source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4316

Last change on this file since 4316 was 4316, checked in by cameron, 5 years ago

Case insensitive matching - initial check in.

File size: 28.1 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_name.h>
9#include <re/re_alt.h>
10#include <re/re_end.h>
11#include <re/re_rep.h>
12#include <re/re_seq.h>
13#include <re/re_start.h>
14#include <re/re_diff.h>
15#include <re/re_intersect.h>
16#include <re/parsefailure.h>
17#include <UCD/CaseFolding_txt.h>
18#include <algorithm>
19
20
21// It would probably be best to enforce that {}, [], () must always
22// be balanced.   But legacy syntax allows } and ] to occur as literals
23// in certain contexts (no opening { or [, or immediately after [ or [^ ).
24// Perhaps this define should become a parameter.
25#define LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED true
26#define LEGACY_UNESCAPED_HYPHEN_ALLOWED true
27
28
29namespace re {
30
31RE * RE_Parser::parse(const std::string & regular_expression) {
32    RE_Parser parser(regular_expression);
33    RE * re = parser.parse_RE();
34    if (re == nullptr) {
35        throw ParseFailure("An unexpected parsing error occurred!");
36    }
37    return re;
38}
39
40inline RE_Parser::RE_Parser(const std::string & regular_expression)
41: _cursor(regular_expression.begin())
42, _end(regular_expression.end())
43, fModeFlagSet(0)
44{
45
46}
47
48RE * makeLookAheadAssertion(RE * r) {
49    throw ParseFailure("Lookahead assertion not supported.");
50}
51
52RE * makeNegativeLookAheadAssertion(RE * r) {
53    throw ParseFailure("Lookahead assertion not supported.");
54}
55
56RE * makeLookBehindAssertion(RE * r) {
57    throw ParseFailure("Lookbehind assertion not supported.");
58}
59
60RE * makeNegativeLookBehindAssertion(RE * r) {
61    throw ParseFailure("Lookbehind assertion not supported.");
62}
63
64RE * makeAtomicGroup(RE * r) {
65    throw ParseFailure("Atomic grouping not supported.");
66}
67
68RE * makeBranchResetGroup(RE * r) {
69    // Branch reset groups only affect submatch numbering, but
70    // this has no effect in icgrep.
71    return r;
72}
73   
74RE * RE_Parser::parse_RE() {
75    RE * r = parse_alt();
76    if (_cursor != _end) { 
77        throw ParseFailure("Unrecognized junk remaining at end of regexp");
78    }
79    return r;
80}
81
82RE * RE_Parser::parse_alt() {
83    std::vector<RE *> alt;
84    for (;;) {
85        alt.push_back(parse_seq());
86        if (_cursor == _end || *_cursor != '|') {
87            break;
88        }
89        ++_cursor; // advance past the alternation character '|'
90    }
91    if (alt.empty())
92    {
93        throw NoRegularExpressionFound();
94    }
95    return makeAlt(alt.begin(), alt.end());
96}
97
98inline RE * RE_Parser::parse_seq() {
99    std::vector<RE *> seq;
100    for (;;) {
101        RE * re = parse_next_item();
102        if (re == nullptr) {
103            break;
104        }
105        seq.push_back(extend_item(re));
106    }
107    if (seq.empty())
108    {
109        throw NoRegularExpressionFound();
110    }
111    return makeSeq(seq.begin(), seq.end());
112}
113
114RE * RE_Parser::parse_next_item() {
115    RE * re = nullptr;
116    if (_cursor != _end) {
117        switch (*_cursor) {
118            case '(':
119                ++_cursor;
120                return parse_group();
121            case '^':
122                ++_cursor;
123                return makeStart();
124            case '$':
125                ++_cursor;
126                return makeEnd();
127            case '|': case ')':
128                return nullptr;  // This is ugly.
129            case '*': case '+': case '?': case '{':
130                throw NothingToRepeat();
131            case ']': case '}':
132                if (LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
133                    return build_CC(parse_utf8_codepoint());
134                }
135                else throw ParseFailure("Use  \\] or \\} for literal ] or }.");
136            case '[':
137                _cursor++;
138                return parse_charset();
139            case '.': // the 'any' metacharacter
140                _cursor++;
141                return makeAny();
142            case '\\'// escape processing
143                ++_cursor;
144                return parse_escaped();
145            default:
146                return build_CC(parse_utf8_codepoint());
147        }
148    }
149    return re;
150}
151   
152   
153// Parse some kind of parenthesized group.  Input precondition: _cursor
154// after the (
155RE * RE_Parser::parse_group() {
156    RE * subexpr;
157    RE * group_expr;
158    ModeFlagSet savedModeFlags = fModeFlagSet;
159    throw_incomplete_expression_error_if_end_of_stream();
160    if (*_cursor == '?') {
161        ++_cursor;
162        throw_incomplete_expression_error_if_end_of_stream();
163        switch (*_cursor) {
164            case '#'// comment
165                ++_cursor;
166                while (_cursor != _end && *_cursor != ')') {
167                    ++_cursor;
168                }
169                throw_incomplete_expression_error_if_end_of_stream();
170                ++_cursor;
171                return parse_next_item();
172            case ':':  // Non-capturing paren
173                ++_cursor;
174                group_expr = parse_alt();
175                break;
176            case '=':
177                ++_cursor;
178                subexpr = parse_alt();
179                group_expr = makeLookAheadAssertion(subexpr);
180                break;
181            case '!':
182                ++_cursor;
183                subexpr = parse_alt();
184                group_expr = makeNegativeLookAheadAssertion(subexpr);
185                break;
186            case '>':
187                ++_cursor;
188                subexpr = parse_alt();
189                group_expr = makeAtomicGroup(subexpr);
190                break;
191            case '|':
192                ++_cursor;
193                subexpr = parse_alt();
194                group_expr = makeBranchResetGroup(subexpr);
195                break;
196            case '<':
197                ++_cursor;
198                throw_incomplete_expression_error_if_end_of_stream();
199                if (*_cursor == '=') {
200                    subexpr = parse_alt();
201                    group_expr = makeLookBehindAssertion(subexpr);
202                }
203                else if (*_cursor == '!') {
204                    subexpr = parse_alt();
205                    group_expr = makeNegativeLookBehindAssertion(subexpr);
206                }
207                else {
208                    throw ParseFailure("Illegal lookbehind assertion syntax.");
209                }
210                break;
211            case '-': case 'd' : case 'i': case 'm': case 's': case 'x': {
212                bool negateMode = false;
213                ModeFlagType modeBit;
214                while (_cursor != _end && *_cursor != ')' && *_cursor != ':') {
215                    if (*_cursor == '-') {
216                        negateMode = true;
217                        _cursor++;
218                        throw_incomplete_expression_error_if_end_of_stream();
219                    }
220                    switch (*_cursor++) {
221                        case 'i': modeBit = CASE_INSENSITIVE_MODE_FLAG; break;
222                        case 'm': modeBit = MULTILINE_MODE_FLAG; break;
223                        case 's': modeBit = DOTALL_MODE_FLAG; break;
224                        case 'x': modeBit = IGNORE_SPACE_MODE_FLAG; break;
225                        case 'd': modeBit = UNIX_LINES_MODE_FLAG; break;
226                        default: throw ParseFailure("Unrecognized mode flag.");
227                    }
228                    if (negateMode) {
229                        fModeFlagSet &= ~modeBit;
230                        negateMode = false;  // for next flag
231                    }
232                    else fModeFlagSet |= modeBit;
233                }
234                throw_incomplete_expression_error_if_end_of_stream();
235                std::cerr << "New fModeFlagSet " << fModeFlagSet << " ignored.\n";
236                if (*_cursor == ':') {
237                    ++_cursor;
238                    group_expr = parse_alt();
239                }
240                else {  // if *_cursor == ')'
241                    ++_cursor;
242                    // return immediately without restoring mode flags
243                    return parse_next_item();
244                }
245                break;
246            }
247            default:
248                throw ParseFailure("Illegal (? syntax.");
249        }
250    }
251    else {
252        // Capturing paren group, but ignore capture in icgrep.
253        group_expr = parse_alt();
254    }
255    // Restore mode flags.
256    fModeFlagSet = savedModeFlags;
257    if (_cursor == _end || *_cursor++ != ')')
258        throw ParseFailure("Closing paren required.");
259    return group_expr;
260}
261   
262RE * RE_Parser::extend_item(RE * re) {
263    int lower_bound, upper_bound;
264    if (_cursor == _end) {
265        return re;
266    }
267    switch (*_cursor) {
268        case '*':
269            lower_bound = 0;
270            upper_bound = Rep::UNBOUNDED_REP;
271            break;
272        case '?':
273            lower_bound = 0;
274            upper_bound = 1;
275            break;
276        case '+':
277            lower_bound = 1;
278            upper_bound = Rep::UNBOUNDED_REP;
279            break;
280        case '{':
281            parse_range_bound(lower_bound, upper_bound);
282            break;
283        default:
284            return re;
285    }
286    ++_cursor;
287    if (*_cursor == '?') {
288        // Non-greedy qualifier
289        ++_cursor;
290        //return makeNonGreedyRep(re, lower_bound, upper_bound);
291        // Greedy vs. non-greedy makes no difference for icgrep.
292        return makeRep(re, lower_bound, upper_bound);
293    }
294    else if (*_cursor == '+') {
295        // Possessive qualifier
296        ++_cursor;
297        //return makePossessiveRep(re, lower_bound, upper_bound);
298        throw ParseFailure("Possessive repetition is not supported in icgrep 1.0");
299    }
300    else {
301        // Normal repetition operator.
302        return makeRep(re, lower_bound, upper_bound);
303    }
304}
305
306inline void RE_Parser::parse_range_bound(int & lower_bound, int & upper_bound) {
307    ++_cursor;
308    throw_incomplete_expression_error_if_end_of_stream();
309    RE * rep = nullptr;
310    if (*_cursor == ',') {
311        ++_cursor;
312        lower_bound = 0;
313    }
314    else {
315        lower_bound = parse_int();
316    }
317    throw_incomplete_expression_error_if_end_of_stream();
318    if (*_cursor == '}') {
319        upper_bound = lower_bound;
320    }
321    else if (*_cursor != ',') {
322        throw BadLowerBound();
323    }
324    else { // [^,}]
325        ++_cursor;
326        throw_incomplete_expression_error_if_end_of_stream();
327        if (*_cursor == '}') {
328            upper_bound = Rep::UNBOUNDED_REP;
329        }
330        else {
331            upper_bound = parse_int();
332            if (*_cursor != '}') {
333                throw BadUpperBound();
334            }
335        }
336    }
337}
338
339unsigned RE_Parser::parse_int() {
340    unsigned value = 0;
341    for (; _cursor != _end; ++_cursor) {
342        if (!isdigit(*_cursor)) {
343            break;
344        }
345        value *= 10;
346        value += static_cast<int>(*_cursor) - 48;
347    }
348    return value;
349}
350
351
352#define bit40(x) (1ULL << ((x) - 0x40))
353const uint64_t setEscapeCharacters = bit40('p') | bit40('d') | bit40('w') | bit40('s') | bit40('P') | bit40('D') | bit40('W') | bit40('S');
354
355inline bool isSetEscapeChar(char c) {
356    return c >= 0x40 && c <= 0x7F && ((setEscapeCharacters >> (c - 0x40)) & 1) == 1;
357}
358
359inline RE * RE_Parser::parse_escaped() {
360    throw_incomplete_expression_error_if_end_of_stream();
361    if (isSetEscapeChar(*_cursor)) 
362      return parse_escaped_set();
363    else 
364      return build_CC(parse_escaped_codepoint());
365}
366
367RE * makeDigitSet() {
368  return makeName("Nd", Name::Type::UnicodeCategory);
369}
370
371RE * makeWhitespaceSet() {
372  throw ParseFailure("\\s not implemented.");
373}
374
375RE * makeWordSet() {
376  throw ParseFailure("\\w not implemented.");
377}
378
379RE * makeComplement(RE * s) {
380  return makeDiff(makeAny(), s);
381}
382
383RE * RE_Parser::parse_escaped_set() {
384    bool complemented = false;
385    RE * s;
386    switch (*_cursor) {
387        case 'd':
388            ++_cursor;
389            return makeDigitSet();
390        case 'D':
391            ++_cursor;
392            return makeComplement(makeDigitSet());
393        case 's':
394            ++_cursor;
395            return makeWhitespaceSet();
396        case 'S':
397            ++_cursor;
398            return makeComplement(makeWhitespaceSet());
399        case 'w':
400            ++_cursor;
401            return makeWordSet();
402        case 'W':
403            ++_cursor;
404            return makeComplement(makeWordSet());
405        case 'P':
406            complemented = true;
407        case 'p':
408            ++_cursor;
409            if (_cursor == _end || *_cursor != '{') throw ParseFailure("Malformed property expression");
410            ++_cursor;
411            s = parse_property_expression();
412            if (_cursor == _end || *_cursor != '}') throw ParseFailure("Malformed property expression");
413            ++_cursor;
414            if (complemented) return makeComplement(s);
415            else return s;
416        default:
417            throw ParseFailure("Internal error");
418    }
419}
420
421codepoint_t RE_Parser::parse_utf8_codepoint() {
422    codepoint_t c = static_cast<codepoint_t>(*_cursor++);
423    if (c > 0x80) { // if non-ascii
424        if (c < 0xC2) {
425            throw InvalidUTF8Encoding();
426        }
427        else { // [0xC2, 0xFF]
428            unsigned bytes = 0;
429            if (c < 0xE0) { // [0xC2, 0xDF]
430                c &= 0x1F;
431                bytes = 1;
432            }
433            else if (c < 0xF0) { // [0xE0, 0xEF]
434                c &= 0x0F;
435                bytes = 2;
436            }
437            else { // [0xF0, 0xFF]
438                c &= 0x0F;
439                bytes = 3;
440            }
441            while (--bytes) {
442                if (++_cursor == _end || (*_cursor & 0xC0) != 0x80) {
443                    throw InvalidUTF8Encoding();
444                }
445                c = (c << 6) | static_cast<codepoint_t>(*_cursor & 0x3F);
446                // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
447                // or a 4-byte sequence is used to encode a codepoint < 0x10000.
448                // if (((bytes == 1) && (c < 0x20)) || ((bytes == 2) && (c < 0x10))) {
449                if ((c << (bytes - 1)) < 0x20) {
450                    throw InvalidUTF8Encoding();
451                }
452            }
453        }
454    }
455    // It is an error if a 4-byte sequence is used to encode a codepoint
456    // above the Unicode maximum.   
457    if (c > CC::UNICODE_MAX) {
458        throw InvalidUTF8Encoding();
459    }
460    return c;
461}
462
463Name * RE_Parser::parse_property_expression() {
464    const cursor_t start = _cursor;
465    while (_cursor != _end && *_cursor != '}' and *_cursor != ':') {
466        _cursor++;
467    }
468    return makeName(std::string(start, _cursor), Name::Type::UnicodeCategory);
469}
470   
471CharsetOperatorKind RE_Parser::getCharsetOperator() {
472    throw_incomplete_expression_error_if_end_of_stream();
473    switch (*_cursor) {
474        case '&':
475            ++_cursor;
476            if (_cursor != _end && *_cursor == '&') {
477                ++_cursor;
478                return intersectOp;
479            }
480            else if (_cursor != _end && *_cursor == '[') {
481                // Short-hand for intersectOp when a set follows
482                return intersectOp;
483            }
484            else return ampChar;
485        case '-':
486            ++_cursor;
487            if (_cursor != _end && *_cursor == '-') {
488                ++_cursor;
489                return setDiffOp;
490            }
491            else if (_cursor != _end && *_cursor == '[') {
492                return setDiffOp;
493            }
494            else if (_cursor != _end && *_cursor == ']') {
495                return hyphenChar;
496            }
497            else return rangeHyphen;
498        case '[':
499            ++_cursor;
500            if (_cursor != _end && *_cursor == ':') {
501                ++_cursor;
502                return posixPropertyOpener;
503            }
504            else return setOpener;
505        case ']':
506            ++_cursor;
507            return setCloser;
508        case '\\':
509            ++_cursor;
510            return backSlash;
511        default:
512            return emptyOperator;
513    }
514}           
515   
516// Precondition: cursor is immediately after opening '[' character
517RE * RE_Parser::parse_charset() {
518    // Sets are accumulated using two variables:
519    // subexprs accumulates set expressions such as \p{Lu}, [\w && \p{Greek}]
520    // cc accumulates the literal and calculated codepoints and ranges
521    std::vector<RE *> subexprs;
522    CC * cc = makeCC();
523    // When the last item deal with is a single literal charcacter or calculated codepoint,
524    // a following hyphen can indicate a range.   When the last item is a set subexpression,
525    // a following hyphen can indicate set subtraction.
526    enum {NoItem, CodepointItem, RangeItem, SetItem, BrackettedSetItem} lastItemKind = NoItem;
527    codepoint_t lastCodepointItem;
528   
529    bool havePendingOperation = false;
530    CharsetOperatorKind pendingOperationKind;
531    RE * pendingOperand;
532   
533    // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
534    bool negated = false;
535    if (_cursor != _end && *_cursor == '^') {
536      negated = true;
537      ++_cursor;
538    }
539    throw_incomplete_expression_error_if_end_of_stream();
540    // Legacy rule: an unescaped ] may appear as a literal set character
541    // if and only if it appears immediately after the opening [ or [^
542    if ( *_cursor == ']' && LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
543        cc->insert(']');
544        lastItemKind = CodepointItem;
545        lastCodepointItem = static_cast<codepoint_t> (']');
546        ++_cursor;
547    }
548    else if ( *_cursor == '-' && LEGACY_UNESCAPED_HYPHEN_ALLOWED) {
549        ++_cursor;
550        cc->insert('-');
551        lastItemKind = CodepointItem;
552        lastCodepointItem = static_cast<codepoint_t> ('-');
553                if (*_cursor == '-') throw ParseFailure("Set operator has no left operand.");
554    }
555    while (_cursor != _end) {
556        CharsetOperatorKind op = getCharsetOperator();
557        switch (op) {
558            case intersectOp: case setDiffOp: {
559                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no left operand.");
560                if (cc->begin() != cc->end()) subexprs.push_back(cc);
561                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
562                subexprs.clear();
563                cc = makeCC();
564                if (havePendingOperation) {
565                    if (pendingOperationKind == intersectOp) {
566                        pendingOperand = makeIntersect(pendingOperand, newOperand);
567                    }
568                    else {
569                        pendingOperand = makeDiff(pendingOperand, newOperand);
570                    }
571                }
572                else {
573                    pendingOperand = newOperand;
574                }
575                havePendingOperation = true;
576                pendingOperationKind = op;
577                lastItemKind = NoItem;
578            }
579            break;
580            case setCloser: {
581                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no right operand.");
582                if (cc->begin() != cc->end()) subexprs.push_back(cc);
583                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
584                if (havePendingOperation) {
585                    if (pendingOperationKind == intersectOp) {
586                        newOperand = makeIntersect(pendingOperand, newOperand);
587                    }
588                    else {
589                        newOperand = makeDiff(pendingOperand, newOperand);
590                    }
591                }
592                if (negated) return makeComplement(newOperand); 
593                else return newOperand;
594            }
595            case setOpener: case posixPropertyOpener: {
596                if (lastItemKind != NoItem) {
597                    if (cc->begin() != cc->end()) subexprs.push_back(cc);
598                    RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
599                    subexprs.clear();
600                    cc = makeCC();
601                    if (havePendingOperation) {
602                        if (pendingOperationKind == intersectOp) {
603                            pendingOperand = makeIntersect(pendingOperand, newOperand);
604                        }
605                        else {
606                            pendingOperand = makeDiff(pendingOperand, newOperand);
607                        }
608                    }
609                    else {
610                        pendingOperand = newOperand;
611                    }
612                    subexprs.push_back(pendingOperand);
613                    havePendingOperation = false;
614                }
615                if (op == setOpener) {
616                    subexprs.push_back(parse_charset());
617                    lastItemKind = SetItem;
618                }
619                else if (op == posixPropertyOpener) {
620                    bool negated = false;
621                    if (*_cursor == '^') {
622                        negated = true;
623                        _cursor++;
624                    }
625                    RE * posixSet = parse_property_expression();
626                    if (negated) posixSet = makeComplement(posixSet);
627                    subexprs.push_back(posixSet);
628                    lastItemKind = BrackettedSetItem;
629                    if (_cursor == _end || *_cursor++ != ':' || _cursor == _end || *_cursor++ != ']')
630                        throw ParseFailure("Posix set expression improperly terminated.");
631                }
632            }
633            break;
634            case rangeHyphen:
635                if (lastItemKind != CodepointItem) throw ParseFailure("Range operator - has illegal left operand.");
636                CC_add_range(cc, lastCodepointItem, parse_codepoint());
637                lastItemKind = RangeItem;
638                break;
639            case hyphenChar:
640                cc->insert('-'); 
641                lastItemKind = CodepointItem;
642                lastCodepointItem = static_cast<codepoint_t> ('-');
643                break;
644            case ampChar:
645                cc->insert('&'); 
646                lastItemKind = CodepointItem;
647                lastCodepointItem = static_cast<codepoint_t> ('&');
648                break;
649            case backSlash:
650                throw_incomplete_expression_error_if_end_of_stream();
651                if (isSetEscapeChar(*_cursor)) {
652                    subexprs.push_back(parse_escaped_set());
653                    lastItemKind = SetItem;
654                }
655                else {
656                    lastCodepointItem = parse_escaped_codepoint();
657                    CC_add_codepoint(cc, lastCodepointItem);
658                    lastItemKind = CodepointItem;
659                }
660                break;
661            case emptyOperator:
662                lastCodepointItem = parse_utf8_codepoint();
663                CC_add_codepoint(cc, lastCodepointItem);
664                lastItemKind = CodepointItem;
665                break;
666        }
667    }
668    throw ParseFailure("Set expression not properly terminated.");
669}
670
671
672codepoint_t RE_Parser::parse_codepoint() {
673    if (_cursor != _end && *_cursor == '\\') {
674        _cursor++;
675        return parse_escaped_codepoint();
676    }
677    else {
678        return parse_utf8_codepoint();
679    }
680}
681
682// A backslash escape was found, and various special cases (back reference,
683// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S), grapheme
684// cluster \X have been ruled out.
685// It may be one of several possibilities or an error sequence.
686// 1. Special control codes (\a, \b, \e, \f, \n, \r, \t, \v)
687// 2. General control codes c[@-_a-z?]
688// 3. Restricted octal notation 0 - 0777
689// 4. General octal notation o\{[0-7]+\}
690// 5. General hex notation x\{[0-9A-Fa-f]+\}
691// 6. An error for any unrecognized alphabetic escape
692// 7. An escaped ASCII symbol, standing for itself
693
694codepoint_t RE_Parser::parse_escaped_codepoint() {
695    codepoint_t cp_value;
696    throw_incomplete_expression_error_if_end_of_stream();
697    switch (*_cursor) {
698        case 'a': ++_cursor; return 0x07; // BEL
699        case 'b': ++_cursor; return 0x08; // BS
700        case 'e': ++_cursor; return 0x1B; // ESC
701        case 'f': ++_cursor; return 0x0C; // FF
702        case 'n': ++_cursor; return 0x0A; // LF
703        case 'r': ++_cursor; return 0x0D; // CR
704        case 't': ++_cursor; return 0x09; // HT
705        case 'v': ++_cursor; return 0x0B; // VT
706        case 'c': // Control-escape based on next char
707            ++_cursor;
708            throw_incomplete_expression_error_if_end_of_stream();
709            // \c@, \cA, ... \c_, or \ca, ..., \cz
710            if (((*_cursor >= '@') && (*_cursor <= '_')) || ((*_cursor >= 'a') && (*_cursor <= 'z'))) {
711                cp_value = static_cast<codepoint_t>(*_cursor & 0x1F);
712                _cursor++;
713                return cp_value;
714            }
715            else if (*_cursor++ == '?') return 0x7F;  // \c? ==> DEL
716            else throw("Illegal \\c escape sequence");
717        case '0': // Octal escape:  0 - 0377
718            ++_cursor;
719            return parse_octal_codepoint(0,3);
720        case 'o':
721            ++_cursor;
722            throw_incomplete_expression_error_if_end_of_stream();
723            if (*_cursor == '{') {
724                ++_cursor;
725                cp_value = parse_octal_codepoint(1, 7);
726                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed octal escape sequence");
727                return cp_value;
728            }
729            else {
730                throw ParseFailure("Malformed octal escape sequence");
731            }
732        case 'x':
733            ++_cursor;
734            throw_incomplete_expression_error_if_end_of_stream();
735            if (*_cursor == '{') {
736              ++_cursor;
737              cp_value = parse_hex_codepoint(1, 6);
738              if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
739              return cp_value;
740            }
741            else {
742                return parse_hex_codepoint(1,2);  // ICU compatibility
743            }
744        case 'u':
745            ++_cursor;
746            throw_incomplete_expression_error_if_end_of_stream();
747            if (*_cursor == '{') {
748                ++_cursor;
749                cp_value = parse_hex_codepoint(1, 6);
750                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
751                return cp_value;
752            }
753            else {
754                return parse_hex_codepoint(4,4);  // ICU compatibility
755            }
756        case 'U':
757            ++_cursor;
758            return parse_hex_codepoint(8,8);  // ICU compatibility
759        case 'N':
760            ++_cursor;
761            throw ParseFailure("\\N{...} character name syntax not yet supported.");
762
763        default:
764            // Escaped letters should be reserved for special functions.
765            if (((*_cursor >= 'A') && (*_cursor <= 'Z')) || ((*_cursor >= 'a') && (*_cursor <= 'z')))
766                throw ParseFailure("Undefined or unsupported escape sequence");
767            else if ((*_cursor < 0x20) || (*_cursor >= 0x7F))
768                throw ParseFailure("Illegal escape sequence");
769            else return static_cast<codepoint_t>(*_cursor++);
770    }
771}
772
773
774codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
775    codepoint_t value = 0;
776    int count = 0;
777    while (_cursor != _end && count < maxdigits) {
778        const char t = *_cursor;
779        if (t < '0' || t > '7') {
780            break;
781        }
782        value = value * 8 | (t - '0');
783        ++_cursor;
784        ++count;
785    }
786    if (count < mindigits) throw ParseFailure("Octal sequence has too few digits");
787    if (value > CC::UNICODE_MAX) throw ParseFailure("Octal value too large");
788    return value;
789}
790
791codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
792    codepoint_t value = 0;
793    int count = 0;
794    while (_cursor != _end && isxdigit(*_cursor) && count < maxdigits) {
795        const char t = *_cursor;
796        if (isdigit(t)) {
797            value = (value * 16) | (t - '0');
798        }
799        else {   
800            value = (value * 16) | ((t | 32) - 'a') + 10;
801        }
802        ++_cursor;
803        ++count;
804    }
805    if (count < mindigits) throw ParseFailure("Hexadecimal sequence has too few digits");
806    if (value > CC::UNICODE_MAX) throw ParseFailure("Hexadecimal value too large");
807    return value;
808}
809
810
811inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
812    if (_cursor == _end) throw IncompleteRegularExpression();
813}
814
815CC * RE_Parser::build_CC(codepoint_t cp) {
816    CC * cc = makeCC();
817    CC_add_codepoint(cc, cp);
818    return cc;
819}
820
821void RE_Parser::CC_add_codepoint(CC * cc, codepoint_t cp) {
822    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
823        caseInsensitiveInsert(cc, cp);
824    }
825    else cc->insert(cp);
826}
827
828void RE_Parser::CC_add_range(CC * cc, codepoint_t lo, codepoint_t hi) {
829    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
830        caseInsensitiveInsertRange(cc, lo, hi);
831    }
832    else cc-> insert_range(lo, hi);
833}
834   
835   
836}
Note: See TracBrowser for help on using the repository browser.