source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 5493

Last change on this file since 5493 was 5481, checked in by cameron, 2 years ago

Refactoring grepEngine: separate out codepoint/property value grep

File size: 37.8 KB
Line 
1/*
2 *  Copyright (c) 2016 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_parser_helper.h>
9#include <re/re_parser_pcre.h>
10#include <re/re_parser_ere.h>
11#include <re/re_parser_bre.h>
12#include <re/re_parser_prosite.h>
13#include <re/re_name.h>
14#include <re/re_alt.h>
15#include <re/re_any.h>
16#include <re/re_end.h>
17#include <re/re_rep.h>
18#include <re/re_seq.h>
19#include <re/re_start.h>
20#include <re/re_diff.h>
21#include <re/re_intersect.h>
22#include <re/re_assertion.h>
23#include <re/printer_re.h>
24#include <UCD/UnicodeNameData.h>
25#include <UCD/resolve_properties.h>
26#include <UCD/CaseFolding_txt.h>
27#include <grep_engine.h>
28#include <sstream>
29#include <string>
30#include <algorithm>
31#include <iostream>
32#include <llvm/Support/Casting.h>
33#include <llvm/Support/ErrorHandling.h>
34
35using namespace llvm;
36
37namespace re {
38
39template<typename T, typename... Args>
40std::unique_ptr<T> make_unique(Args&&... args) {
41    return std::unique_ptr<T>(new T(std::forward<Args>(args)...));
42}
43
44RE * RE_Parser::parse(const std::string & regular_expression, ModeFlagSet initialFlags, RE_Syntax syntax) {
45    std::unique_ptr<RE_Parser> parser = nullptr;
46    switch (syntax) {
47        case RE_Syntax::PCRE:
48            parser = make_unique<RE_Parser_PCRE>(regular_expression);
49            break;
50        case RE_Syntax::ERE:
51            parser = make_unique<RE_Parser_ERE>(regular_expression);
52            break;
53        case RE_Syntax ::BRE:
54            parser = make_unique<RE_Parser_BRE>(regular_expression);
55            break;
56        case RE_Syntax ::PROSITE:
57            parser = make_unique<RE_Parser_PROSITE>(regular_expression);
58            break;
59        default:
60            //TODO handle FixString
61            ParseFailure("Unsupported RE syntax!");
62            break;
63    }
64    parser->fModeFlagSet = initialFlags;
65    parser->fNested = false;
66    parser->fGraphemeBoundaryPending = false;
67    parser->mCaptureGroupCount = 0;
68    RE * re = parser->parse_RE();
69    if (re == nullptr) {
70        ParseFailure("An unexpected parsing error occurred!");
71    }
72    return re;
73}
74
75RE_Parser::RE_Parser(const std::string & regular_expression)
76: fModeFlagSet(0)
77, fNested(false)
78, fGraphemeBoundaryPending(false)
79, fSupportNonCaptureGroup(false)
80, mCursor(regular_expression)
81, mCaptureGroupCount(0)
82, mReSyntax(RE_Syntax::PCRE)
83{
84
85}
86
87RE * makeAtomicGroup(RE * r) {
88    RE_Parser::ParseFailure("Atomic grouping not supported.");
89}
90
91RE * makeBranchResetGroup(RE * r) {
92    // Branch reset groups only affect submatch numbering, but
93    // this has no effect in icgrep.
94    return r;
95}
96
97RE * RE_Parser::parse_RE() {
98    return parse_alt();
99}
100
101RE * RE_Parser::parse_alt() {
102    return parse_alt_with_intersect(nullptr);
103}
104
105RE * RE_Parser::parse_alt_with_intersect(RE* reToBeIntersected) {
106    std::vector<RE *> alt;
107    for (;;) {
108        alt.push_back(parse_seq_with_intersect(reToBeIntersected));
109        if (*mCursor != '|') {
110            break;
111        }
112        ++mCursor; // advance past the alternation character '|'
113    }
114    if (alt.empty()) {
115        ParseFailure("No regular expression found!");
116    }
117    return makeAlt(alt.begin(), alt.end());
118}
119
120RE * RE_Parser::parse_seq() {
121    return parse_seq_with_intersect(nullptr);
122}
123
124RE * RE_Parser::parse_seq_with_intersect(RE* reToBeIntersected) {
125    std::vector<RE *> seq;
126    for (;;) {
127        RE * re = parse_next_item();
128        if (re == nullptr) {
129            if (fGraphemeBoundaryPending == true) {
130                seq.push_back(makeZeroWidth("GCB"));
131                fGraphemeBoundaryPending = false;
132            }
133            break;
134        }
135        if (reToBeIntersected) {
136            re = makeIntersect(reToBeIntersected, re);
137        }
138        re = extend_item(re);
139        seq.push_back(re);
140    }
141    return makeSeq(seq.begin(), seq.end());
142}
143
144RE * RE_Parser::parse_next_item() {
145    RE * re = nullptr;
146    if (mCursor.more()) {       
147        switch (*mCursor) {
148            case '(':
149                ++mCursor;
150                return parse_group();
151            case '^':
152                ++mCursor;
153                return makeStart();
154            case '$':
155                ++mCursor;
156                return makeEnd();
157            case '|': case ')':
158                break;
159            case '*': case '+': case '?': case '{':
160                ParseFailure("Need something to repeat before *, +, ? or {.");
161            case ']':
162                if (LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
163                    return createCC(parse_utf8_codepoint());
164                }
165                ParseFailure("Use  \\] for literal ].");
166            case '}':
167                if (fNested) {
168                    break;  //  a recursive invocation for a regexp in \N{...}
169                } else if (LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
170                    return createCC(parse_utf8_codepoint());
171                }
172                ParseFailure("Use \\} for literal }.");
173            case '[':
174                mCursor++;
175                re = parse_charset();
176                if ((fModeFlagSet & ModeFlagType::GRAPHEME_CLUSTER_MODE) != 0) {
177                    re = makeSeq({re, makeZeroWidth("GCB")});
178                }
179                return re;
180            case '.': // the 'any' metacharacter
181                mCursor++;
182                return makeAny();
183            case '\\'// escape processing
184                ++mCursor;
185                return parse_escaped();
186            default:
187                re = createCC(parse_utf8_codepoint());
188                if ((fModeFlagSet & ModeFlagType::GRAPHEME_CLUSTER_MODE) != 0) {
189                    fGraphemeBoundaryPending = true;
190                }
191                return re;
192        }
193    }
194    return nullptr;
195}
196
197
198// Parse some kind of parenthesized group.  Input precondition: mCursor
199// after the (
200RE * RE_Parser::parse_group() {
201    const ModeFlagSet modeFlagSet = fModeFlagSet;
202    RE * group_expr = nullptr;
203    if (*mCursor == '?' && fSupportNonCaptureGroup) {
204        switch (*++mCursor) {
205            case '#'// comment
206                while (*++mCursor != ')');
207                ++mCursor;
208                return parse_next_item();
209            case ':':  // Non-capturing paren
210                ++mCursor;
211                group_expr = parse_alt();
212                break;
213            case '=':
214                ++mCursor;
215                group_expr = makeLookAheadAssertion(parse_alt());
216                break;
217            case '!':
218                ++mCursor;
219                group_expr = makeNegativeLookAheadAssertion(parse_alt());
220                break;
221            case '>':
222                ++mCursor;
223                group_expr = makeAtomicGroup(parse_alt());
224                break;
225            case '|':
226                ++mCursor;
227                group_expr = makeBranchResetGroup(parse_alt());
228                break;
229            case '<':
230                ++mCursor;
231                if (*mCursor == '=') {
232                    ++mCursor;
233                    group_expr = makeLookBehindAssertion(parse_alt());
234                }
235                else if (*mCursor == '!') {
236                    ++mCursor;
237                    group_expr = makeNegativeLookBehindAssertion(parse_alt());
238                } else {
239                    ParseFailure("Illegal lookbehind assertion syntax.");
240                }
241                break;
242            case '-': case 'd' : case 'i': case 'm': case 's': case 'x': case 'g':
243                while (*mCursor != ')' && *mCursor != ':') {
244                    bool negateMode = false;
245                    ModeFlagType modeBit;
246                    if (*mCursor == '-') {
247                        negateMode = true;
248                        ++mCursor;
249                    }
250                    switch (*mCursor) {
251                        case 'i': modeBit = CASE_INSENSITIVE_MODE_FLAG; break;
252                        case 'g': modeBit = GRAPHEME_CLUSTER_MODE; break;
253                        //case 'm': modeBit = MULTILINE_MODE_FLAG; break;
254                        //case 's': modeBit = DOTALL_MODE_FLAG; break;
255                        //case 'x': modeBit = IGNORE_SPACE_MODE_FLAG; break;
256                        //case 'd': modeBit = UNIX_LINES_MODE_FLAG; break;
257                        default: ParseFailure("Unsupported mode flag.");
258                    }
259                    ++mCursor;
260                    if (negateMode) {
261                        fModeFlagSet &= ~modeBit;
262                        negateMode = false;  // for next flag
263                    } else {
264                        fModeFlagSet |= modeBit;
265                    }
266                }
267                if (*mCursor == ':') {
268                    ++mCursor;
269                    group_expr = parse_alt();
270                    fModeFlagSet = modeFlagSet;
271                    break;
272                } else {  // if *_cursor == ')'
273                    ++mCursor;
274                    return parse_next_item();
275                }
276            case '\\': {
277                ++mCursor;
278                if (*mCursor == 'p' || *mCursor == 'P') {
279                    RE* reToBeIntersected = parseEscapedSet();
280                    if (*mCursor == ':') {
281                        ++mCursor;
282                        group_expr = parse_alt_with_intersect(reToBeIntersected);
283                        fModeFlagSet = modeFlagSet;
284                        break;
285                    } else {  // if *_cursor == ')'
286                        ++mCursor;
287                        return parse_next_item();
288                    }
289                }
290                break;
291            }
292            default:
293                ParseFailure("Illegal (? syntax.");
294        }
295    } else { // Capturing paren group.
296        RE * captured = parse_alt();
297        mCaptureGroupCount++;
298        std::string captureName = "\\" + std::to_string(mCaptureGroupCount);
299        Name * const capture  = mMemoizer.memoize(makeCapture(captureName, captured));
300        auto key = std::make_pair("", captureName);
301        mNameMap.insert(std::make_pair(std::move(key), capture));
302        group_expr = capture;
303    }
304    if (*mCursor != ')') {
305        ParseFailure("Closing parenthesis required.");
306    }
307    ++mCursor;
308    return group_expr;
309}
310
311RE * RE_Parser::extend_item(RE * re) {
312    if (LLVM_LIKELY(mCursor.more())) {
313        int lb = 0, ub = 0;
314        bool hasRep = true;
315        switch (*mCursor) {
316            case '*':
317                lb = 0;
318                ub = Rep::UNBOUNDED_REP;
319                break;
320            case '?':
321                lb = 0;
322                ub = 1;
323                break;
324            case '+':
325                lb = 1;
326                ub = Rep::UNBOUNDED_REP;
327                break;
328            case '{':
329                std::tie(lb, ub) = parse_range_bound();
330                break;
331            default:
332                hasRep = false;
333        }
334        if (hasRep) {
335            if (lb > MAX_REPETITION_LOWER_BOUND || ub > MAX_REPETITION_UPPER_BOUND) {
336                ParseFailure("Bounded repetition exceeds icgrep implementation limit");
337            }
338            if ((ub != Rep::UNBOUNDED_REP) && (lb > ub)) {
339                ParseFailure("Lower bound cannot exceed upper bound in bounded repetition");
340            }
341            ++mCursor;
342            if (*mCursor == '?') { // Non-greedy qualifier
343                // Greedy vs. non-greedy makes no difference for icgrep.
344                ++mCursor;
345            } else if (*mCursor == '+') {
346                ++mCursor;
347                ParseFailure("Possessive repetition is not supported in icgrep 1.0");
348            }
349            re = makeRep(re, lb, ub);
350        }
351    }
352    return re;
353}
354
355std::pair<int, int> RE_Parser::parse_range_bound() {
356    int lower_bound = 0, upper_bound = 0;
357    if (*++mCursor != ',') {
358        lower_bound = parse_int();
359    }
360    if (*mCursor == '}') {
361        upper_bound = lower_bound;
362    } else if (*mCursor != ',') {
363        ParseFailure("Bad lower bound!");
364    } else if (*++mCursor == '}') {
365        upper_bound = Rep::UNBOUNDED_REP;
366    } else {
367        upper_bound = parse_int();
368        if (*mCursor != '}') {
369            ParseFailure("Bad upper bound!");
370        }
371    }
372    return std::make_pair(lower_bound, upper_bound);
373}
374
375unsigned RE_Parser::parse_int() {
376    unsigned value = 0;
377    while (isdigit(*mCursor)) {
378        value *= 10;
379        value += static_cast<int>(*mCursor++) - 48;
380    }
381    return value;
382}
383
384
385const uint64_t setEscapeCharacters = bit3C('b') | bit3C('p') | bit3C('q') | bit3C('d') | bit3C('w') | bit3C('s') | bit3C('<') | bit3C('>') |
386                                     bit3C('B') | bit3C('P') | bit3C('Q') | bit3C('D') | bit3C('W') | bit3C('S') | bit3C('N') | bit3C('X');
387
388bool RE_Parser::isSetEscapeChar(char c) {
389    return c >= 0x3C && c <= 0x7B && ((setEscapeCharacters >> (c - 0x3C)) & 1) == 1;
390}
391                                 
392
393RE * RE_Parser::parse_escaped() {
394   
395    if (isSetEscapeChar(*mCursor)) {
396        return parseEscapedSet();
397    }
398    else if (isdigit(*mCursor)) {
399        mCursor++;
400        std::string backref = std::string(mCursor.pos()-2, mCursor.pos());
401        auto key = std::make_pair("", backref);
402        auto f = mNameMap.find(key);
403        if (f != mNameMap.end()) {
404            return makeReference(backref, f->second);
405        }
406        else {
407            ParseFailure("Back reference " + backref + " without prior capture group.");
408        }
409    }
410    else {
411        return createCC(parse_escaped_codepoint());
412    }
413}
414   
415RE * RE_Parser::parseEscapedSet() {
416    bool complemented = false;
417    RE * re = nullptr;
418    switch (*mCursor) {
419        case 'B': complemented = true;
420        case 'b':
421            if (*++mCursor != '{') {
422                return complemented ? makeWordNonBoundary() : makeWordBoundary();
423            } else {
424                ++mCursor;
425                if (isCharAhead('}')) {
426                    switch (*mCursor) {
427                        case 'g':
428                            re = complemented ? makeZeroWidth("NonGCB") : makeZeroWidth("GCB");
429                            ++mCursor;
430                            ++mCursor;
431                            break;
432                        case 'w': ParseFailure("\\b{w} not yet supported.");
433                        case 'l': ParseFailure("\\b{l} not yet supported.");
434                        case 's': ParseFailure("\\b{s} not yet supported.");
435//                        default: ParseFailure("Unrecognized boundary assertion");
436                    }
437                }
438                if (!re) {
439                    auto propExpr = parsePropertyExpression();
440                    if (*mCursor++ != '}') {
441                        ParseFailure("Malformed boundary assertion");
442                    }
443                    re = complemented ? makeReNonBoundary(propExpr) : makeReBoundary(propExpr);
444                }
445                return re;
446            }
447        case 'd':
448            ++mCursor;
449            return makeDigitSet();
450        case 'D':
451            ++mCursor;
452            return makeComplement(makeDigitSet());
453        case 's':
454            ++mCursor;
455            return makeWhitespaceSet();
456        case 'S':
457            ++mCursor;
458            return makeComplement(makeWhitespaceSet());
459        case 'w':
460            ++mCursor;
461            return makeWordSet();
462        case 'W':
463            ++mCursor;
464            return makeComplement(makeWordSet());
465        case 'Q':
466            complemented = true;
467        case 'q':
468            if (*++mCursor != '{') {
469                ParseFailure("Malformed grapheme-boundary property expression");
470            }
471            ++mCursor;
472            ParseFailure("Literal grapheme cluster expressions not yet supported.");
473            if (*mCursor != '}') {
474                ParseFailure("Malformed grapheme-boundary property expression");
475            }
476            ++mCursor;
477            return complemented ? makeComplement(re) : re;
478        case 'P':
479            complemented = true;
480        case 'p':
481            if (*++mCursor != '{') {
482                ParseFailure("Malformed property expression");
483            }
484            ++mCursor;
485            re = parsePropertyExpression();
486            if (*mCursor != '}') {
487                ParseFailure("Malformed property expression");
488            }
489            ++mCursor;
490            return complemented ? makeComplement(re) : re;
491        case 'X':
492            // \X is equivalent to ".+?\b{g}"; proceed the minimal number of characters (but at least one)
493            // to get to the next extended grapheme cluster boundary.
494            ++mCursor;
495            return makeSeq({makeAny(), makeRep(makeSeq({makeZeroWidth("NonGCB"), makeAny()}), 0, Rep::UNBOUNDED_REP), makeZeroWidth("GCB")});
496        case 'N':
497            if (*++mCursor != '{') {
498                ParseFailure("Malformed \\N expression");
499            }
500            ++mCursor;
501            re = parseNamePatternExpression();
502            if (*mCursor != '}') {
503                ParseFailure("Malformed \\N expression");
504            }
505            ++mCursor;
506            assert (re);
507            return re;
508        case '<':
509            ++mCursor;
510            return makeWordBegin();
511        case '>':
512            ++mCursor;
513            return makeWordEnd();
514        default:
515            ParseFailure("Internal error");
516    }
517}
518   
519void InvalidUTF8Encoding() {
520    RE_Parser::ParseFailure("Invalid UTF-8 encoding!");
521}
522
523codepoint_t RE_Parser::parse_utf8_codepoint() {
524    // Must cast to unsigned char to avoid sign extension.
525    unsigned char pfx = static_cast<unsigned char>(*mCursor++);
526    codepoint_t cp = pfx;
527    if (pfx < 0x80) return cp;
528    unsigned suffix_bytes = 0;
529    if (pfx < 0xE0) {
530        if (pfx < 0xC2) {  // bare suffix or illegal prefix 0xC0 or 0xC2
531            InvalidUTF8Encoding();
532        }
533        suffix_bytes = 1;
534        cp &= 0x1F;
535    } else if (pfx < 0xF0) { // [0xE0, 0xEF]
536        cp &= 0x0F;
537        suffix_bytes = 2;
538    } else { // [0xF0, 0xFF]
539        cp &= 0x0F;
540        suffix_bytes = 3;
541    }
542    while (suffix_bytes--) {
543        if (mCursor.noMore()) {
544            InvalidUTF8Encoding();
545        }
546        char_t sfx = *mCursor++;
547        if ((sfx & 0xC0) != 0x80) {
548            InvalidUTF8Encoding();
549        }
550        cp = (cp << 6) | (sfx & 0x3F);
551    }
552    // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
553    // or a 4-byte sequence is used to encode a codepoint < 0x10000.
554    if ((pfx == 0xE0 && cp < 0x800) || (pfx == 0xF0 && cp < 0x10000)) {
555        InvalidUTF8Encoding();
556    }
557    // It is an error if a 4-byte sequence is used to encode a codepoint
558    // above the Unicode maximum.
559    if (cp > UCD::UNICODE_MAX) {
560        InvalidUTF8Encoding();
561    }
562    return cp;
563}
564
565std::string RE_Parser::canonicalize(const cursor_t begin, const cursor_t end) {
566    std::locale loc;
567    std::stringstream s;   
568    for (auto i = begin; i != end; ++i) {
569        switch (*i) {
570            case '_': case ' ': case '-':
571                break;
572            default:
573                s << std::tolower(*i, loc);
574        }
575    }
576    return s.str();
577}
578
579bool RE_Parser::isCharAhead(char c) {
580    if (mCursor.remaining() < 2) {
581        return false;
582    }
583    auto nextCursor = mCursor.pos() + 1;
584    return *nextCursor == c;
585}
586
587RE * RE_Parser::parsePropertyExpression() {
588    const auto start = mCursor.pos();
589    while (mCursor.more()) {
590        bool done = false;
591        switch (*mCursor) {
592            case '}': case ':': case '=':
593                done = true;
594        }
595        if (done) {
596            break;
597        }
598        ++mCursor;
599    }
600    if (*mCursor == '=') {
601        // We have a property-name = value expression
602        const auto prop_end = mCursor.pos();
603        mCursor++;
604        auto val_start = mCursor.pos();
605        if (*val_start != '/') {
606            // property-value is normal string
607            while (mCursor.more()) {
608                bool done = false;
609                switch (*mCursor) {
610                    case '}': case ':':
611                        done = true;
612                }
613                if (done) {
614                    break;
615                }
616                ++mCursor;
617            }
618            return createName(canonicalize(start, prop_end), canonicalize(val_start, mCursor.pos()));
619        } else {
620            // property-value is another regex
621            auto previous = val_start;
622            auto current = (++mCursor).pos();
623            val_start = current;
624
625            while (true) {
626                if (*current == '/' && *previous != '\\') {
627                    break;
628                }
629
630                if (!mCursor.more()) {
631                    ParseFailure("Malformed property expression");
632                }
633
634                previous = current;
635                current = (++mCursor).pos();
636            }
637            ++mCursor;
638            return parseRegexPropertyValue(canonicalize(start, prop_end), canonicalize(val_start, current));
639        }
640    }
641    return createName(canonicalize(start, mCursor.pos()));
642}
643
644RE * RE_Parser::parseRegexPropertyValue(const std::string & propName, const std::string& regexValue) {
645    RE * propValueRe = RE_Parser::parse("^" + regexValue + "$", fModeFlagSet, mReSyntax);
646    const auto matches = grep::grepPropertyValues(propName, propValueRe);
647    if (matches.empty()) {
648        ParseFailure("regex " + regexValue + " match no property values");
649    } else if (matches.size() == 1) {
650        return createName(propName, matches.front());
651    } else {
652        std::vector<re::RE *> alt;
653        for (auto value : matches) {
654            alt.push_back(createName(propName, value));
655        }
656        return makeAlt(alt.begin(), alt.end());
657    }
658}
659
660Name * RE_Parser::parseNamePatternExpression(){
661
662    ModeFlagSet outerFlags = fModeFlagSet;
663    fModeFlagSet = 1;
664
665    bool outerNested = fNested;
666    fNested = true;
667
668    RE * nameRE = parse_RE();
669
670    // Reset outer parsing state.
671    fModeFlagSet = outerFlags;
672    fNested = outerNested;
673
674    // Embed the nameRE in ";.*$nameRE" to skip the codepoint field of Uname.txt
675    RE * embedded = makeSeq({mMemoizer.memoize(makeCC(0x3B)), makeRep(makeAny(), 0, Rep::UNBOUNDED_REP), nameRE});
676   
677    CC * codepoints = grep::grepCodepoints(embedded, getUnicodeNameDataPtr(), getUnicodeNameDataSize());
678   
679    if (codepoints) {
680        Name * const result = mMemoizer.memoize(codepoints);
681        assert (*cast<CC>(result->getDefinition()) == *codepoints);
682        return result;
683    }
684    return nullptr;
685}
686
687bool RE_Parser::isUnsupportChartsetOperator(char c) {
688    return false;
689}
690
691CharsetOperatorKind RE_Parser::getCharsetOperator() {
692    if (isUnsupportChartsetOperator(*mCursor)) {
693        return emptyOperator;
694    }
695    switch (*mCursor) {
696        case '&':
697            ++mCursor;
698            if (*mCursor == '&') {
699                ++mCursor;
700                return intersectOp;
701            } else if (*mCursor == '[') {
702                // Short-hand for intersectOp when a set follows
703                return intersectOp;
704            }
705            return ampChar;
706        case '-':
707            ++mCursor;
708            if (*mCursor == '-') {
709                ++mCursor;
710                return setDiffOp;
711            } else if (*mCursor == '[') {
712                return setDiffOp;
713            } else if (*mCursor == ']') {
714                return hyphenChar;
715            }
716            return rangeHyphen;
717        case '[':
718            ++mCursor;
719            if (*mCursor == ':') {
720                ++mCursor;
721                return posixPropertyOpener;
722            }
723            return setOpener;
724        case ']':
725            ++mCursor;
726            return setCloser;
727        case '\\':
728            ++mCursor;
729            return backSlash;
730        default:
731            return emptyOperator;
732    }
733}
734
735// Precondition: cursor is immediately after opening '[' character
736RE * RE_Parser::parse_charset() {
737    // Sets are accumulated using two variables:
738    // subexprs accumulates set expressions such as \p{Lu}, [\w && \p{Greek}]
739    // cc accumulates the literal and calculated codepoints and ranges
740    std::vector<RE *> subexprs;
741    CC * cc = makeCC();
742    // When the last item deal with is a single literal charcacter or calculated codepoint,
743    // a following hyphen can indicate a range.   When the last item is a set subexpression,
744    // a following hyphen can indicate set subtraction.
745    enum {NoItem, CodepointItem, RangeItem, SetItem, BrackettedSetItem} lastItemKind = NoItem;
746
747    codepoint_t lastCodepointItem = 0;
748    bool havePendingOperation = false;
749    CharsetOperatorKind pendingOperationKind = intersectOp;
750    RE * pendingOperand = nullptr;
751
752    // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
753    bool negated = false;
754    if (*mCursor == '^') {
755        negated = true;
756        ++mCursor;
757    }
758    // Legacy rule: an unescaped ] may appear as a literal set character
759    // if and only if it appears immediately after the opening [ or [^
760    if ( *mCursor == ']' && LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
761        insert(cc, ']');
762        lastItemKind = CodepointItem;
763        lastCodepointItem = static_cast<codepoint_t> (']');
764        ++mCursor;
765    } else if ( *mCursor == '-' && LEGACY_UNESCAPED_HYPHEN_ALLOWED) {
766        ++mCursor;
767        insert(cc, '-');
768        lastItemKind = CodepointItem;
769        lastCodepointItem = static_cast<codepoint_t> ('-');
770        if (*mCursor == '-') {
771            ParseFailure("Set operator has no left operand.");
772        }
773    }
774    while (mCursor.more()) {
775        const CharsetOperatorKind op = getCharsetOperator();
776        switch (op) {
777            case intersectOp:
778            case setDiffOp: {
779                if (lastItemKind == NoItem) {
780                    ParseFailure("Set operator has no left operand.");
781                }
782                if (!cc->empty()) {
783                    subexprs.push_back(mMemoizer.memoize(cc));
784                }
785                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
786                subexprs.clear();
787                cc = makeCC();
788                if (havePendingOperation) {
789                    if (pendingOperationKind == intersectOp) {
790                        pendingOperand = makeIntersect(pendingOperand, newOperand);
791                    }
792                    else {
793                        pendingOperand = makeDiff(pendingOperand, newOperand);
794                    }
795                }
796                else {
797                    pendingOperand = newOperand;
798                }
799                havePendingOperation = true;
800                pendingOperationKind = op;
801                lastItemKind = NoItem;
802            }
803            break;
804            case setCloser: {
805                if (lastItemKind == NoItem) {
806                    ParseFailure("Set operator has no right operand.");
807                }
808                if (!cc->empty()) {
809                    subexprs.push_back(mMemoizer.memoize(cc));
810                }
811                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
812                if (havePendingOperation) {
813                    if (pendingOperationKind == intersectOp) {
814                        newOperand = makeIntersect(pendingOperand, newOperand);
815                    }
816                    else {
817                        newOperand = makeDiff(pendingOperand, newOperand);
818                    }
819                }
820                if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
821                    if (CC * cc1 = dyn_cast<CC>(newOperand)) {
822                        newOperand = caseInsensitize(cc1);
823                    }
824                }
825                return negated ? makeComplement(newOperand) : newOperand;
826            }
827            case setOpener:
828            case posixPropertyOpener: {
829                if (lastItemKind != NoItem) {
830                    if (!cc->empty()) {
831                        subexprs.push_back(mMemoizer.memoize(cc));
832                    }
833                    RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
834                    subexprs.clear();
835                    cc = makeCC();
836                    if (havePendingOperation) {
837                        if (pendingOperationKind == intersectOp) {
838                            pendingOperand = makeIntersect(pendingOperand, newOperand);
839                        } else {
840                            pendingOperand = makeDiff(pendingOperand, newOperand);
841                        }
842                    }
843                    else {
844                        pendingOperand = newOperand;
845                    }
846                    subexprs.push_back(pendingOperand);
847                    havePendingOperation = false;
848                }
849                if (op == setOpener) {
850                    subexprs.push_back(parse_charset());
851                    lastItemKind = SetItem;
852                }
853                else if (op == posixPropertyOpener) {
854                    bool negated = false;
855                    if (*mCursor == '^') {
856                        negated = true;
857                        mCursor++;
858                    }
859                    RE * posixSet = parsePropertyExpression();
860                    subexprs.push_back(negated ? makeComplement(posixSet) : posixSet);
861                    lastItemKind = BrackettedSetItem;
862                    if (*mCursor++ != ':' || *mCursor++ != ']')
863                        ParseFailure("Posix set expression improperly terminated.");
864                }
865            }
866            break;
867            case rangeHyphen:
868                if (lastItemKind != CodepointItem) {
869                    ParseFailure("Range operator - has illegal left operand.");
870                }
871                insert_range(cc, lastCodepointItem, parse_codepoint());
872                lastItemKind = RangeItem;
873                break;
874            case hyphenChar:
875                insert(cc, '-');
876                lastItemKind = CodepointItem;
877                lastCodepointItem = static_cast<codepoint_t> ('-');
878                break;
879            case ampChar:
880                insert(cc, '&');
881                lastItemKind = CodepointItem;
882                lastCodepointItem = static_cast<codepoint_t> ('&');
883                break;
884            case backSlash:
885                if (isSetEscapeChar(*mCursor)) {
886                    subexprs.push_back(parseEscapedSet());
887                    lastItemKind = SetItem;
888                }
889                else {
890                    lastCodepointItem = parse_escaped_codepoint();
891                    insert(cc, lastCodepointItem);
892                    lastItemKind = CodepointItem;
893                }
894                break;
895            case emptyOperator:
896                lastCodepointItem = parse_utf8_codepoint();
897                insert(cc, lastCodepointItem);
898                lastItemKind = CodepointItem;
899                break;
900        }
901    }
902    ParseFailure("Set expression not properly terminated.");
903}
904
905
906codepoint_t RE_Parser::parse_codepoint() {
907    if (*mCursor == '\\') {
908        mCursor++;
909        return parse_escaped_codepoint();
910    } else {
911        return parse_utf8_codepoint();
912    }
913}
914
915// A backslash escape was found, and various special cases (back reference,
916// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S, \b, \B), grapheme
917// cluster \X have been ruled out.
918// It may be one of several possibilities or an error sequence.
919// 1. Special control codes (\a, \e, \f, \n, \r, \t, \v)
920// 2. General control codes c[@-_a-z?]
921// 3. Restricted octal notation 0 - 0777
922// 4. General octal notation o\{[0-7]+\}
923// 5. General hex notation x\{[0-9A-Fa-f]+\}
924// 6. An error for any unrecognized alphabetic escape
925// 7. An escaped ASCII symbol, standing for itself
926
927codepoint_t RE_Parser::parse_escaped_codepoint() {
928    codepoint_t cp_value;
929    switch (*mCursor) {
930        case 'a': ++mCursor; return 0x07; // BEL
931        case 'e': ++mCursor; return 0x1B; // ESC
932        case 'f': ++mCursor; return 0x0C; // FF
933        case 'n': ++mCursor; return 0x0A; // LF
934        case 'r': ++mCursor; return 0x0D; // CR
935        case 't': ++mCursor; return 0x09; // HT
936        case 'v': ++mCursor; return 0x0B; // VT
937        case 'c': // Control-escape based on next char
938            ++mCursor;
939            // \c@, \cA, ... \c_, or \ca, ..., \cz
940            if (((*mCursor >= '@') && (*mCursor <= '_')) || ((*mCursor >= 'a') && (*mCursor <= 'z'))) {
941                cp_value = static_cast<codepoint_t>(*mCursor & 0x1F);
942                mCursor++;
943                return cp_value;
944            }
945            else if (*mCursor++ == '?') return 0x7F;  // \c? ==> DEL
946            else ParseFailure("Illegal \\c escape sequence");
947        case '0': // Octal escape:  0 - 0377
948            ++mCursor;
949            return parse_octal_codepoint(0,3);
950        case 'o':
951            ++mCursor;
952            if (*mCursor == '{') {
953                ++mCursor;
954                cp_value = parse_octal_codepoint(1, 7);
955                if (*mCursor++ != '}') ParseFailure("Malformed octal escape sequence");
956                return cp_value;
957            }
958            else {
959                ParseFailure("Malformed octal escape sequence");
960            }
961        case 'x':
962            ++mCursor;
963            if (*mCursor == '{') {
964              ++mCursor;
965              cp_value = parse_hex_codepoint(1, 6);
966              if (*mCursor++ != '}') ParseFailure("Malformed hex escape sequence");
967              return cp_value;
968            }
969            else {
970                return parse_hex_codepoint(1,2);  // ICU compatibility
971            }
972        case 'u':
973            ++mCursor;
974            if (*mCursor == '{') {
975                ++mCursor;
976                cp_value = parse_hex_codepoint(1, 6);
977                if (*mCursor++ != '}') ParseFailure("Malformed hex escape sequence");
978                return cp_value;
979            }
980            else {
981                return parse_hex_codepoint(4,4);  // ICU compatibility
982            }
983        case 'U':
984            ++mCursor;
985            return parse_hex_codepoint(8,8);  // ICU compatibility
986        default:
987            // Escaped letters should be reserved for special functions.
988            if (((*mCursor >= 'A') && (*mCursor <= 'Z')) || ((*mCursor >= 'a') && (*mCursor <= 'z'))){
989                //Escape unknow letter will be parse as normal letter
990                return parse_utf8_codepoint();
991                //ParseFailure("Undefined or unsupported escape sequence");
992            }
993            else if ((*mCursor < 0x20) || (*mCursor >= 0x7F))
994                ParseFailure("Illegal escape sequence");
995            else return static_cast<codepoint_t>(*mCursor++);
996    }
997}
998
999codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
1000    codepoint_t value = 0;
1001    int count = 0;
1002    while (mCursor.more() && count < maxdigits) {
1003        const char t = *mCursor;
1004        if (t < '0' || t > '7') {
1005            break;
1006        }
1007        value = value * 8 | (t - '0');
1008        ++mCursor;
1009        ++count;
1010    }
1011    if (count < mindigits) ParseFailure("Octal sequence has too few digits");
1012    if (value > UCD::UNICODE_MAX) ParseFailure("Octal value too large");
1013    return value;
1014}
1015
1016codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
1017    codepoint_t value = 0;
1018    int count = 0;
1019    while (mCursor.more() && isxdigit(*mCursor) && count < maxdigits) {
1020        const char t = *mCursor;
1021        if (isdigit(t)) {
1022            value = (value * 16) | (t - '0');
1023        }
1024        else {
1025            value = ((value * 16) | ((t | 32) - 'a')) + 10;
1026        }
1027        ++mCursor;
1028        ++count;
1029    }
1030    if (count < mindigits) ParseFailure("Hexadecimal sequence has too few digits");
1031    if (value > UCD::UNICODE_MAX) ParseFailure("Hexadecimal value too large");
1032    return value;
1033}
1034
1035Name * RE_Parser::createCC(const codepoint_t cp) {
1036    CC * cc = nullptr;
1037    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
1038        cc = makeCC();
1039        caseInsensitiveInsert(cc, cp);
1040    } else {
1041        cc = makeCC(cp);
1042    }
1043    return mMemoizer.memoize(cc);
1044}
1045
1046void RE_Parser::insert(CC * cc, const codepoint_t cp) {
1047    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
1048        caseInsensitiveInsert(cc, cp);
1049    } else {
1050        cc->insert(cp);
1051    }
1052}
1053
1054void RE_Parser::insert_range(CC * cc, const codepoint_t lo, const codepoint_t hi) {
1055    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
1056        caseInsensitiveInsertRange(cc, lo, hi);
1057    } else {
1058        cc->insert_range(lo, hi);
1059    }
1060}
1061
1062RE * RE_Parser::makeComplement(RE * s) {
1063  return makeDiff(makeAny(), s);
1064}
1065
1066           
1067
1068                           
1069RE * RE_Parser::makeWordBoundary() {
1070    Name * wordC = makeWordSet();
1071    return makeReBoundary(wordC);
1072}
1073
1074RE * RE_Parser::makeWordNonBoundary() {
1075    Name * wordC = makeWordSet();
1076    return makeReNonBoundary(wordC);
1077}
1078
1079inline RE * RE_Parser::makeReBoundary(RE * re) {
1080    return makeBoundaryAssertion(re);
1081}
1082inline RE * RE_Parser::makeReNonBoundary(RE * re) {
1083    return makeNegativeBoundaryAssertion(re);
1084}
1085
1086RE * RE_Parser::makeWordBegin() {
1087    Name * wordC = makeWordSet();
1088    return makeNegativeLookBehindAssertion(wordC);
1089}
1090
1091RE * RE_Parser::makeWordEnd() {
1092    Name * wordC = makeWordSet();
1093    return makeNegativeLookAheadAssertion(wordC);
1094}
1095
1096Name * RE_Parser::makeDigitSet() {
1097    return mMemoizer.memoize(createName("nd"));
1098}
1099
1100Name * RE_Parser::makeAlphaNumeric() {
1101    return mMemoizer.memoize(createName("alnum"));
1102}
1103
1104Name * RE_Parser::makeWhitespaceSet() {
1105    return mMemoizer.memoize(createName("whitespace"));
1106}
1107
1108Name * RE_Parser::makeWordSet() {
1109    return mMemoizer.memoize(createName("word"));
1110}
1111
1112Name * RE_Parser::createName(std::string value) {
1113    auto key = std::make_pair("", value);
1114    auto f = mNameMap.find(key);
1115    if (f != mNameMap.end()) {
1116        return f->second;
1117    }
1118    Name * const property = mMemoizer.memoize(makeName(value, Name::Type::UnicodeProperty));
1119    mNameMap.insert(std::make_pair(std::move(key), property));
1120    return property;
1121    }
1122
1123Name * RE_Parser::createName(std::string prop, std::string value) {
1124    auto key = std::make_pair(prop, value);
1125    auto f = mNameMap.find(key);
1126    if (f != mNameMap.end()) {
1127        return f->second;
1128    }
1129    Name * const property = mMemoizer.memoize(makeName(prop, value, Name::Type::UnicodeProperty));
1130    mNameMap.insert(std::make_pair(std::move(key), property));
1131    return property;
1132}
1133
1134LLVM_ATTRIBUTE_NORETURN void RE_Parser::ParseFailure(std::string errmsg) {
1135    llvm::report_fatal_error(errmsg);
1136}
1137
1138}
Note: See TracBrowser for help on using the repository browser.