source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4358

Last change on this file since 4358 was 4358, checked in by cameron, 5 years ago

Clean up various minor issues that generate compiler warnings.

File size: 28.2 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    if (*_cursor == ',') {
309        ++_cursor;
310        lower_bound = 0;
311    }
312    else {
313        lower_bound = parse_int();
314    }
315    throw_incomplete_expression_error_if_end_of_stream();
316    if (*_cursor == '}') {
317        upper_bound = lower_bound;
318    }
319    else if (*_cursor != ',') {
320        throw BadLowerBound();
321    }
322    else { // [^,}]
323        ++_cursor;
324        throw_incomplete_expression_error_if_end_of_stream();
325        if (*_cursor == '}') {
326            upper_bound = Rep::UNBOUNDED_REP;
327        }
328        else {
329            upper_bound = parse_int();
330            if (*_cursor != '}') {
331                throw BadUpperBound();
332            }
333        }
334    }
335}
336
337unsigned RE_Parser::parse_int() {
338    unsigned value = 0;
339    for (; _cursor != _end; ++_cursor) {
340        if (!isdigit(*_cursor)) {
341            break;
342        }
343        value *= 10;
344        value += static_cast<int>(*_cursor) - 48;
345    }
346    return value;
347}
348
349
350#define bit40(x) (1ULL << ((x) - 0x40))
351const uint64_t setEscapeCharacters = bit40('p') | bit40('d') | bit40('w') | bit40('s') | bit40('P') | bit40('D') | bit40('W') | bit40('S');
352
353inline bool isSetEscapeChar(char c) {
354    return c >= 0x40 && c <= 0x7F && ((setEscapeCharacters >> (c - 0x40)) & 1) == 1;
355}
356
357inline RE * RE_Parser::parse_escaped() {
358    throw_incomplete_expression_error_if_end_of_stream();
359    if (isSetEscapeChar(*_cursor)) 
360      return parse_escaped_set();
361    else 
362      return build_CC(parse_escaped_codepoint());
363}
364
365RE * makeDigitSet() {
366  return makeName("Nd", Name::Type::UnicodeCategory);
367}
368
369RE * makeWhitespaceSet() {
370  throw ParseFailure("\\s not implemented.");
371}
372
373RE * makeWordSet() {
374  throw ParseFailure("\\w not implemented.");
375}
376
377RE * makeComplement(RE * s) {
378  return makeDiff(makeAny(), s);
379}
380
381RE * RE_Parser::parse_escaped_set() {
382    bool complemented = false;
383    RE * s;
384    switch (*_cursor) {
385        case 'd':
386            ++_cursor;
387            return makeDigitSet();
388        case 'D':
389            ++_cursor;
390            return makeComplement(makeDigitSet());
391        case 's':
392            ++_cursor;
393            return makeWhitespaceSet();
394        case 'S':
395            ++_cursor;
396            return makeComplement(makeWhitespaceSet());
397        case 'w':
398            ++_cursor;
399            return makeWordSet();
400        case 'W':
401            ++_cursor;
402            return makeComplement(makeWordSet());
403        case 'P':
404            complemented = true;
405        case 'p':
406            ++_cursor;
407            if (_cursor == _end || *_cursor != '{') throw ParseFailure("Malformed property expression");
408            ++_cursor;
409            s = parse_property_expression();
410            if (_cursor == _end || *_cursor != '}') throw ParseFailure("Malformed property expression");
411            ++_cursor;
412            if (complemented) return makeComplement(s);
413            else return s;
414        default:
415            throw ParseFailure("Internal error");
416    }
417}
418
419codepoint_t RE_Parser::parse_utf8_codepoint() {
420    // Must cast to unsigned char to avoid sign extension.
421    unsigned char pfx = static_cast<unsigned char>(*_cursor++);
422    codepoint_t cp = pfx;
423    if (pfx < 0x80) return cp;
424    unsigned suffix_bytes;
425    if (pfx < 0xE0) {
426        if (pfx < 0xC2) {  // bare suffix or illegal prefix 0xC0 or 0xC2
427            throw InvalidUTF8Encoding();
428        }
429        suffix_bytes = 1;
430        cp &= 0x1F;
431    }
432    else if (pfx < 0xF0) { // [0xE0, 0xEF]
433        cp &= 0x0F;
434        suffix_bytes = 2;
435    }
436    else { // [0xF0, 0xFF]
437        cp &= 0x0F;
438        suffix_bytes = 3;
439    }
440    while (suffix_bytes--) {
441        if (_cursor == _end) {
442            throw InvalidUTF8Encoding();
443        }
444        unsigned char sfx = static_cast<unsigned char>(*_cursor++);
445        if ((sfx & 0xC0) != 0x80) {
446            throw InvalidUTF8Encoding();
447        }
448        cp = (cp << 6) | (sfx & 0x3F);
449    }
450    // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
451    // or a 4-byte sequence is used to encode a codepoint < 0x10000.
452    if ((pfx == 0xE0 && cp < 0x800) || (pfx == 0xF0 && cp < 0x10000)) {
453        throw InvalidUTF8Encoding();
454    }
455    // It is an error if a 4-byte sequence is used to encode a codepoint
456    // above the Unicode maximum.   
457    if (cp > CC::UNICODE_MAX) {
458        throw InvalidUTF8Encoding();
459    }
460    return cp;
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()) {
583                    subexprs.push_back(cc);
584                }
585                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
586                if (havePendingOperation) {
587                    if (pendingOperationKind == intersectOp) {
588                        newOperand = makeIntersect(pendingOperand, newOperand);
589                    }
590                    else {
591                        newOperand = makeDiff(pendingOperand, newOperand);
592                    }
593                }
594                if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
595                    if (CC * cc1 = dyn_cast<CC>(newOperand)) {
596                        newOperand = caseInsensitize(cc1);
597                    }
598                }
599                if (negated) return makeComplement(newOperand); 
600                else return newOperand;
601            }
602            case setOpener: case posixPropertyOpener: {
603                if (lastItemKind != NoItem) {
604                    if (cc->begin() != cc->end()) subexprs.push_back(cc);
605                    RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
606                    subexprs.clear();
607                    cc = makeCC();
608                    if (havePendingOperation) {
609                        if (pendingOperationKind == intersectOp) {
610                            pendingOperand = makeIntersect(pendingOperand, newOperand);
611                        }
612                        else {
613                            pendingOperand = makeDiff(pendingOperand, newOperand);
614                        }
615                    }
616                    else {
617                        pendingOperand = newOperand;
618                    }
619                    subexprs.push_back(pendingOperand);
620                    havePendingOperation = false;
621                }
622                if (op == setOpener) {
623                    subexprs.push_back(parse_charset());
624                    lastItemKind = SetItem;
625                }
626                else if (op == posixPropertyOpener) {
627                    bool negated = false;
628                    if (*_cursor == '^') {
629                        negated = true;
630                        _cursor++;
631                    }
632                    RE * posixSet = parse_property_expression();
633                    if (negated) posixSet = makeComplement(posixSet);
634                    subexprs.push_back(posixSet);
635                    lastItemKind = BrackettedSetItem;
636                    if (_cursor == _end || *_cursor++ != ':' || _cursor == _end || *_cursor++ != ']')
637                        throw ParseFailure("Posix set expression improperly terminated.");
638                }
639            }
640            break;
641            case rangeHyphen:
642                if (lastItemKind != CodepointItem) throw ParseFailure("Range operator - has illegal left operand.");
643                cc->insert_range(lastCodepointItem, parse_codepoint());
644                lastItemKind = RangeItem;
645                break;
646            case hyphenChar:
647                cc->insert('-'); 
648                lastItemKind = CodepointItem;
649                lastCodepointItem = static_cast<codepoint_t> ('-');
650                break;
651            case ampChar:
652                cc->insert('&'); 
653                lastItemKind = CodepointItem;
654                lastCodepointItem = static_cast<codepoint_t> ('&');
655                break;
656            case backSlash:
657                throw_incomplete_expression_error_if_end_of_stream();
658                if (isSetEscapeChar(*_cursor)) {
659                    subexprs.push_back(parse_escaped_set());
660                    lastItemKind = SetItem;
661                }
662                else {
663                    lastCodepointItem = parse_escaped_codepoint();
664                    cc->insert(lastCodepointItem);
665                    lastItemKind = CodepointItem;
666                }
667                break;
668            case emptyOperator:
669                lastCodepointItem = parse_utf8_codepoint();
670                cc->insert(lastCodepointItem);
671                lastItemKind = CodepointItem;
672                break;
673        }
674    }
675    throw ParseFailure("Set expression not properly terminated.");
676}
677
678
679codepoint_t RE_Parser::parse_codepoint() {
680    if (_cursor != _end && *_cursor == '\\') {
681        _cursor++;
682        return parse_escaped_codepoint();
683    }
684    else {
685        return parse_utf8_codepoint();
686    }
687}
688
689// A backslash escape was found, and various special cases (back reference,
690// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S), grapheme
691// cluster \X have been ruled out.
692// It may be one of several possibilities or an error sequence.
693// 1. Special control codes (\a, \b, \e, \f, \n, \r, \t, \v)
694// 2. General control codes c[@-_a-z?]
695// 3. Restricted octal notation 0 - 0777
696// 4. General octal notation o\{[0-7]+\}
697// 5. General hex notation x\{[0-9A-Fa-f]+\}
698// 6. An error for any unrecognized alphabetic escape
699// 7. An escaped ASCII symbol, standing for itself
700
701codepoint_t RE_Parser::parse_escaped_codepoint() {
702    codepoint_t cp_value;
703    throw_incomplete_expression_error_if_end_of_stream();
704    switch (*_cursor) {
705        case 'a': ++_cursor; return 0x07; // BEL
706        case 'b': ++_cursor; return 0x08; // BS
707        case 'e': ++_cursor; return 0x1B; // ESC
708        case 'f': ++_cursor; return 0x0C; // FF
709        case 'n': ++_cursor; return 0x0A; // LF
710        case 'r': ++_cursor; return 0x0D; // CR
711        case 't': ++_cursor; return 0x09; // HT
712        case 'v': ++_cursor; return 0x0B; // VT
713        case 'c': // Control-escape based on next char
714            ++_cursor;
715            throw_incomplete_expression_error_if_end_of_stream();
716            // \c@, \cA, ... \c_, or \ca, ..., \cz
717            if (((*_cursor >= '@') && (*_cursor <= '_')) || ((*_cursor >= 'a') && (*_cursor <= 'z'))) {
718                cp_value = static_cast<codepoint_t>(*_cursor & 0x1F);
719                _cursor++;
720                return cp_value;
721            }
722            else if (*_cursor++ == '?') return 0x7F;  // \c? ==> DEL
723            else throw("Illegal \\c escape sequence");
724        case '0': // Octal escape:  0 - 0377
725            ++_cursor;
726            return parse_octal_codepoint(0,3);
727        case 'o':
728            ++_cursor;
729            throw_incomplete_expression_error_if_end_of_stream();
730            if (*_cursor == '{') {
731                ++_cursor;
732                cp_value = parse_octal_codepoint(1, 7);
733                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed octal escape sequence");
734                return cp_value;
735            }
736            else {
737                throw ParseFailure("Malformed octal escape sequence");
738            }
739        case 'x':
740            ++_cursor;
741            throw_incomplete_expression_error_if_end_of_stream();
742            if (*_cursor == '{') {
743              ++_cursor;
744              cp_value = parse_hex_codepoint(1, 6);
745              if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
746              return cp_value;
747            }
748            else {
749                return parse_hex_codepoint(1,2);  // ICU compatibility
750            }
751        case 'u':
752            ++_cursor;
753            throw_incomplete_expression_error_if_end_of_stream();
754            if (*_cursor == '{') {
755                ++_cursor;
756                cp_value = parse_hex_codepoint(1, 6);
757                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
758                return cp_value;
759            }
760            else {
761                return parse_hex_codepoint(4,4);  // ICU compatibility
762            }
763        case 'U':
764            ++_cursor;
765            return parse_hex_codepoint(8,8);  // ICU compatibility
766        case 'N':
767            ++_cursor;
768            throw ParseFailure("\\N{...} character name syntax not yet supported.");
769
770        default:
771            // Escaped letters should be reserved for special functions.
772            if (((*_cursor >= 'A') && (*_cursor <= 'Z')) || ((*_cursor >= 'a') && (*_cursor <= 'z')))
773                throw ParseFailure("Undefined or unsupported escape sequence");
774            else if ((*_cursor < 0x20) || (*_cursor >= 0x7F))
775                throw ParseFailure("Illegal escape sequence");
776            else return static_cast<codepoint_t>(*_cursor++);
777    }
778}
779
780
781codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
782    codepoint_t value = 0;
783    int count = 0;
784    while (_cursor != _end && count < maxdigits) {
785        const char t = *_cursor;
786        if (t < '0' || t > '7') {
787            break;
788        }
789        value = value * 8 | (t - '0');
790        ++_cursor;
791        ++count;
792    }
793    if (count < mindigits) throw ParseFailure("Octal sequence has too few digits");
794    if (value > CC::UNICODE_MAX) throw ParseFailure("Octal value too large");
795    return value;
796}
797
798codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
799    codepoint_t value = 0;
800    int count = 0;
801    while (_cursor != _end && isxdigit(*_cursor) && count < maxdigits) {
802        const char t = *_cursor;
803        if (isdigit(t)) {
804            value = (value * 16) | (t - '0');
805        }
806        else {   
807            value = (value * 16) | ((t | 32) - 'a') + 10;
808        }
809        ++_cursor;
810        ++count;
811    }
812    if (count < mindigits) throw ParseFailure("Hexadecimal sequence has too few digits");
813    if (value > CC::UNICODE_MAX) throw ParseFailure("Hexadecimal value too large");
814    return value;
815}
816
817
818inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
819    if (_cursor == _end) throw IncompleteRegularExpression();
820}
821
822CC * RE_Parser::build_CC(codepoint_t cp) {
823    CC * cc = makeCC();
824    CC_add_codepoint(cc, cp);
825    return cc;
826}
827
828void RE_Parser::CC_add_codepoint(CC * cc, codepoint_t cp) {
829    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
830        caseInsensitiveInsert(cc, cp);
831    }
832    else cc->insert(cp);
833}
834
835void RE_Parser::CC_add_range(CC * cc, codepoint_t lo, codepoint_t hi) {
836    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
837        caseInsensitiveInsertRange(cc, lo, hi);
838    }
839    else cc-> insert_range(lo, hi);
840}
841   
842   
843}
Note: See TracBrowser for help on using the repository browser.