source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 4415

Last change on this file since 4415 was 4413, checked in by cameron, 4 years ago

Empty sequences are legal

File size: 29.7 KB
Line 
1/*
2 *  Copyright (c) 2015 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/re_assertion.h>
17#include <re/parsefailure.h>
18#include <UCD/CaseFolding_txt.h>
19#include <algorithm>
20
21
22// It would probably be best to enforce that {}, [], () must always
23// be balanced.   But legacy syntax allows } and ] to occur as literals
24// in certain contexts (no opening { or [, or immediately after [ or [^ ).
25// Perhaps this define should become a parameter.
26#define LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED true
27#define LEGACY_UNESCAPED_HYPHEN_ALLOWED true
28
29
30namespace re {
31
32RE * RE_Parser::parse(const std::string & regular_expression, ModeFlagSet initialFlags) {
33    RE_Parser parser(regular_expression);
34    parser.fModeFlagSet = initialFlags;
35    RE * re = parser.parse_RE();
36    if (re == nullptr) {
37        throw ParseFailure("An unexpected parsing error occurred!");
38    }
39    return re;
40}
41
42inline RE_Parser::RE_Parser(const std::string & regular_expression)
43    : _cursor(regular_expression.begin())
44    , _end(regular_expression.end())
45    , fModeFlagSet(0)
46    {
47       
48    }
49   
50RE * makeLookAheadAssertion(RE * r) {
51    return makeAssertion(r, Assertion::Kind::Lookahead, Assertion::Sense::Positive);
52}
53
54RE * makeNegativeLookAheadAssertion(RE * r) {
55    return makeAssertion(r, Assertion::Kind::Lookahead, Assertion::Sense::Negative);
56}
57
58RE * makeLookBehindAssertion(RE * r) {
59    return makeAssertion(r, Assertion::Kind::Lookbehind, Assertion::Sense::Positive);
60}
61
62RE * makeNegativeLookBehindAssertion(RE * r) {
63    return makeAssertion(r, Assertion::Kind::Lookbehind, Assertion::Sense::Negative);
64}
65
66RE * makeAtomicGroup(RE * r) {
67    throw ParseFailure("Atomic grouping not supported.");
68}
69
70RE * makeBranchResetGroup(RE * r) {
71    // Branch reset groups only affect submatch numbering, but
72    // this has no effect in icgrep.
73    return r;
74}
75   
76RE * RE_Parser::parse_RE() {
77    RE * r = parse_alt();
78    if (_cursor != _end) { 
79        throw ParseFailure("Unrecognized junk remaining at end of regexp");
80    }
81    return r;
82}
83
84RE * RE_Parser::parse_alt() {
85    std::vector<RE *> alt;
86    for (;;) {
87        alt.push_back(parse_seq());
88        if (_cursor == _end || *_cursor != '|') {
89            break;
90        }
91        ++_cursor; // advance past the alternation character '|'
92    }
93    if (alt.empty())
94    {
95        throw NoRegularExpressionFound();
96    }
97    return makeAlt(alt.begin(), alt.end());
98}
99
100inline RE * RE_Parser::parse_seq() {
101    std::vector<RE *> seq;
102    for (;;) {
103        RE * re = parse_next_item();
104        if (re == nullptr) {
105            break;
106        }
107        seq.push_back(extend_item(re));
108    }
109    //  Note: empty sequences are legal.
110    return makeSeq(seq.begin(), seq.end());
111}
112
113RE * RE_Parser::parse_next_item() {
114    RE * re = nullptr;
115    if (_cursor != _end) {
116        switch (*_cursor) {
117            case '(':
118                ++_cursor;
119                return parse_group();
120            case '^':
121                ++_cursor;
122                return makeStart();
123            case '$':
124                ++_cursor;
125                return makeEnd();
126            case '|': case ')':
127                return nullptr;  // This is ugly.
128            case '*': case '+': case '?': case '{':
129                throw NothingToRepeat();
130            case ']': case '}':
131                if (LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
132                    return build_CC(parse_utf8_codepoint());
133                }
134                else throw ParseFailure("Use  \\] or \\} for literal ] or }.");
135            case '[':
136                _cursor++;
137                return parse_charset();
138            case '.': // the 'any' metacharacter
139                _cursor++;
140                return makeAny();
141            case '\\'// escape processing
142                ++_cursor;
143                return parse_escaped();
144            default:
145                return build_CC(parse_utf8_codepoint());
146        }
147    }
148    return re;
149}
150   
151   
152// Parse some kind of parenthesized group.  Input precondition: _cursor
153// after the (
154RE * RE_Parser::parse_group() {
155    RE * subexpr;
156    RE * group_expr;
157    ModeFlagSet savedModeFlags = fModeFlagSet;
158    throw_incomplete_expression_error_if_end_of_stream();
159    if (*_cursor == '?') {
160        ++_cursor;
161        throw_incomplete_expression_error_if_end_of_stream();
162        switch (*_cursor) {
163            case '#'// comment
164                ++_cursor;
165                while (_cursor != _end && *_cursor != ')') {
166                    ++_cursor;
167                }
168                throw_incomplete_expression_error_if_end_of_stream();
169                ++_cursor;
170                return parse_next_item();
171            case ':':  // Non-capturing paren
172                ++_cursor;
173                group_expr = parse_alt();
174                break;
175            case '=':
176                ++_cursor;
177                subexpr = parse_alt();
178                group_expr = makeLookAheadAssertion(subexpr);
179                break;
180            case '!':
181                ++_cursor;
182                subexpr = parse_alt();
183                group_expr = makeNegativeLookAheadAssertion(subexpr);
184                break;
185            case '>':
186                ++_cursor;
187                subexpr = parse_alt();
188                group_expr = makeAtomicGroup(subexpr);
189                break;
190            case '|':
191                ++_cursor;
192                subexpr = parse_alt();
193                group_expr = makeBranchResetGroup(subexpr);
194                break;
195            case '<':
196                ++_cursor;
197                throw_incomplete_expression_error_if_end_of_stream();
198                if (*_cursor == '=') {
199                    ++_cursor;
200                    subexpr = parse_alt();
201                    group_expr = makeLookBehindAssertion(subexpr);
202                }
203                else if (*_cursor == '!') {
204                    ++_cursor;
205                    subexpr = parse_alt();
206                    group_expr = makeNegativeLookBehindAssertion(subexpr);
207                }
208                else {
209                    throw ParseFailure("Illegal lookbehind assertion syntax.");
210                }
211                break;
212            case '-': case 'd' : case 'i': case 'm': case 's': case 'x': {
213                bool negateMode = false;
214                ModeFlagType modeBit;
215                while (_cursor != _end && *_cursor != ')' && *_cursor != ':') {
216                    if (*_cursor == '-') {
217                        negateMode = true;
218                        _cursor++;
219                        throw_incomplete_expression_error_if_end_of_stream();
220                    }
221                    switch (*_cursor++) {
222                        case 'i': modeBit = CASE_INSENSITIVE_MODE_FLAG; break;
223                        case 'm': modeBit = MULTILINE_MODE_FLAG; break;
224                        case 's': modeBit = DOTALL_MODE_FLAG; break;
225                        case 'x': modeBit = IGNORE_SPACE_MODE_FLAG; break;
226                        case 'd': modeBit = UNIX_LINES_MODE_FLAG; break;
227                        default: throw ParseFailure("Unrecognized mode flag.");
228                    }
229                    if (negateMode) {
230                        fModeFlagSet &= ~modeBit;
231                        negateMode = false;  // for next flag
232                    }
233                    else fModeFlagSet |= modeBit;
234                }
235                throw_incomplete_expression_error_if_end_of_stream();
236                if (*_cursor == ':') {
237                    ++_cursor;
238                    group_expr = parse_alt();
239                }
240                else {  // if *_cursor == ')'
241                    ++_cursor;
242                    // return immediately without restoring mode flags
243                    return parse_next_item();
244                }
245                break;
246            }
247            default:
248                throw ParseFailure("Illegal (? syntax.");
249        }
250    }
251    else {
252        // Capturing paren group, but ignore capture in icgrep.
253        group_expr = parse_alt();
254    }
255    // Restore mode flags.
256    fModeFlagSet = savedModeFlags;
257    if (_cursor == _end || *_cursor++ != ')')
258        throw ParseFailure("Closing paren required.");
259    return group_expr;
260}
261   
262RE * RE_Parser::extend_item(RE * re) {
263    int lower_bound, upper_bound;
264    if (_cursor == _end) {
265        return re;
266    }
267    switch (*_cursor) {
268        case '*':
269            lower_bound = 0;
270            upper_bound = Rep::UNBOUNDED_REP;
271            break;
272        case '?':
273            lower_bound = 0;
274            upper_bound = 1;
275            break;
276        case '+':
277            lower_bound = 1;
278            upper_bound = Rep::UNBOUNDED_REP;
279            break;
280        case '{':
281            parse_range_bound(lower_bound, upper_bound);
282            break;
283        default:
284            return re;
285    }
286    ++_cursor;
287    if (*_cursor == '?') {
288        // Non-greedy qualifier
289        ++_cursor;
290        //return makeNonGreedyRep(re, lower_bound, upper_bound);
291        // Greedy vs. non-greedy makes no difference for icgrep.
292        return makeRep(re, lower_bound, upper_bound);
293    }
294    else if (*_cursor == '+') {
295        // Possessive qualifier
296        ++_cursor;
297        //return makePossessiveRep(re, lower_bound, upper_bound);
298        throw ParseFailure("Possessive repetition is not supported in icgrep 1.0");
299    }
300    else {
301        // Normal repetition operator.
302        return makeRep(re, lower_bound, upper_bound);
303    }
304}
305
306inline void RE_Parser::parse_range_bound(int & lower_bound, int & upper_bound) {
307    ++_cursor;
308    throw_incomplete_expression_error_if_end_of_stream();
309    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('b') | bit40('p') | bit40('d') | bit40('w') | bit40('s') | 
353                                     bit40('B') | bit40('P') | bit40('D') | bit40('W') | bit40('S');
354
355inline bool isSetEscapeChar(char c) {
356    return c >= 0x40 && c <= 0x7F && ((setEscapeCharacters >> (c - 0x40)) & 1) == 1;
357}
358
359inline RE * RE_Parser::parse_escaped() {
360    throw_incomplete_expression_error_if_end_of_stream();
361    if (isSetEscapeChar(*_cursor)) 
362      return parse_escaped_set();
363    else 
364      return build_CC(parse_escaped_codepoint());
365}
366
367RE * makeDigitSet() {
368    return makeName("Nd", Name::Type::UnicodeProperty);
369}
370
371RE * makeWhitespaceSet() {
372    return makeName("Whitespace", Name::Type::UnicodeProperty);
373}
374
375RE * makeWordSet() {
376    return makeName("word", Name::Type::UnicodeProperty);
377}
378
379RE * makeComplement(RE * s) {
380  return makeDiff(makeAny(), s);
381}
382
383RE * makeWordBoundary () {
384    RE * wordC = makeWordSet();
385    return makeAlt({makeSeq({makeNegativeLookBehindAssertion(wordC), makeLookAheadAssertion(wordC)}),
386                    makeSeq({makeLookBehindAssertion(wordC), makeNegativeLookAheadAssertion(wordC)})});
387}
388
389RE * makeWordNonBoundary () {
390    RE * wordC = makeWordSet();
391    return makeAlt({makeSeq({makeNegativeLookBehindAssertion(wordC), makeNegativeLookAheadAssertion(wordC)}),
392                    makeSeq({makeLookBehindAssertion(wordC), makeLookAheadAssertion(wordC)})});
393}
394
395RE * RE_Parser::parse_escaped_set() {
396    bool complemented = false;
397    RE * s;
398    switch (*_cursor) {
399        case 'b':
400            ++_cursor;
401            return makeWordBoundary();
402        case 'B':
403            ++_cursor;
404            return makeWordNonBoundary();
405        case 'd':
406            ++_cursor;
407            return makeDigitSet();
408        case 'D':
409            ++_cursor;
410            return makeComplement(makeDigitSet());
411        case 's':
412            ++_cursor;
413            return makeWhitespaceSet();
414        case 'S':
415            ++_cursor;
416            return makeComplement(makeWhitespaceSet());
417        case 'w':
418            ++_cursor;
419            return makeWordSet();
420        case 'W':
421            ++_cursor;
422            return makeComplement(makeWordSet());
423        case 'P':
424            complemented = true;
425        case 'p':
426            ++_cursor;
427            if (_cursor == _end || *_cursor != '{') throw ParseFailure("Malformed property expression");
428            ++_cursor;
429            s = parse_property_expression();
430            if (_cursor == _end || *_cursor != '}') throw ParseFailure("Malformed property expression");
431            ++_cursor;
432            if (complemented) return makeComplement(s);
433            else return s;
434        default:
435            throw ParseFailure("Internal error");
436    }
437}
438
439codepoint_t RE_Parser::parse_utf8_codepoint() {
440    // Must cast to unsigned char to avoid sign extension.
441    unsigned char pfx = static_cast<unsigned char>(*_cursor++);
442    codepoint_t cp = pfx;
443    if (pfx < 0x80) return cp;
444    unsigned suffix_bytes;
445    if (pfx < 0xE0) {
446        if (pfx < 0xC2) {  // bare suffix or illegal prefix 0xC0 or 0xC2
447            throw InvalidUTF8Encoding();
448        }
449        suffix_bytes = 1;
450        cp &= 0x1F;
451    }
452    else if (pfx < 0xF0) { // [0xE0, 0xEF]
453        cp &= 0x0F;
454        suffix_bytes = 2;
455    }
456    else { // [0xF0, 0xFF]
457        cp &= 0x0F;
458        suffix_bytes = 3;
459    }
460    while (suffix_bytes--) {
461        if (_cursor == _end) {
462            throw InvalidUTF8Encoding();
463        }
464        unsigned char sfx = static_cast<unsigned char>(*_cursor++);
465        if ((sfx & 0xC0) != 0x80) {
466            throw InvalidUTF8Encoding();
467        }
468        cp = (cp << 6) | (sfx & 0x3F);
469    }
470    // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
471    // or a 4-byte sequence is used to encode a codepoint < 0x10000.
472    if ((pfx == 0xE0 && cp < 0x800) || (pfx == 0xF0 && cp < 0x10000)) {
473        throw InvalidUTF8Encoding();
474    }
475    // It is an error if a 4-byte sequence is used to encode a codepoint
476    // above the Unicode maximum.   
477    if (cp > CC::UNICODE_MAX) {
478        throw InvalidUTF8Encoding();
479    }
480    return cp;
481}
482
483Name * RE_Parser::parse_property_expression() {
484    const cursor_t start = _cursor;
485    while (_cursor != _end && *_cursor != '}' and *_cursor != ':' and *_cursor != '=') {
486        _cursor++;
487    }
488    if (_cursor != _end && *_cursor == '=') {
489        const cursor_t prop_end = _cursor;
490        _cursor++;
491        const cursor_t val_start = _cursor;
492        while (_cursor != _end && *_cursor != '}' and *_cursor != ':') {
493            _cursor++;
494        }
495        // We have a property-name = value expression
496        return makeName(std::string(start, prop_end), std::string(val_start, _cursor), Name::Type::UnicodeProperty);
497    }
498    else return makeName(std::string(start, _cursor), Name::Type::UnicodeProperty);
499}
500
501CharsetOperatorKind RE_Parser::getCharsetOperator() {
502    throw_incomplete_expression_error_if_end_of_stream();
503    switch (*_cursor) {
504        case '&':
505            ++_cursor;
506            if (_cursor != _end && *_cursor == '&') {
507                ++_cursor;
508                return intersectOp;
509            }
510            else if (_cursor != _end && *_cursor == '[') {
511                // Short-hand for intersectOp when a set follows
512                return intersectOp;
513            }
514            else return ampChar;
515        case '-':
516            ++_cursor;
517            if (_cursor != _end && *_cursor == '-') {
518                ++_cursor;
519                return setDiffOp;
520            }
521            else if (_cursor != _end && *_cursor == '[') {
522                return setDiffOp;
523            }
524            else if (_cursor != _end && *_cursor == ']') {
525                return hyphenChar;
526            }
527            else return rangeHyphen;
528        case '[':
529            ++_cursor;
530            if (_cursor != _end && *_cursor == ':') {
531                ++_cursor;
532                return posixPropertyOpener;
533            }
534            else return setOpener;
535        case ']':
536            ++_cursor;
537            return setCloser;
538        case '\\':
539            ++_cursor;
540            return backSlash;
541        default:
542            return emptyOperator;
543    }
544}           
545   
546// Precondition: cursor is immediately after opening '[' character
547RE * RE_Parser::parse_charset() {
548    // Sets are accumulated using two variables:
549    // subexprs accumulates set expressions such as \p{Lu}, [\w && \p{Greek}]
550    // cc accumulates the literal and calculated codepoints and ranges
551    std::vector<RE *> subexprs;
552    CC * cc = makeCC();
553    // When the last item deal with is a single literal charcacter or calculated codepoint,
554    // a following hyphen can indicate a range.   When the last item is a set subexpression,
555    // a following hyphen can indicate set subtraction.
556    enum {NoItem, CodepointItem, RangeItem, SetItem, BrackettedSetItem} lastItemKind = NoItem;
557    codepoint_t lastCodepointItem;
558   
559    bool havePendingOperation = false;
560    CharsetOperatorKind pendingOperationKind;
561    RE * pendingOperand;
562   
563    // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
564    bool negated = false;
565    if (_cursor != _end && *_cursor == '^') {
566      negated = true;
567      ++_cursor;
568    }
569    throw_incomplete_expression_error_if_end_of_stream();
570    // Legacy rule: an unescaped ] may appear as a literal set character
571    // if and only if it appears immediately after the opening [ or [^
572    if ( *_cursor == ']' && LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
573        cc->insert(']');
574        lastItemKind = CodepointItem;
575        lastCodepointItem = static_cast<codepoint_t> (']');
576        ++_cursor;
577    }
578    else if ( *_cursor == '-' && LEGACY_UNESCAPED_HYPHEN_ALLOWED) {
579        ++_cursor;
580        cc->insert('-');
581        lastItemKind = CodepointItem;
582        lastCodepointItem = static_cast<codepoint_t> ('-');
583                if (*_cursor == '-') throw ParseFailure("Set operator has no left operand.");
584    }
585    while (_cursor != _end) {
586        CharsetOperatorKind op = getCharsetOperator();
587        switch (op) {
588            case intersectOp: case setDiffOp: {
589                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no left operand.");
590                if (cc->begin() != cc->end()) subexprs.push_back(cc);
591                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
592                subexprs.clear();
593                cc = makeCC();
594                if (havePendingOperation) {
595                    if (pendingOperationKind == intersectOp) {
596                        pendingOperand = makeIntersect(pendingOperand, newOperand);
597                    }
598                    else {
599                        pendingOperand = makeDiff(pendingOperand, newOperand);
600                    }
601                }
602                else {
603                    pendingOperand = newOperand;
604                }
605                havePendingOperation = true;
606                pendingOperationKind = op;
607                lastItemKind = NoItem;
608            }
609            break;
610            case setCloser: {
611                if (lastItemKind == NoItem) throw ParseFailure("Set operator has no right operand.");
612                if (cc->begin() != cc->end()) {
613                    subexprs.push_back(cc);
614                }
615                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
616                if (havePendingOperation) {
617                    if (pendingOperationKind == intersectOp) {
618                        newOperand = makeIntersect(pendingOperand, newOperand);
619                    }
620                    else {
621                        newOperand = makeDiff(pendingOperand, newOperand);
622                    }
623                }
624                if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
625                    if (CC * cc1 = dyn_cast<CC>(newOperand)) {
626                        newOperand = caseInsensitize(cc1);
627                    }
628                }
629                if (negated) return makeComplement(newOperand); 
630                else return newOperand;
631            }
632            case setOpener: case posixPropertyOpener: {
633                if (lastItemKind != NoItem) {
634                    if (cc->begin() != cc->end()) subexprs.push_back(cc);
635                    RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
636                    subexprs.clear();
637                    cc = makeCC();
638                    if (havePendingOperation) {
639                        if (pendingOperationKind == intersectOp) {
640                            pendingOperand = makeIntersect(pendingOperand, newOperand);
641                        }
642                        else {
643                            pendingOperand = makeDiff(pendingOperand, newOperand);
644                        }
645                    }
646                    else {
647                        pendingOperand = newOperand;
648                    }
649                    subexprs.push_back(pendingOperand);
650                    havePendingOperation = false;
651                }
652                if (op == setOpener) {
653                    subexprs.push_back(parse_charset());
654                    lastItemKind = SetItem;
655                }
656                else if (op == posixPropertyOpener) {
657                    bool negated = false;
658                    if (*_cursor == '^') {
659                        negated = true;
660                        _cursor++;
661                    }
662                    RE * posixSet = parse_property_expression();
663                    if (negated) posixSet = makeComplement(posixSet);
664                    subexprs.push_back(posixSet);
665                    lastItemKind = BrackettedSetItem;
666                    if (_cursor == _end || *_cursor++ != ':' || _cursor == _end || *_cursor++ != ']')
667                        throw ParseFailure("Posix set expression improperly terminated.");
668                }
669            }
670            break;
671            case rangeHyphen:
672                if (lastItemKind != CodepointItem) throw ParseFailure("Range operator - has illegal left operand.");
673                cc->insert_range(lastCodepointItem, parse_codepoint());
674                lastItemKind = RangeItem;
675                break;
676            case hyphenChar:
677                cc->insert('-'); 
678                lastItemKind = CodepointItem;
679                lastCodepointItem = static_cast<codepoint_t> ('-');
680                break;
681            case ampChar:
682                cc->insert('&'); 
683                lastItemKind = CodepointItem;
684                lastCodepointItem = static_cast<codepoint_t> ('&');
685                break;
686            case backSlash:
687                throw_incomplete_expression_error_if_end_of_stream();
688                if (isSetEscapeChar(*_cursor)) {
689                    subexprs.push_back(parse_escaped_set());
690                    lastItemKind = SetItem;
691                }
692                else {
693                    lastCodepointItem = parse_escaped_codepoint();
694                    cc->insert(lastCodepointItem);
695                    lastItemKind = CodepointItem;
696                }
697                break;
698            case emptyOperator:
699                lastCodepointItem = parse_utf8_codepoint();
700                cc->insert(lastCodepointItem);
701                lastItemKind = CodepointItem;
702                break;
703        }
704    }
705    throw ParseFailure("Set expression not properly terminated.");
706}
707
708
709codepoint_t RE_Parser::parse_codepoint() {
710    if (_cursor != _end && *_cursor == '\\') {
711        _cursor++;
712        return parse_escaped_codepoint();
713    }
714    else {
715        return parse_utf8_codepoint();
716    }
717}
718
719// A backslash escape was found, and various special cases (back reference,
720// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S, \b, \B), grapheme
721// cluster \X have been ruled out.
722// It may be one of several possibilities or an error sequence.
723// 1. Special control codes (\a, \e, \f, \n, \r, \t, \v)
724// 2. General control codes c[@-_a-z?]
725// 3. Restricted octal notation 0 - 0777
726// 4. General octal notation o\{[0-7]+\}
727// 5. General hex notation x\{[0-9A-Fa-f]+\}
728// 6. An error for any unrecognized alphabetic escape
729// 7. An escaped ASCII symbol, standing for itself
730
731codepoint_t RE_Parser::parse_escaped_codepoint() {
732    codepoint_t cp_value;
733    throw_incomplete_expression_error_if_end_of_stream();
734    switch (*_cursor) {
735        case 'a': ++_cursor; return 0x07; // BEL
736        case 'e': ++_cursor; return 0x1B; // ESC
737        case 'f': ++_cursor; return 0x0C; // FF
738        case 'n': ++_cursor; return 0x0A; // LF
739        case 'r': ++_cursor; return 0x0D; // CR
740        case 't': ++_cursor; return 0x09; // HT
741        case 'v': ++_cursor; return 0x0B; // VT
742        case 'c': // Control-escape based on next char
743            ++_cursor;
744            throw_incomplete_expression_error_if_end_of_stream();
745            // \c@, \cA, ... \c_, or \ca, ..., \cz
746            if (((*_cursor >= '@') && (*_cursor <= '_')) || ((*_cursor >= 'a') && (*_cursor <= 'z'))) {
747                cp_value = static_cast<codepoint_t>(*_cursor & 0x1F);
748                _cursor++;
749                return cp_value;
750            }
751            else if (*_cursor++ == '?') return 0x7F;  // \c? ==> DEL
752            else throw("Illegal \\c escape sequence");
753        case '0': // Octal escape:  0 - 0377
754            ++_cursor;
755            return parse_octal_codepoint(0,3);
756        case 'o':
757            ++_cursor;
758            throw_incomplete_expression_error_if_end_of_stream();
759            if (*_cursor == '{') {
760                ++_cursor;
761                cp_value = parse_octal_codepoint(1, 7);
762                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed octal escape sequence");
763                return cp_value;
764            }
765            else {
766                throw ParseFailure("Malformed octal escape sequence");
767            }
768        case 'x':
769            ++_cursor;
770            throw_incomplete_expression_error_if_end_of_stream();
771            if (*_cursor == '{') {
772              ++_cursor;
773              cp_value = parse_hex_codepoint(1, 6);
774              if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
775              return cp_value;
776            }
777            else {
778                return parse_hex_codepoint(1,2);  // ICU compatibility
779            }
780        case 'u':
781            ++_cursor;
782            throw_incomplete_expression_error_if_end_of_stream();
783            if (*_cursor == '{') {
784                ++_cursor;
785                cp_value = parse_hex_codepoint(1, 6);
786                if (_cursor == _end || *_cursor++ != '}') throw ParseFailure("Malformed hex escape sequence");
787                return cp_value;
788            }
789            else {
790                return parse_hex_codepoint(4,4);  // ICU compatibility
791            }
792        case 'U':
793            ++_cursor;
794            return parse_hex_codepoint(8,8);  // ICU compatibility
795        case 'N':
796            ++_cursor;
797            throw ParseFailure("\\N{...} character name syntax not yet supported.");
798
799        default:
800            // Escaped letters should be reserved for special functions.
801            if (((*_cursor >= 'A') && (*_cursor <= 'Z')) || ((*_cursor >= 'a') && (*_cursor <= 'z')))
802                throw ParseFailure("Undefined or unsupported escape sequence");
803            else if ((*_cursor < 0x20) || (*_cursor >= 0x7F))
804                throw ParseFailure("Illegal escape sequence");
805            else return static_cast<codepoint_t>(*_cursor++);
806    }
807}
808
809
810codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
811    codepoint_t value = 0;
812    int count = 0;
813    while (_cursor != _end && count < maxdigits) {
814        const char t = *_cursor;
815        if (t < '0' || t > '7') {
816            break;
817        }
818        value = value * 8 | (t - '0');
819        ++_cursor;
820        ++count;
821    }
822    if (count < mindigits) throw ParseFailure("Octal sequence has too few digits");
823    if (value > CC::UNICODE_MAX) throw ParseFailure("Octal value too large");
824    return value;
825}
826
827codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
828    codepoint_t value = 0;
829    int count = 0;
830    while (_cursor != _end && isxdigit(*_cursor) && count < maxdigits) {
831        const char t = *_cursor;
832        if (isdigit(t)) {
833            value = (value * 16) | (t - '0');
834        }
835        else {   
836            value = (value * 16) | ((t | 32) - 'a') + 10;
837        }
838        ++_cursor;
839        ++count;
840    }
841    if (count < mindigits) throw ParseFailure("Hexadecimal sequence has too few digits");
842    if (value > CC::UNICODE_MAX) throw ParseFailure("Hexadecimal value too large");
843    return value;
844}
845
846
847inline void RE_Parser::throw_incomplete_expression_error_if_end_of_stream() const {
848    if (_cursor == _end) throw IncompleteRegularExpression();
849}
850
851CC * RE_Parser::build_CC(codepoint_t cp) {
852    CC * cc = makeCC();
853    CC_add_codepoint(cc, cp);
854    return cc;
855}
856
857void RE_Parser::CC_add_codepoint(CC * cc, codepoint_t cp) {
858    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
859        caseInsensitiveInsert(cc, cp);
860    }
861    else cc->insert(cp);
862}
863
864void RE_Parser::CC_add_range(CC * cc, codepoint_t lo, codepoint_t hi) {
865    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
866        caseInsensitiveInsertRange(cc, lo, hi);
867    }
868    else cc-> insert_range(lo, hi);
869}
870   
871   
872}
Note: See TracBrowser for help on using the repository browser.