source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4377

Last change on this file since 4377 was 4377, checked in by cameron, 5 years ago

Add support for \p{property=value}, Names are now namespace/name pairs.

File size: 28.7 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::UnicodeProperty);
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 != ':' and *_cursor != '=') {
466        _cursor++;
467    }
468    if (_cursor != _end && *_cursor == '=') {
469        const cursor_t prop_end = _cursor;
470        _cursor++;
471        const cursor_t val_start = _cursor;
472        while (_cursor != _end && *_cursor != '}' and *_cursor != ':') {
473            _cursor++;
474        }
475        // We have a property-name = value expression
476        return makeName(std::string(start, prop_end), std::string(val_start, _cursor), Name::Type::UnicodeProperty);
477    }
478    else return makeName(std::string(start, _cursor), Name::Type::UnicodeProperty);
479}
480
481CharsetOperatorKind RE_Parser::getCharsetOperator() {
482    throw_incomplete_expression_error_if_end_of_stream();
483    switch (*_cursor) {
484        case '&':
485            ++_cursor;
486            if (_cursor != _end && *_cursor == '&') {
487                ++_cursor;
488                return intersectOp;
489            }
490            else if (_cursor != _end && *_cursor == '[') {
491                // Short-hand for intersectOp when a set follows
492                return intersectOp;
493            }
494            else return ampChar;
495        case '-':
496            ++_cursor;
497            if (_cursor != _end && *_cursor == '-') {
498                ++_cursor;
499                return setDiffOp;
500            }
501            else if (_cursor != _end && *_cursor == '[') {
502                return setDiffOp;
503            }
504            else if (_cursor != _end && *_cursor == ']') {
505                return hyphenChar;
506            }
507            else return rangeHyphen;
508        case '[':
509            ++_cursor;
510            if (_cursor != _end && *_cursor == ':') {
511                ++_cursor;
512                return posixPropertyOpener;
513            }
514            else return setOpener;
515        case ']':
516            ++_cursor;
517            return setCloser;
518        case '\\':
519            ++_cursor;
520            return backSlash;
521        default:
522            return emptyOperator;
523    }
524}           
525   
526// Precondition: cursor is immediately after opening '[' character
527RE * RE_Parser::parse_charset() {
528    // Sets are accumulated using two variables:
529    // subexprs accumulates set expressions such as \p{Lu}, [\w && \p{Greek}]
530    // cc accumulates the literal and calculated codepoints and ranges
531    std::vector<RE *> subexprs;
532    CC * cc = makeCC();
533    // When the last item deal with is a single literal charcacter or calculated codepoint,
534    // a following hyphen can indicate a range.   When the last item is a set subexpression,
535    // a following hyphen can indicate set subtraction.
536    enum {NoItem, CodepointItem, RangeItem, SetItem, BrackettedSetItem} lastItemKind = NoItem;
537    codepoint_t lastCodepointItem;
538   
539    bool havePendingOperation = false;
540    CharsetOperatorKind pendingOperationKind;
541    RE * pendingOperand;
542   
543    // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
544    bool negated = false;
545    if (_cursor != _end && *_cursor == '^') {
546      negated = true;
547      ++_cursor;
548    }
549    throw_incomplete_expression_error_if_end_of_stream();
550    // Legacy rule: an unescaped ] may appear as a literal set character
551    // if and only if it appears immediately after the opening [ or [^
552    if ( *_cursor == ']' && LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
553        cc->insert(']');
554        lastItemKind = CodepointItem;
555        lastCodepointItem = static_cast<codepoint_t> (']');
556        ++_cursor;
557    }
558    else if ( *_cursor == '-' && LEGACY_UNESCAPED_HYPHEN_ALLOWED) {
559        ++_cursor;
560        cc->insert('-');
561        lastItemKind = CodepointItem;
562        lastCodepointItem = static_cast<codepoint_t> ('-');
563                if (*_cursor == '-') throw ParseFailure("Set operator has no left operand.");
564    }
565    while (_cursor != _end) {
566        CharsetOperatorKind op = getCharsetOperator();
567        switch (op) {
568            case intersectOp: case setDiffOp: {
569                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no left operand.");
570                if (cc->begin() != cc->end()) subexprs.push_back(cc);
571                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
572                subexprs.clear();
573                cc = makeCC();
574                if (havePendingOperation) {
575                    if (pendingOperationKind == intersectOp) {
576                        pendingOperand = makeIntersect(pendingOperand, newOperand);
577                    }
578                    else {
579                        pendingOperand = makeDiff(pendingOperand, newOperand);
580                    }
581                }
582                else {
583                    pendingOperand = newOperand;
584                }
585                havePendingOperation = true;
586                pendingOperationKind = op;
587                lastItemKind = NoItem;
588            }
589            break;
590            case setCloser: {
591                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no right operand.");
592                if (cc->begin() != cc->end()) {
593                    subexprs.push_back(cc);
594                }
595                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
596                if (havePendingOperation) {
597                    if (pendingOperationKind == intersectOp) {
598                        newOperand = makeIntersect(pendingOperand, newOperand);
599                    }
600                    else {
601                        newOperand = makeDiff(pendingOperand, newOperand);
602                    }
603                }
604                if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
605                    if (CC * cc1 = dyn_cast<CC>(newOperand)) {
606                        newOperand = caseInsensitize(cc1);
607                    }
608                }
609                if (negated) return makeComplement(newOperand); 
610                else return newOperand;
611            }
612            case setOpener: case posixPropertyOpener: {
613                if (lastItemKind != NoItem) {
614                    if (cc->begin() != cc->end()) subexprs.push_back(cc);
615                    RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
616                    subexprs.clear();
617                    cc = makeCC();
618                    if (havePendingOperation) {
619                        if (pendingOperationKind == intersectOp) {
620                            pendingOperand = makeIntersect(pendingOperand, newOperand);
621                        }
622                        else {
623                            pendingOperand = makeDiff(pendingOperand, newOperand);
624                        }
625                    }
626                    else {
627                        pendingOperand = newOperand;
628                    }
629                    subexprs.push_back(pendingOperand);
630                    havePendingOperation = false;
631                }
632                if (op == setOpener) {
633                    subexprs.push_back(parse_charset());
634                    lastItemKind = SetItem;
635                }
636                else if (op == posixPropertyOpener) {
637                    bool negated = false;
638                    if (*_cursor == '^') {
639                        negated = true;
640                        _cursor++;
641                    }
642                    RE * posixSet = parse_property_expression();
643                    if (negated) posixSet = makeComplement(posixSet);
644                    subexprs.push_back(posixSet);
645                    lastItemKind = BrackettedSetItem;
646                    if (_cursor == _end || *_cursor++ != ':' || _cursor == _end || *_cursor++ != ']')
647                        throw ParseFailure("Posix set expression improperly terminated.");
648                }
649            }
650            break;
651            case rangeHyphen:
652                if (lastItemKind != CodepointItem) throw ParseFailure("Range operator - has illegal left operand.");
653                cc->insert_range(lastCodepointItem, parse_codepoint());
654                lastItemKind = RangeItem;
655                break;
656            case hyphenChar:
657                cc->insert('-'); 
658                lastItemKind = CodepointItem;
659                lastCodepointItem = static_cast<codepoint_t> ('-');
660                break;
661            case ampChar:
662                cc->insert('&'); 
663                lastItemKind = CodepointItem;
664                lastCodepointItem = static_cast<codepoint_t> ('&');
665                break;
666            case backSlash:
667                throw_incomplete_expression_error_if_end_of_stream();
668                if (isSetEscapeChar(*_cursor)) {
669                    subexprs.push_back(parse_escaped_set());
670                    lastItemKind = SetItem;
671                }
672                else {
673                    lastCodepointItem = parse_escaped_codepoint();
674                    cc->insert(lastCodepointItem);
675                    lastItemKind = CodepointItem;
676                }
677                break;
678            case emptyOperator:
679                lastCodepointItem = parse_utf8_codepoint();
680                cc->insert(lastCodepointItem);
681                lastItemKind = CodepointItem;
682                break;
683        }
684    }
685    throw ParseFailure("Set expression not properly terminated.");
686}
687
688
689codepoint_t RE_Parser::parse_codepoint() {
690    if (_cursor != _end && *_cursor == '\\') {
691        _cursor++;
692        return parse_escaped_codepoint();
693    }
694    else {
695        return parse_utf8_codepoint();
696    }
697}
698
699// A backslash escape was found, and various special cases (back reference,
700// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S), grapheme
701// cluster \X have been ruled out.
702// It may be one of several possibilities or an error sequence.
703// 1. Special control codes (\a, \b, \e, \f, \n, \r, \t, \v)
704// 2. General control codes c[@-_a-z?]
705// 3. Restricted octal notation 0 - 0777
706// 4. General octal notation o\{[0-7]+\}
707// 5. General hex notation x\{[0-9A-Fa-f]+\}
708// 6. An error for any unrecognized alphabetic escape
709// 7. An escaped ASCII symbol, standing for itself
710
711codepoint_t RE_Parser::parse_escaped_codepoint() {
712    codepoint_t cp_value;
713    throw_incomplete_expression_error_if_end_of_stream();
714    switch (*_cursor) {
715        case 'a': ++_cursor; return 0x07; // BEL
716        case 'b': ++_cursor; return 0x08; // BS
717        case 'e': ++_cursor; return 0x1B; // ESC
718        case 'f': ++_cursor; return 0x0C; // FF
719        case 'n': ++_cursor; return 0x0A; // LF
720        case 'r': ++_cursor; return 0x0D; // CR
721        case 't': ++_cursor; return 0x09; // HT
722        case 'v': ++_cursor; return 0x0B; // VT
723        case 'c': // Control-escape based on next char
724            ++_cursor;
725            throw_incomplete_expression_error_if_end_of_stream();
726            // \c@, \cA, ... \c_, or \ca, ..., \cz
727            if (((*_cursor >= '@') && (*_cursor <= '_')) || ((*_cursor >= 'a') && (*_cursor <= 'z'))) {
728                cp_value = static_cast<codepoint_t>(*_cursor & 0x1F);
729                _cursor++;
730                return cp_value;
731            }
732            else if (*_cursor++ == '?') return 0x7F;  // \c? ==> DEL
733            else throw("Illegal \\c escape sequence");
734        case '0': // Octal escape:  0 - 0377
735            ++_cursor;
736            return parse_octal_codepoint(0,3);
737        case 'o':
738            ++_cursor;
739            throw_incomplete_expression_error_if_end_of_stream();
740            if (*_cursor == '{') {
741                ++_cursor;
742                cp_value = parse_octal_codepoint(1, 7);
743                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed octal escape sequence");
744                return cp_value;
745            }
746            else {
747                throw ParseFailure("Malformed octal escape sequence");
748            }
749        case 'x':
750            ++_cursor;
751            throw_incomplete_expression_error_if_end_of_stream();
752            if (*_cursor == '{') {
753              ++_cursor;
754              cp_value = parse_hex_codepoint(1, 6);
755              if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
756              return cp_value;
757            }
758            else {
759                return parse_hex_codepoint(1,2);  // ICU compatibility
760            }
761        case 'u':
762            ++_cursor;
763            throw_incomplete_expression_error_if_end_of_stream();
764            if (*_cursor == '{') {
765                ++_cursor;
766                cp_value = parse_hex_codepoint(1, 6);
767                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
768                return cp_value;
769            }
770            else {
771                return parse_hex_codepoint(4,4);  // ICU compatibility
772            }
773        case 'U':
774            ++_cursor;
775            return parse_hex_codepoint(8,8);  // ICU compatibility
776        case 'N':
777            ++_cursor;
778            throw ParseFailure("\\N{...} character name syntax not yet supported.");
779
780        default:
781            // Escaped letters should be reserved for special functions.
782            if (((*_cursor >= 'A') && (*_cursor <= 'Z')) || ((*_cursor >= 'a') && (*_cursor <= 'z')))
783                throw ParseFailure("Undefined or unsupported escape sequence");
784            else if ((*_cursor < 0x20) || (*_cursor >= 0x7F))
785                throw ParseFailure("Illegal escape sequence");
786            else return static_cast<codepoint_t>(*_cursor++);
787    }
788}
789
790
791codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
792    codepoint_t value = 0;
793    int count = 0;
794    while (_cursor != _end && count < maxdigits) {
795        const char t = *_cursor;
796        if (t < '0' || t > '7') {
797            break;
798        }
799        value = value * 8 | (t - '0');
800        ++_cursor;
801        ++count;
802    }
803    if (count < mindigits) throw ParseFailure("Octal sequence has too few digits");
804    if (value > CC::UNICODE_MAX) throw ParseFailure("Octal value too large");
805    return value;
806}
807
808codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
809    codepoint_t value = 0;
810    int count = 0;
811    while (_cursor != _end && isxdigit(*_cursor) && count < maxdigits) {
812        const char t = *_cursor;
813        if (isdigit(t)) {
814            value = (value * 16) | (t - '0');
815        }
816        else {   
817            value = (value * 16) | ((t | 32) - 'a') + 10;
818        }
819        ++_cursor;
820        ++count;
821    }
822    if (count < mindigits) throw ParseFailure("Hexadecimal sequence has too few digits");
823    if (value > CC::UNICODE_MAX) throw ParseFailure("Hexadecimal value too large");
824    return value;
825}
826
827
828inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
829    if (_cursor == _end) throw IncompleteRegularExpression();
830}
831
832CC * RE_Parser::build_CC(codepoint_t cp) {
833    CC * cc = makeCC();
834    CC_add_codepoint(cc, cp);
835    return cc;
836}
837
838void RE_Parser::CC_add_codepoint(CC * cc, codepoint_t cp) {
839    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
840        caseInsensitiveInsert(cc, cp);
841    }
842    else cc->insert(cp);
843}
844
845void RE_Parser::CC_add_range(CC * cc, codepoint_t lo, codepoint_t hi) {
846    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
847        caseInsensitiveInsertRange(cc, lo, hi);
848    }
849    else cc-> insert_range(lo, hi);
850}
851   
852   
853}
Note: See TracBrowser for help on using the repository browser.