case '(':
81                ++_cursor;
82                re = parse_alt(true);
83                break;
84            case '^':
85                ++_cursor;
86                re = makeStart();
87                break;
88            case '$':
89                ++_cursor;
90                re = makeEnd();
91                break;
92            case '|': case ')':
93                break;
94            case '*': case '+': case '?': case ']': case '{': case '}':
95                throw ParseFailure("Illegal metacharacter usage!");
96            case '[':
97                re = parse_charset();
98                break;
99            case '.': // the 'any' metacharacter
100                re = parse_any_character();
101                break;
102            default:
103                re = parse_literal();
104                break;
105        }
106    }
107    return re;
108}
109
110Any * RE_Parser::parse_any_character() {
111    ++_cursor;
112    return makeAny();
113}
114
115RE * RE_Parser::extend_item(RE * re) {
116    if (_cursor == _end) {
117        return re;
118    }
119    switch (*_cursor) {
120        case '*':
121            ++_cursor; // skip past the '*'
122            re = makeRep(re, 0, Rep::UNBOUNDED_REP);
123            break;
124        case '?':
125            ++_cursor; // skip past the '?'
126            re = makeRep(re, 0, 1);
127            break;
128        case '+':
129            ++_cursor; // skip past the '+'
130            re = makeRep(re, 1, Rep::UNBOUNDED_REP);
131            break;
132        case '{':
133            re = parse_range_bound(re);
134            break;
135        default:
136            return re;
137    }
138    // this only occurs if we encountered one of the non-default cases above.
139    return extend_item(re);
140}
141
142inline RE * RE_Parser::parse_range_bound(RE * re) {
143    ++_cursor;
144    throw_incomplete_expression_error_if_end_of_stream();
145    RE * rep = nullptr;
146    unsigned lower_bound;
147    if (*_cursor == ',') {
148        ++_cursor;
149        lower_bound = 0;
150    }
151    else {
152        lower_bound = parse_int();
153    }
154    throw_incomplete_expression_error_if_end_of_stream();
155    if (*_cursor == '}') {
156        rep = makeRep(re, lower_bound, lower_bound);
157    }
158    else if (*_cursor != ',') {
159        throw BadLowerBound();
160    }
161    else { // [^,}]
162        ++_cursor;
163        throw_incomplete_expression_error_if_end_of_stream();
164        if (*_cursor == '}') {
165            rep = makeRep(re, lower_bound, Rep::UNBOUNDED_REP);
166        }
167        else {
168            const unsigned upper_bound = parse_int();
169            if (*_cursor != '}') {
170                throw BadUpperBound();
171            }
172            rep = makeRep(re, lower_bound, upper_bound);
173        }
174    }
175    ++_cursor;
176    return rep;
177}
178
179inline RE * RE_Parser::parse_literal() {
180    // handle the escaped metacharacter (assuming it is one)
181    if (*_cursor == '\\') {
182        return parse_escaped_metacharacter();
183    }
184    else {
185        return makeCC(parse_utf8_codepoint());
186    }
187}
188
189inline RE * RE_Parser::parse_escaped_metacharacter() {
190    ++_cursor;
191    throw_incomplete_expression_error_if_end_of_stream();
192    bool negated = false;
193    switch (*_cursor) {
194        case '(': case ')': case '*': case '+':
195        case '.': case '?': case '[': case '\\':
196        case ']': case '{': case '|': case '}':
197            return makeCC(*_cursor++);
198        case 'u':
199            return makeCC(parse_hex());
200        case 'P':
201            negated = true;
202        case 'p':
203            return parse_unicode_category(negated);
204    }
205    throw ParseFailure("Illegal backslash escape!");
206}
207
208unsigned RE_Parser::parse_utf8_codepoint() {
209    unsigned c = static_cast<unsigned>(*_cursor++);
210    if (c > 0x80) { // if non-ascii
211        if (c < 0xC2) {
212            throw InvalidUTF8Encoding();
213        }
214        else { // [0xC2, 0xFF]
215            unsigned bytes = 0;
216            if (c < 0xE0) { // [0xC2, 0xDF]
217                c &= 0x1F;
218                bytes = 1;
219            }
220            else if (c < 0xF0) { // [0xE0, 0xEF]
221                c &= 0x0F;
222                bytes = 2;
223            }
224            else { // [0xF0, 0xFF]
225                c &= 0x0F;
226                bytes = 3;
227            }
228            while (--bytes) {
229                if (++_cursor == _end || (*_cursor & 0xC0) != 0x80) {
230                    throw InvalidUTF8Encoding();
231                }
232                c = (c << 6) | static_cast<unsigned>(*_cursor & 0x3F);
233                // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
234                // or a 4-byte sequence is used to encode a codepoint < 0x10000.
235                // if (((bytes == 1) && (c < 0x20)) || ((bytes == 2) && (c < 0x10))) {
236                if ((c << (bytes - 1)) < 0x20) {
237                    throw InvalidUTF8Encoding();
238                }
239            }
240        }
241    }
242    // It is an error if a 4-byte sequence is used to encode a codepoint
243    // above the Unicode maximum.   
244    if (c > CC::UNICODE_MAX) {
245        throw InvalidUTF8Encoding();
246    }
247    return c;
248}
249
250inline Name * RE_Parser::parse_unicode_category(const bool negated) {
251    if (++_cursor != _end && *_cursor == '{') {
252        const cursor_t start = _cursor + 1;
253        for (;;) {
254            if (++_cursor == _end) {
255                throw UnclosedUnicodeCharacterClass();
256            }
257            if (*_cursor == '}') {
258                break;
259            }
260            ++_cursor;
261        }
262        return makeName(std::string(start, _cursor++), negated, Name::Type::UnicodeCategory);
263    }
264    throw ParseFailure("Incorrect Unicode character class format!");
265}
266
267RE * RE_Parser::parse_charset() {
268    std::unique_ptr<CC> cc(makeCC());
269    bool negated = false;
270    cursor_t start = ++_cursor;
271    while (_cursor != _end) {
272        bool literal = true;
273        switch (*_cursor) {
274            case '^':
275                // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
276                if ((start == _cursor) && !negated) {
277                    negated = true;
278                    start = ++_cursor; // move the start ahead in case the next character is a ] or -
279                    literal = false;                   
280                }
281                break;
282            case ']':
283                // To include a ], put it immediately after the opening [ or [^; if it occurs later it will
284                // close the bracket expression.
285                if (start == _cursor) {
286                    cc->insert(']');
287                    ++_cursor;
288                    literal = false;
289                    break;
290                }
291                if (negated) {
292                    negate_cc(cc);
293                }
294                ++_cursor;
295                return cc.release();
296            // The hyphen (-) is not treated as a range separator if it appears first or last, or as the
297            // endpoint of a range.
298            case '-':
299                if (true) {
300                    literal = false;
301                    const cursor_t next = _cursor + 1;
302                    if (next == _end) {
303                        throw UnclosedCharacterClass();
304                    }
305                    if ((start == _cursor) ? (*next != '-') : (*next == ']')) {
306                        _cursor = next;
307                        cc->insert('-');
308                        break;
309                    }
310                }
311                throw ParseFailure("Invalid Lower Range Bound!");
312            // case ':':
313        }
314        if (literal) {
315            unsigned low;
316            if (parse_charset_literal(low)) {
317                // the previous literal allows for a - to create a range; test for it
318                if (_cursor == _end) {
319                    break; // out of loop to failure handling
320                }
321                if (*_cursor == '-') { // in range unless the next character is a ']'
322                    if (++_cursor == _end) {
323                        break; // out of loop to failure handling
324                    }
325                    if (*_cursor != ']') {
326                        unsigned high;
327                        if (!parse_charset_literal(high)) {
328                            throw ParseFailure("Invalid Upper Range Bound!");
329                        }
330                        cc->insert_range(low, high);
331                    }
332                    continue;
333                }
334            }
335            cc->insert(low);
336        }
337    }
338    throw UnclosedCharacterClass();
339}
340
341inline bool RE_Parser::parse_charset_literal(unsigned & literal) {
342    if (_cursor == _end) {
343        return false;
344    }
345    if (*_cursor == '\\') {
346        if (++_cursor == _end) {
347            throw ParseFailure("Unknown charset escape!");
348        }
349        switch (*_cursor) {
350            case '(': case ')': case '*': case '+':
351            case '.': case '?': case '[': case '\\':
352            case ']': case '{': case '|': case '}':
353            case '-':
354                if (_allow_escapes_within_charset) {
355                    literal = *_cursor++;
356                    return true;
357                }
358                break;
359            case 'u':
360                literal = parse_hex();
361                return true;
362            // probably need to pass in the CC to handle \w, \s, etc...
363        }
364        throw ParseFailure("Unknown charset escape!");
365    }
366    else {
367        literal = parse_utf8_codepoint();
368        return true;
369    }
370    return false;
371}
372
373unsigned RE_Parser::parse_int() {
374    unsigned value = 0;
375    for (; _cursor != _end; ++_cursor) {
376        if (!isdigit(*_cursor)) {
377            break;
378        }
379        value *= 10;
380        value += static_cast<int>(*_cursor) - 48;
381    }
382    return value;
383}
384
385unsigned RE_Parser::parse_hex() {
386    if (++_cursor != _end && *_cursor == '{') {
387        unsigned value = 0;
388        for (++_cursor; _cursor != _end; ++_cursor) {
389            const char t = *_cursor;
390            if (t == '}') {
391                ++_cursor;
392                return value;
393            }
394            value *= 16;
395            if (t >= '0' && t <= '9') {
396                value |= (t - '0');
397            }
398            else if ((t | 32) >= 'a' && (t | 32) <= 'f') {
399                value |= ((t | 32) - 'a') + 10;
400            }
401            else {
402                break;
403            }
404        }
405    }
406    throw ParseFailure("Bad Unicode hex notation!");
407}
408
409inline void RE_Parser::negate_cc(std::unique_ptr<CC> & cc) {
410    cc->negate();
411    cc->remove(10);
412}
413
414inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
415    if (_cursor == _end) throw IncompleteRegularExpression();
416}
417
418}
Note: See TracBrowser for help on using the repository browser.