source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4343

Last change on this file since 4343 was 4343, checked in by cameron, 5 years ago

Eliminate superfluous return values for compileStatement(s)

File size: 28.3 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/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                if (*_cursor == ':') {
236                    ++_cursor;
237                    group_expr = parse_alt();
238                }
239                else {  // if *_cursor == ')'
240                    ++_cursor;
241                    // return immediately without restoring mode flags
242                    return parse_next_item();
243                }
244                break;
245            }
246            default:
247                throw ParseFailure("Illegal (? syntax.");
248        }
249    }
250    else {
251        // Capturing paren group, but ignore capture in icgrep.
252        group_expr = parse_alt();
253    }
254    // Restore mode flags.
255    fModeFlagSet = savedModeFlags;
256    if (_cursor == _end || *_cursor++ != ')')
257        throw ParseFailure("Closing paren required.");
258    return group_expr;
259}
260   
261RE * RE_Parser::extend_item(RE * re) {
262    int lower_bound, upper_bound;
263    if (_cursor == _end) {
264        return re;
265    }
266    switch (*_cursor) {
267        case '*':
268            lower_bound = 0;
269            upper_bound = Rep::UNBOUNDED_REP;
270            break;
271        case '?':
272            lower_bound = 0;
273            upper_bound = 1;
274            break;
275        case '+':
276            lower_bound = 1;
277            upper_bound = Rep::UNBOUNDED_REP;
278            break;
279        case '{':
280            parse_range_bound(lower_bound, upper_bound);
281            break;
282        default:
283            return re;
284    }
285    ++_cursor;
286    if (*_cursor == '?') {
287        // Non-greedy qualifier
288        ++_cursor;
289        //return makeNonGreedyRep(re, lower_bound, upper_bound);
290        // Greedy vs. non-greedy makes no difference for icgrep.
291        return makeRep(re, lower_bound, upper_bound);
292    }
293    else if (*_cursor == '+') {
294        // Possessive qualifier
295        ++_cursor;
296        //return makePossessiveRep(re, lower_bound, upper_bound);
297        throw ParseFailure("Possessive repetition is not supported in icgrep 1.0");
298    }
299    else {
300        // Normal repetition operator.
301        return makeRep(re, lower_bound, upper_bound);
302    }
303}
304
305inline void RE_Parser::parse_range_bound(int & lower_bound, int & upper_bound) {
306    ++_cursor;
307    throw_incomplete_expression_error_if_end_of_stream();
308    RE * rep = nullptr;
309    if (*_cursor == ',') {
310        ++_cursor;
311        lower_bound = 0;
312    }
313    else {
314        lower_bound = parse_int();
315    }
316    throw_incomplete_expression_error_if_end_of_stream();
317    if (*_cursor == '}') {
318        upper_bound = lower_bound;
319    }
320    else if (*_cursor != ',') {
321        throw BadLowerBound();
322    }
323    else { // [^,}]
324        ++_cursor;
325        throw_incomplete_expression_error_if_end_of_stream();
326        if (*_cursor == '}') {
327            upper_bound = Rep::UNBOUNDED_REP;
328        }
329        else {
330            upper_bound = parse_int();
331            if (*_cursor != '}') {
332                throw BadUpperBound();
333            }
334        }
335    }
336}
337
338unsigned RE_Parser::parse_int() {
339    unsigned value = 0;
340    for (; _cursor != _end; ++_cursor) {
341        if (!isdigit(*_cursor)) {
342            break;
343        }
344        value *= 10;
345        value += static_cast<int>(*_cursor) - 48;
346    }
347    return value;
348}
349
350
351#define bit40(x) (1ULL << ((x) - 0x40))
352const uint64_t setEscapeCharacters = bit40('p') | bit40('d') | bit40('w') | bit40('s') | bit40('P') | bit40('D') | bit40('W') | bit40('S');
353
354inline bool isSetEscapeChar(char c) {
355    return c >= 0x40 && c <= 0x7F && ((setEscapeCharacters >> (c - 0x40)) & 1) == 1;
356}
357
358inline RE * RE_Parser::parse_escaped() {
359    throw_incomplete_expression_error_if_end_of_stream();
360    if (isSetEscapeChar(*_cursor)) 
361      return parse_escaped_set();
362    else 
363      return build_CC(parse_escaped_codepoint());
364}
365
366RE * makeDigitSet() {
367  return makeName("Nd", Name::Type::UnicodeCategory);
368}
369
370RE * makeWhitespaceSet() {
371  throw ParseFailure("\\s not implemented.");
372}
373
374RE * makeWordSet() {
375  throw ParseFailure("\\w not implemented.");
376}
377
378RE * makeComplement(RE * s) {
379  return makeDiff(makeAny(), s);
380}
381
382RE * RE_Parser::parse_escaped_set() {
383    bool complemented = false;
384    RE * s;
385    switch (*_cursor) {
386        case 'd':
387            ++_cursor;
388            return makeDigitSet();
389        case 'D':
390            ++_cursor;
391            return makeComplement(makeDigitSet());
392        case 's':
393            ++_cursor;
394            return makeWhitespaceSet();
395        case 'S':
396            ++_cursor;
397            return makeComplement(makeWhitespaceSet());
398        case 'w':
399            ++_cursor;
400            return makeWordSet();
401        case 'W':
402            ++_cursor;
403            return makeComplement(makeWordSet());
404        case 'P':
405            complemented = true;
406        case 'p':
407            ++_cursor;
408            if (_cursor == _end || *_cursor != '{') throw ParseFailure("Malformed property expression");
409            ++_cursor;
410            s = parse_property_expression();
411            if (_cursor == _end || *_cursor != '}') throw ParseFailure("Malformed property expression");
412            ++_cursor;
413            if (complemented) return makeComplement(s);
414            else return s;
415        default:
416            throw ParseFailure("Internal error");
417    }
418}
419
420codepoint_t RE_Parser::parse_utf8_codepoint() {
421    // Must cast to unsigned char to avoid sign extension.
422    unsigned char pfx = static_cast<unsigned char>(*_cursor++);
423    codepoint_t cp = pfx;
424    if (pfx < 0x80) return cp;
425    unsigned suffix_bytes;
426    if (pfx < 0xE0) {
427        if (pfx < 0xC2) {  // bare suffix or illegal prefix 0xC0 or 0xC2
428            throw InvalidUTF8Encoding();
429        }
430        suffix_bytes = 1;
431        cp &= 0x1F;
432    }
433    else if (pfx < 0xF0) { // [0xE0, 0xEF]
434        cp &= 0x0F;
435        suffix_bytes = 2;
436    }
437    else { // [0xF0, 0xFF]
438        cp &= 0x0F;
439        suffix_bytes = 3;
440    }
441    while (suffix_bytes--) {
442        if (_cursor == _end) {
443            throw InvalidUTF8Encoding();
444        }
445        unsigned char sfx = static_cast<unsigned char>(*_cursor++);
446        if ((sfx & 0xC0) != 0x80) {
447            throw InvalidUTF8Encoding();
448        }
449        cp = (cp << 6) | (sfx & 0x3F);
450    }
451    // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
452    // or a 4-byte sequence is used to encode a codepoint < 0x10000.
453    if ((pfx == 0xE0 && cp < 0x800) || (pfx == 0xF0 && cp < 0x10000)) {
454        throw InvalidUTF8Encoding();
455    }
456    // It is an error if a 4-byte sequence is used to encode a codepoint
457    // above the Unicode maximum.   
458    if (cp > CC::UNICODE_MAX) {
459        throw InvalidUTF8Encoding();
460    }
461    return cp;
462}
463
464Name * RE_Parser::parse_property_expression() {
465    const cursor_t start = _cursor;
466    while (_cursor != _end && *_cursor != '}' and *_cursor != ':') {
467        _cursor++;
468    }
469    return makeName(std::string(start, _cursor), Name::Type::UnicodeCategory);
470}
471   
472CharsetOperatorKind RE_Parser::getCharsetOperator() {
473    throw_incomplete_expression_error_if_end_of_stream();
474    switch (*_cursor) {
475        case '&':
476            ++_cursor;
477            if (_cursor != _end && *_cursor == '&') {
478                ++_cursor;
479                return intersectOp;
480            }
481            else if (_cursor != _end && *_cursor == '[') {
482                // Short-hand for intersectOp when a set follows
483                return intersectOp;
484            }
485            else return ampChar;
486        case '-':
487            ++_cursor;
488            if (_cursor != _end && *_cursor == '-') {
489                ++_cursor;
490                return setDiffOp;
491            }
492            else if (_cursor != _end && *_cursor == '[') {
493                return setDiffOp;
494            }
495            else if (_cursor != _end && *_cursor == ']') {
496                return hyphenChar;
497            }
498            else return rangeHyphen;
499        case '[':
500            ++_cursor;
501            if (_cursor != _end && *_cursor == ':') {
502                ++_cursor;
503                return posixPropertyOpener;
504            }
505            else return setOpener;
506        case ']':
507            ++_cursor;
508            return setCloser;
509        case '\\':
510            ++_cursor;
511            return backSlash;
512        default:
513            return emptyOperator;
514    }
515}           
516   
517// Precondition: cursor is immediately after opening '[' character
518RE * RE_Parser::parse_charset() {
519    // Sets are accumulated using two variables:
520    // subexprs accumulates set expressions such as \p{Lu}, [\w && \p{Greek}]
521    // cc accumulates the literal and calculated codepoints and ranges
522    std::vector<RE *> subexprs;
523    CC * cc = makeCC();
524    // When the last item deal with is a single literal charcacter or calculated codepoint,
525    // a following hyphen can indicate a range.   When the last item is a set subexpression,
526    // a following hyphen can indicate set subtraction.
527    enum {NoItem, CodepointItem, RangeItem, SetItem, BrackettedSetItem} lastItemKind = NoItem;
528    codepoint_t lastCodepointItem;
529   
530    bool havePendingOperation = false;
531    CharsetOperatorKind pendingOperationKind;
532    RE * pendingOperand;
533   
534    // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
535    bool negated = false;
536    if (_cursor != _end && *_cursor == '^') {
537      negated = true;
538      ++_cursor;
539    }
540    throw_incomplete_expression_error_if_end_of_stream();
541    // Legacy rule: an unescaped ] may appear as a literal set character
542    // if and only if it appears immediately after the opening [ or [^
543    if ( *_cursor == ']' && LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
544        cc->insert(']');
545        lastItemKind = CodepointItem;
546        lastCodepointItem = static_cast<codepoint_t> (']');
547        ++_cursor;
548    }
549    else if ( *_cursor == '-' && LEGACY_UNESCAPED_HYPHEN_ALLOWED) {
550        ++_cursor;
551        cc->insert('-');
552        lastItemKind = CodepointItem;
553        lastCodepointItem = static_cast<codepoint_t> ('-');
554                if (*_cursor == '-') throw ParseFailure("Set operator has no left operand.");
555    }
556    while (_cursor != _end) {
557        CharsetOperatorKind op = getCharsetOperator();
558        switch (op) {
559            case intersectOp: case setDiffOp: {
560                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no left operand.");
561                if (cc->begin() != cc->end()) subexprs.push_back(cc);
562                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
563                subexprs.clear();
564                cc = makeCC();
565                if (havePendingOperation) {
566                    if (pendingOperationKind == intersectOp) {
567                        pendingOperand = makeIntersect(pendingOperand, newOperand);
568                    }
569                    else {
570                        pendingOperand = makeDiff(pendingOperand, newOperand);
571                    }
572                }
573                else {
574                    pendingOperand = newOperand;
575                }
576                havePendingOperation = true;
577                pendingOperationKind = op;
578                lastItemKind = NoItem;
579            }
580            break;
581            case setCloser: {
582                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no right operand.");
583                if (cc->begin() != cc->end()) {
584                    subexprs.push_back(cc);
585                }
586                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
587                if (havePendingOperation) {
588                    if (pendingOperationKind == intersectOp) {
589                        newOperand = makeIntersect(pendingOperand, newOperand);
590                    }
591                    else {
592                        newOperand = makeDiff(pendingOperand, newOperand);
593                    }
594                }
595                if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
596                    if (CC * cc1 = dyn_cast<CC>(newOperand)) {
597                        newOperand = caseInsensitize(cc1);
598                    }
599                }
600                if (negated) return makeComplement(newOperand); 
601                else return newOperand;
602            }
603            case setOpener: case posixPropertyOpener: {
604                if (lastItemKind != NoItem) {
605                    if (cc->begin() != cc->end()) subexprs.push_back(cc);
606                    RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
607                    subexprs.clear();
608                    cc = makeCC();
609                    if (havePendingOperation) {
610                        if (pendingOperationKind == intersectOp) {
611                            pendingOperand = makeIntersect(pendingOperand, newOperand);
612                        }
613                        else {
614                            pendingOperand = makeDiff(pendingOperand, newOperand);
615                        }
616                    }
617                    else {
618                        pendingOperand = newOperand;
619                    }
620                    subexprs.push_back(pendingOperand);
621                    havePendingOperation = false;
622                }
623                if (op == setOpener) {
624                    subexprs.push_back(parse_charset());
625                    lastItemKind = SetItem;
626                }
627                else if (op == posixPropertyOpener) {
628                    bool negated = false;
629                    if (*_cursor == '^') {
630                        negated = true;
631                        _cursor++;
632                    }
633                    RE * posixSet = parse_property_expression();
634                    if (negated) posixSet = makeComplement(posixSet);
635                    subexprs.push_back(posixSet);
636                    lastItemKind = BrackettedSetItem;
637                    if (_cursor == _end || *_cursor++ != ':' || _cursor == _end || *_cursor++ != ']')
638                        throw ParseFailure("Posix set expression improperly terminated.");
639                }
640            }
641            break;
642            case rangeHyphen:
643                if (lastItemKind != CodepointItem) throw ParseFailure("Range operator - has illegal left operand.");
644                cc->insert_range(lastCodepointItem, parse_codepoint());
645                lastItemKind = RangeItem;
646                break;
647            case hyphenChar:
648                cc->insert('-'); 
649                lastItemKind = CodepointItem;
650                lastCodepointItem = static_cast<codepoint_t> ('-');
651                break;
652            case ampChar:
653                cc->insert('&'); 
654                lastItemKind = CodepointItem;
655                lastCodepointItem = static_cast<codepoint_t> ('&');
656                break;
657            case backSlash:
658                throw_incomplete_expression_error_if_end_of_stream();
659                if (isSetEscapeChar(*_cursor)) {
660                    subexprs.push_back(parse_escaped_set());
661                    lastItemKind = SetItem;
662                }
663                else {
664                    lastCodepointItem = parse_escaped_codepoint();
665                    cc->insert(lastCodepointItem);
666                    lastItemKind = CodepointItem;
667                }
668                break;
669            case emptyOperator:
670                lastCodepointItem = parse_utf8_codepoint();
671                cc->insert(lastCodepointItem);
672                lastItemKind = CodepointItem;
673                break;
674        }
675    }
676    throw ParseFailure("Set expression not properly terminated.");
677}
678
679
680codepoint_t RE_Parser::parse_codepoint() {
681    if (_cursor != _end && *_cursor == '\\') {
682        _cursor++;
683        return parse_escaped_codepoint();
684    }
685    else {
686        return parse_utf8_codepoint();
687    }
688}
689
690// A backslash escape was found, and various special cases (back reference,
691// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S), grapheme
692// cluster \X have been ruled out.
693// It may be one of several possibilities or an error sequence.
694// 1. Special control codes (\a, \b, \e, \f, \n, \r, \t, \v)
695// 2. General control codes c[@-_a-z?]
696// 3. Restricted octal notation 0 - 0777
697// 4. General octal notation o\{[0-7]+\}
698// 5. General hex notation x\{[0-9A-Fa-f]+\}
699// 6. An error for any unrecognized alphabetic escape
700// 7. An escaped ASCII symbol, standing for itself
701
702codepoint_t RE_Parser::parse_escaped_codepoint() {
703    codepoint_t cp_value;
704    throw_incomplete_expression_error_if_end_of_stream();
705    switch (*_cursor) {
706        case 'a': ++_cursor; return 0x07; // BEL
707        case 'b': ++_cursor; return 0x08; // BS
708        case 'e': ++_cursor; return 0x1B; // ESC
709        case 'f': ++_cursor; return 0x0C; // FF
710        case 'n': ++_cursor; return 0x0A; // LF
711        case 'r': ++_cursor; return 0x0D; // CR
712        case 't': ++_cursor; return 0x09; // HT
713        case 'v': ++_cursor; return 0x0B; // VT
714        case 'c': // Control-escape based on next char
715            ++_cursor;
716            throw_incomplete_expression_error_if_end_of_stream();
717            // \c@, \cA, ... \c_, or \ca, ..., \cz
718            if (((*_cursor >= '@') && (*_cursor <= '_')) || ((*_cursor >= 'a') && (*_cursor <= 'z'))) {
719                cp_value = static_cast<codepoint_t>(*_cursor & 0x1F);
720                _cursor++;
721                return cp_value;
722            }
723            else if (*_cursor++ == '?') return 0x7F;  // \c? ==> DEL
724            else throw("Illegal \\c escape sequence");
725        case '0': // Octal escape:  0 - 0377
726            ++_cursor;
727            return parse_octal_codepoint(0,3);
728        case 'o':
729            ++_cursor;
730            throw_incomplete_expression_error_if_end_of_stream();
731            if (*_cursor == '{') {
732                ++_cursor;
733                cp_value = parse_octal_codepoint(1, 7);
734                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed octal escape sequence");
735                return cp_value;
736            }
737            else {
738                throw ParseFailure("Malformed octal escape sequence");
739            }
740        case 'x':
741            ++_cursor;
742            throw_incomplete_expression_error_if_end_of_stream();
743            if (*_cursor == '{') {
744              ++_cursor;
745              cp_value = parse_hex_codepoint(1, 6);
746              if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
747              return cp_value;
748            }
749            else {
750                return parse_hex_codepoint(1,2);  // ICU compatibility
751            }
752        case 'u':
753            ++_cursor;
754            throw_incomplete_expression_error_if_end_of_stream();
755            if (*_cursor == '{') {
756                ++_cursor;
757                cp_value = parse_hex_codepoint(1, 6);
758                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
759                return cp_value;
760            }
761            else {
762                return parse_hex_codepoint(4,4);  // ICU compatibility
763            }
764        case 'U':
765            ++_cursor;
766            return parse_hex_codepoint(8,8);  // ICU compatibility
767        case 'N':
768            ++_cursor;
769            throw ParseFailure("\\N{...} character name syntax not yet supported.");
770
771        default:
772            // Escaped letters should be reserved for special functions.
773            if (((*_cursor >= 'A') && (*_cursor <= 'Z')) || ((*_cursor >= 'a') && (*_cursor <= 'z')))
774                throw ParseFailure("Undefined or unsupported escape sequence");
775            else if ((*_cursor < 0x20) || (*_cursor >= 0x7F))
776                throw ParseFailure("Illegal escape sequence");
777            else return static_cast<codepoint_t>(*_cursor++);
778    }
779}
780
781
782codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
783    codepoint_t value = 0;
784    int count = 0;
785    while (_cursor != _end && count < maxdigits) {
786        const char t = *_cursor;
787        if (t < '0' || t > '7') {
788            break;
789        }
790        value = value * 8 | (t - '0');
791        ++_cursor;
792        ++count;
793    }
794    if (count < mindigits) throw ParseFailure("Octal sequence has too few digits");
795    if (value > CC::UNICODE_MAX) throw ParseFailure("Octal value too large");
796    return value;
797}
798
799codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
800    codepoint_t value = 0;
801    int count = 0;
802    while (_cursor != _end && isxdigit(*_cursor) && count < maxdigits) {
803        const char t = *_cursor;
804        if (isdigit(t)) {
805            value = (value * 16) | (t - '0');
806        }
807        else {   
808            value = (value * 16) | ((t | 32) - 'a') + 10;
809        }
810        ++_cursor;
811        ++count;
812    }
813    if (count < mindigits) throw ParseFailure("Hexadecimal sequence has too few digits");
814    if (value > CC::UNICODE_MAX) throw ParseFailure("Hexadecimal value too large");
815    return value;
816}
817
818
819inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
820    if (_cursor == _end) throw IncompleteRegularExpression();
821}
822
823CC * RE_Parser::build_CC(codepoint_t cp) {
824    CC * cc = makeCC();
825    CC_add_codepoint(cc, cp);
826    return cc;
827}
828
829void RE_Parser::CC_add_codepoint(CC * cc, codepoint_t cp) {
830    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
831        caseInsensitiveInsert(cc, cp);
832    }
833    else cc->insert(cp);
834}
835
836void RE_Parser::CC_add_range(CC * cc, codepoint_t lo, codepoint_t hi) {
837    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
838        caseInsensitiveInsertRange(cc, lo, hi);
839    }
840    else cc-> insert_range(lo, hi);
841}
842   
843   
844}
Note: See TracBrowser for help on using the repository browser.