source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4304

Last change on this file since 4304 was 4304, checked in by cameron, 5 years ago

NothingToRepeat? exception/error message.

File size: 12.5 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/re_parser.h>
8#include <re/re_alt.h>
9#include <re/re_end.h>
10#include <re/re_rep.h>
11#include <re/re_seq.h>
12#include <re/re_start.h>
13#include <re/re_diff.h>
14#include <re/re_intersect.h>
15#include <re/parsefailure.h>
16#include <algorithm>
17
18namespace re {
19
20RE * RE_Parser::parse(const std::string & regular_expression, const bool allow_escapes_within_charset) {
21    RE_Parser parser(regular_expression, allow_escapes_within_charset);
22    RE * re = parser.parse_alt(false);
23    if (re == nullptr) {
24        throw ParseFailure("An unexpected parsing error occurred!");
25    }
26    return re;
27}
28
29inline RE_Parser::RE_Parser(const std::string & regular_expression, const bool allow_escapes_within_charset)
30: _cursor(regular_expression.begin())
31, _end(regular_expression.end())
32, _allow_escapes_within_charset(allow_escapes_within_charset)
33{
34
35}
36
37RE * RE_Parser::parse_alt(const bool subexpression) {
38    std::vector<RE *> alt;
39    for (;;) {
40        alt.push_back(parse_seq());
41        if (_cursor == _end || *_cursor != '|') {
42            break;
43        }
44        ++_cursor; // advance past the alternation character '|'
45    }
46    if (alt.empty())
47    {
48        throw NoRegularExpressionFound();
49    }
50    else if (subexpression) {
51        if (_cursor == _end || *_cursor != ')') {
52            throw ParseFailure("Parenthesization error!");
53        }
54        ++_cursor;
55    }
56    else if (_cursor != _end) { // !subexpression
57        throw ParseFailure("Cannot fully parse statement!");
58    }
59    return makeAlt(alt.begin(), alt.end());
60}
61
62inline RE * RE_Parser::parse_seq() {
63    std::vector<RE *> seq;
64    for (;;) {
65        RE * re = parse_next_token();
66        if (re == nullptr) {
67            break;
68        }
69        seq.push_back(extend_item(re));
70    }
71    if (seq.empty())
72    {
73        throw NoRegularExpressionFound();
74    }
75    return makeSeq(seq.begin(), seq.end());
76}
77
78RE * RE_Parser::parse_next_token() {
79    RE * re = nullptr;
80    if (_cursor != _end) {
81        switch (*_cursor) {
82            case '(':
83                ++_cursor;
84                re = parse_alt(true);
85                break;
86            case '^':
87                ++_cursor;
88                re = makeStart();
89                break;
90            case '$':
91                ++_cursor;
92                re = makeEnd();
93                break;
94            case '|': case ')':
95                break;
96            case '*': case '+': case '?': case '{':
97                throw NothingToRepeat();
98            case ']': case '}':
99                throw ParseFailure("Illegal metacharacter usage!");
100            case '[':
101                re = parse_charset();
102                break;
103            case '.': // the 'any' metacharacter
104                re = parse_any_character();
105                break;
106            default:
107                re = parse_literal();
108                break;
109        }
110    }
111    return re;
112}
113
114Any * RE_Parser::parse_any_character() {
115    ++_cursor;
116    return makeAny();
117}
118
119RE * RE_Parser::extend_item(RE * re) {
120    if (_cursor == _end) {
121        return re;
122    }
123    switch (*_cursor) {
124        case '*':
125            ++_cursor; // skip past the '*'
126            re = makeRep(re, 0, Rep::UNBOUNDED_REP);
127            break;
128        case '?':
129            ++_cursor; // skip past the '?'
130            re = makeRep(re, 0, 1);
131            break;
132        case '+':
133            ++_cursor; // skip past the '+'
134            re = makeRep(re, 1, Rep::UNBOUNDED_REP);
135            break;
136        case '{':
137            re = parse_range_bound(re);
138            break;
139        default:
140            return re;
141    }
142    // this only occurs if we encountered one of the non-default cases above.
143    return extend_item(re);
144}
145
146inline RE * RE_Parser::parse_range_bound(RE * re) {
147    ++_cursor;
148    throw_incomplete_expression_error_if_end_of_stream();
149    RE * rep = nullptr;
150    unsigned lower_bound;
151    if (*_cursor == ',') {
152        ++_cursor;
153        lower_bound = 0;
154    }
155    else {
156        lower_bound = parse_int();
157    }
158    throw_incomplete_expression_error_if_end_of_stream();
159    if (*_cursor == '}') {
160        rep = makeRep(re, lower_bound, lower_bound);
161    }
162    else if (*_cursor != ',') {
163        throw BadLowerBound();
164    }
165    else { // [^,}]
166        ++_cursor;
167        throw_incomplete_expression_error_if_end_of_stream();
168        if (*_cursor == '}') {
169            rep = makeRep(re, lower_bound, Rep::UNBOUNDED_REP);
170        }
171        else {
172            const unsigned upper_bound = parse_int();
173            if (*_cursor != '}') {
174                throw BadUpperBound();
175            }
176            rep = makeRep(re, lower_bound, upper_bound);
177        }
178    }
179    ++_cursor;
180    return rep;
181}
182
183inline RE * RE_Parser::parse_literal() {
184    // handle the escaped metacharacter (assuming it is one)
185    if (*_cursor == '\\') {
186        return parse_escaped_metacharacter();
187    }
188    else {
189        return makeCC(parse_utf8_codepoint());
190    }
191}
192
193inline RE * RE_Parser::parse_escaped_metacharacter() {
194    ++_cursor;
195    throw_incomplete_expression_error_if_end_of_stream();
196    switch (*_cursor) {
197        case '(': case ')': case '*': case '+':
198        case '.': case '?': case '[': case '\\':
199        case ']': case '{': case '|': case '}':
200            return makeCC(*_cursor++);
201        case 'u':
202            return makeCC(parse_hex());
203        case 'P':
204            return makeDiff(makeAny(), parse_unicode_category());
205        case 'p':
206            return parse_unicode_category();
207    }
208    throw ParseFailure("Illegal backslash escape!");
209}
210
211unsigned RE_Parser::parse_utf8_codepoint() {
212    unsigned c = static_cast<unsigned>(*_cursor++);
213    if (c > 0x80) { // if non-ascii
214        if (c < 0xC2) {
215            throw InvalidUTF8Encoding();
216        }
217        else { // [0xC2, 0xFF]
218            unsigned bytes = 0;
219            if (c < 0xE0) { // [0xC2, 0xDF]
220                c &= 0x1F;
221                bytes = 1;
222            }
223            else if (c < 0xF0) { // [0xE0, 0xEF]
224                c &= 0x0F;
225                bytes = 2;
226            }
227            else { // [0xF0, 0xFF]
228                c &= 0x0F;
229                bytes = 3;
230            }
231            while (--bytes) {
232                if (++_cursor == _end || (*_cursor & 0xC0) != 0x80) {
233                    throw InvalidUTF8Encoding();
234                }
235                c = (c << 6) | static_cast<unsigned>(*_cursor & 0x3F);
236                // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
237                // or a 4-byte sequence is used to encode a codepoint < 0x10000.
238                // if (((bytes == 1) && (c < 0x20)) || ((bytes == 2) && (c < 0x10))) {
239                if ((c << (bytes - 1)) < 0x20) {
240                    throw InvalidUTF8Encoding();
241                }
242            }
243        }
244    }
245    // It is an error if a 4-byte sequence is used to encode a codepoint
246    // above the Unicode maximum.   
247    if (c > CC::UNICODE_MAX) {
248        throw InvalidUTF8Encoding();
249    }
250    return c;
251}
252
253Name * RE_Parser::parse_unicode_category() {
254    if (++_cursor != _end && *_cursor == '{') {
255        const cursor_t start = _cursor + 1;
256        for (;;) {
257            if (++_cursor == _end) {
258                throw UnclosedUnicodeCharacterClass();
259            }
260            if (*_cursor == '}') {
261                break;
262            }
263            ++_cursor;
264        }
265        return makeName(std::string(start, _cursor++), Name::Type::UnicodeCategory);
266    }
267    throw ParseFailure("Incorrect Unicode character class format!");
268}
269
270RE * RE_Parser::parse_charset() {
271    CC * cc = makeCC();
272    bool negated = false;
273    cursor_t start = ++_cursor;
274    while (_cursor != _end) {
275        bool literal = true;
276        switch (*_cursor) {
277            case '^':
278                // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
279                if ((start == _cursor) && !negated) {
280                    negated = true;
281                    start = ++_cursor; // move the start ahead in case the next character is a ] or -
282                    literal = false;                   
283                }
284                break;
285            case ']':
286                // To include a ], put it immediately after the opening [ or [^; if it occurs later it will
287                // close the bracket expression.
288                if (start == _cursor) {
289                    cc->insert(']');
290                    ++_cursor;
291                    literal = false;
292                    break;
293                }
294                ++_cursor;
295                if (negated) {
296                    return makeDiff(makeAny(), cc);
297                }
298                return cc;
299            // The hyphen (-) is not treated as a range separator if it appears first or last, or as the
300            // endpoint of a range.
301            case '-':
302                if (true) {
303                    literal = false;
304                    const cursor_t next = _cursor + 1;
305                    if (next == _end) {
306                        throw UnclosedCharacterClass();
307                    }
308                    if ((start == _cursor) ? (*next != '-') : (*next == ']')) {
309                        _cursor = next;
310                        cc->insert('-');
311                        break;
312                    }
313                }
314                throw ParseFailure("Invalid Lower Range Bound!");
315            // case ':':
316        }
317        if (literal) {
318            unsigned low;
319            if (parse_charset_literal(low)) {
320                // the previous literal allows for a - to create a range; test for it
321                if (_cursor == _end) {
322                    break; // out of loop to failure handling
323                }
324                if (*_cursor == '-') { // in range unless the next character is a ']'
325                    if (++_cursor == _end) {
326                        break; // out of loop to failure handling
327                    }
328                    if (*_cursor != ']') {
329                        unsigned high;
330                        if (!parse_charset_literal(high)) {
331                            throw ParseFailure("Invalid Upper Range Bound!");
332                        }
333                        cc->insert_range(low, high);
334                    }
335                    else {
336                        cc->insert(low);
337                        cc->insert('-');
338                    }
339                    continue;
340                }
341            }
342            cc->insert(low);
343        }
344    }
345    throw UnclosedCharacterClass();
346}
347
348inline bool RE_Parser::parse_charset_literal(unsigned & literal) {
349    if (_cursor == _end) {
350        return false;
351    }
352    if (*_cursor == '\\') {
353        if (++_cursor == _end) {
354            throw ParseFailure("Unknown charset escape!");
355        }
356        switch (*_cursor) {
357            case '(': case ')': case '*': case '+':
358            case '.': case '?': case '[': case '\\':
359            case ']': case '{': case '|': case '}':
360            case '-':
361                if (_allow_escapes_within_charset) {
362                    literal = *_cursor++;
363                    return true;
364                }
365                break;
366            case 'u':
367                literal = parse_hex();
368                return true;
369            // probably need to pass in the CC to handle \w, \s, etc...
370        }
371        throw ParseFailure("Unknown charset escape!");
372    }
373    else {
374        literal = parse_utf8_codepoint();
375        return true;
376    }
377    return false;
378}
379
380unsigned RE_Parser::parse_int() {
381    unsigned value = 0;
382    for (; _cursor != _end; ++_cursor) {
383        if (!isdigit(*_cursor)) {
384            break;
385        }
386        value *= 10;
387        value += static_cast<int>(*_cursor) - 48;
388    }
389    return value;
390}
391
392unsigned RE_Parser::parse_hex() {
393    if (++_cursor != _end && *_cursor == '{') {
394        unsigned value = 0;
395        for (++_cursor; _cursor != _end; ++_cursor) {
396            const char t = *_cursor;
397            if (t == '}') {
398                ++_cursor;
399                return value;
400            }
401            value *= 16;
402            if (t >= '0' && t <= '9') {
403                value |= (t - '0');
404            }
405            else if ((t | 32) >= 'a' && (t | 32) <= 'f') {
406                value |= ((t | 32) - 'a') + 10;
407            }
408            else {
409                break;
410            }
411        }
412    }
413    throw ParseFailure("Bad Unicode hex notation!");
414}
415
416inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
417    if (_cursor == _end) throw IncompleteRegularExpression();
418}
419
420}
Note: See TracBrowser for help on using the repository browser.