source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 5752

Last change on this file since 5752 was 5752, checked in by cameron, 18 months ago

Allow unescaped ) as a literal left paren when there are no pending groups

File size: 39.0 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/resolve_properties.h>
25#include <UCD/CaseFolding.h>
26#include <sstream>
27#include <string>
28#include <algorithm>
29#include <iostream>
30#include <llvm/Support/Casting.h>
31#include <llvm/Support/ErrorHandling.h>
32#include <llvm/Support/raw_ostream.h>
33#include <llvm/ADT/STLExtras.h> // for make_unique
34
35using namespace llvm;
36
37namespace re {
38
39
40RE * RE_Parser::parse(const std::string & regular_expression, ModeFlagSet initialFlags, RE_Syntax syntax, bool ByteMode) {
41
42    std::unique_ptr<RE_Parser> parser = nullptr;
43    switch (syntax) {
44        case RE_Syntax::PCRE:
45            parser = make_unique<RE_Parser_PCRE>(regular_expression);
46            break;
47        case RE_Syntax::ERE:
48            parser = make_unique<RE_Parser_ERE>(regular_expression);
49            break;
50        case RE_Syntax ::BRE:
51            parser = make_unique<RE_Parser_BRE>(regular_expression);
52            break;
53        case RE_Syntax ::PROSITE:
54            parser = make_unique<RE_Parser_PROSITE>(regular_expression);
55            break;
56        default:
57            //TODO handle FixString
58            ParseFailure("Unsupported RE syntax!");
59            break;
60    }
61    parser->fByteMode = ByteMode;
62    parser->fModeFlagSet = initialFlags;
63    parser->mGroupsOpen = 0;
64    parser->fNested = false;
65    parser->fGraphemeBoundaryPending = false;
66    parser->mCaptureGroupCount = 0;
67    RE * re = parser->parse_RE();
68    if (re == nullptr) {
69        ParseFailure("An unexpected parsing error occurred!");
70    }
71    return re;
72}
73
74RE_Parser::RE_Parser(const std::string & regular_expression)
75: fByteMode(false)
76, fModeFlagSet(0)
77, fNested(false)
78, mGroupsOpen(0)
79, fGraphemeBoundaryPending(false)
80, fSupportNonCaptureGroup(false)
81, mCursor(regular_expression)
82, mCaptureGroupCount(0)
83, mReSyntax(RE_Syntax::PCRE)
84{
85
86}
87
88RE * makeAtomicGroup(RE * r) {
89    RE_Parser::ParseFailure("Atomic grouping not supported.");
90}
91
92RE * makeBranchResetGroup(RE * r) {
93    // Branch reset groups only affect submatch numbering, but
94    // this has no effect in icgrep.
95    return r;
96}
97
98RE * RE_Parser::parse_RE() {
99    return parse_alt();
100}
101
102RE * RE_Parser::parse_alt() {
103    std::vector<RE *> alt;
104    for (;;) {
105        alt.push_back(parse_seq());
106        if (*mCursor != '|') {
107            break;
108        }
109        ++mCursor; // advance past the alternation character '|'
110    }
111    return makeAlt(alt.begin(), alt.end());
112}
113
114RE * RE_Parser::parse_seq() {
115    std::vector<RE *> seq;
116    if (!mCursor.more() || (*mCursor == '|') || ((mGroupsOpen > 0) && (*mCursor == ')'))) return makeSeq();
117    for (;;) {
118        RE * re = parse_next_item();
119        if (re == nullptr) {
120            if (fGraphemeBoundaryPending == true) {
121                seq.push_back(makeZeroWidth("GCB"));
122                fGraphemeBoundaryPending = false;
123            }
124            break;
125        }
126        re = extend_item(re);
127        seq.push_back(re);
128    }
129    return makeSeq(seq.begin(), seq.end());
130}
131
132RE * RE_Parser::parse_next_item() {
133    RE * re = nullptr;
134    if (fModeFlagSet & IGNORE_SPACE_MODE_FLAG) {
135        while (mCursor.more() && *mCursor == ' ') {
136            ++mCursor;
137        }
138    }
139    if (mCursor.more()) {
140        switch (*mCursor) {
141            case '(':
142                ++mCursor;
143                return parse_group();
144            case '^':
145                ++mCursor;
146                if ((fModeFlagSet & ModeFlagType::UNIX_LINES_MODE_FLAG) != 0) {
147                    return makeNegativeLookBehindAssertion(makeByte(makeCC(makeCC(0, '\n'-1), makeCC('\n'+1, 0xFF))));
148                }
149                return makeStart();
150            case '$':
151                ++mCursor;
152                if ((fModeFlagSet & ModeFlagType::UNIX_LINES_MODE_FLAG) != 0) {
153                    return makeLookAheadAssertion(makeCC('\n'));
154                }
155                return makeEnd();
156            case '|':
157                break;
158            case ')':
159                if (mGroupsOpen > 0) break;
160                if (LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
161                    return createCC(parse_literal_codepoint());
162                }
163                ParseFailure("Use  \\) for literal ).");
164            case '*': case '+': case '?': case '{':
165                ParseFailure("Need something to repeat before *, +, ? or {.");
166            case ']':
167                if (LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
168                    return createCC(parse_literal_codepoint());
169                }
170                ParseFailure("Use  \\] for literal ].");
171            case '}':
172                if (fNested) {
173                    break;  //  a recursive invocation for a regexp in \N{...}
174                } else if (LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
175                    return createCC(parse_literal_codepoint());
176                }
177                ParseFailure("Use \\} for literal }.");
178            case '[':
179                mCursor++;
180                re = parse_charset();
181                if ((fModeFlagSet & ModeFlagType::GRAPHEME_CLUSTER_MODE) != 0) {
182                    re = makeSeq({re, makeZeroWidth("GCB")});
183                }
184                break;
185            case '.': // the 'any' metacharacter
186                mCursor++;
187                return makeAny();
188            case '\\'// escape processing
189                ++mCursor;
190                return parse_escaped();
191            default:
192                re = createCC(parse_literal_codepoint());
193                if ((fModeFlagSet & ModeFlagType::GRAPHEME_CLUSTER_MODE) != 0) {
194                    fGraphemeBoundaryPending = true;
195                }
196        }
197    }
198    return re;
199}
200
201
202// Parse some kind of parenthesized group.  Input precondition: mCursor
203// after the (
204RE * RE_Parser::parse_group() {
205    const ModeFlagSet savedModeFlagSet = fModeFlagSet;
206    mGroupsOpen++;
207    RE * group_expr = nullptr;
208    if (*mCursor == '?' && fSupportNonCaptureGroup) {
209        switch (*++mCursor) {
210            case '#'// comment
211                while (*++mCursor != ')');
212                ++mCursor;
213                return parse_next_item();
214            case ':':  // Non-capturing paren
215                ++mCursor;
216                group_expr = parse_alt();
217                break;
218            case '=':
219                ++mCursor;
220                group_expr = makeLookAheadAssertion(parse_alt());
221                break;
222            case '!':
223                ++mCursor;
224                group_expr = makeNegativeLookAheadAssertion(parse_alt());
225                break;
226            case '>':
227                ++mCursor;
228                group_expr = makeAtomicGroup(parse_alt());
229                break;
230            case '|':
231                ++mCursor;
232                group_expr = makeBranchResetGroup(parse_alt());
233                break;
234            case '<':
235                ++mCursor;
236                if (*mCursor == '=') {
237                    ++mCursor;
238                    group_expr = makeLookBehindAssertion(parse_alt());
239                }
240                else if (*mCursor == '!') {
241                    ++mCursor;
242                    group_expr = makeNegativeLookBehindAssertion(parse_alt());
243                } else {
244                    ParseFailure("Illegal lookbehind assertion syntax.");
245                }
246                break;
247            case '-': case 'd' : case 'i': case 'm': case 's': case 'x': case 'g':
248                while (*mCursor != ')' && *mCursor != ':') {
249                    bool negateMode = false;
250                    ModeFlagType modeBit;
251                    if (*mCursor == '-') {
252                        negateMode = true;
253                        ++mCursor;
254                    }
255                    switch (*mCursor) {
256                        case 'i': modeBit = CASE_INSENSITIVE_MODE_FLAG; break;
257                        case 'g': modeBit = GRAPHEME_CLUSTER_MODE; break;
258                        case 'm': modeBit = MULTILINE_MODE_FLAG; break;
259                        //case 's': modeBit = DOTALL_MODE_FLAG; break;
260                        case 'x': modeBit = IGNORE_SPACE_MODE_FLAG; break;
261                        case 'd': modeBit = UNIX_LINES_MODE_FLAG; break;
262                        default: ParseFailure("Unsupported mode flag.");
263                    }
264                    ++mCursor;
265                    if (negateMode) {
266                        fModeFlagSet &= ~modeBit;
267                        negateMode = false;  // for next flag
268                    } else {
269                        fModeFlagSet |= modeBit;
270                    }
271                }
272                if (*mCursor == ':') {
273                    ++mCursor;
274                    group_expr = parse_alt();
275                    fModeFlagSet = savedModeFlagSet;
276                    break;
277                } else {  // if *_cursor == ')'
278                    ++mCursor;
279                    return parse_next_item();
280                }
281            default:
282                ParseFailure("Illegal (? syntax.");
283        }
284    } else { // Capturing paren group.
285        RE * captured = parse_alt();
286        mCaptureGroupCount++;
287        std::string captureName = "\\" + std::to_string(mCaptureGroupCount);
288        Name * const capture  = mMemoizer.memoize(makeCapture(captureName, captured));
289        auto key = std::make_pair("", captureName);
290        mNameMap.insert(std::make_pair(std::move(key), capture));
291        group_expr = capture;
292    }
293    if (*mCursor != ')') {
294        ParseFailure("Closing parenthesis required.");
295    }
296    mGroupsOpen--;
297    ++mCursor;
298    return group_expr;
299}
300
301// TODO: Set ENABLE_EXTENDED_QUANTIFIERS false for ERE, BRE
302#define ENABLE_EXTENDED_QUANTIFIERS true
303   
304// Extend a RE item with one or more quantifiers
305RE * RE_Parser::extend_item(RE * re) {
306    if (LLVM_UNLIKELY(!(mCursor.more()))) return re;
307    int lb = 0, ub = 0;
308    switch (*mCursor) {
309        case '*':
310            lb = 0;
311            ub = Rep::UNBOUNDED_REP;
312            break;
313        case '?':
314            lb = 0;
315            ub = 1;
316            break;
317        case '+':
318            lb = 1;
319            ub = Rep::UNBOUNDED_REP;
320            break;
321        case '{':
322            std::tie(lb, ub) = parse_range_bound();
323            if ((ub != Rep::UNBOUNDED_REP) && (lb > ub)) {
324                ParseFailure("Lower bound cannot exceed upper bound in bounded repetition");
325            }
326            break;
327        default:
328            // No quantifiers
329            return re;
330    }
331    ++mCursor;
332    if (ENABLE_EXTENDED_QUANTIFIERS) {
333        if (LLVM_UNLIKELY(!(mCursor.more()))) return makeRep(re, lb, ub);;
334        if (*mCursor == '?') { // Non-greedy qualifier
335            // Greedy vs. non-greedy makes no difference for icgrep.
336            ++mCursor;
337            re = makeRep(re, lb, ub);
338        } else if (*mCursor == '+') {
339            ++mCursor;
340            if (ub == Rep::UNBOUNDED_REP) {
341                re = makeSeq({makeRep(re, lb, ub), makeNegativeLookAheadAssertion(re)});
342            } else if (lb == ub) {
343                re = makeRep(re, ub, ub);
344            } else /* if (lb < ub) */{
345                re = makeAlt({makeSeq({makeRep(re, lb, ub-1), makeNegativeLookAheadAssertion(re)}), makeRep(re, ub, ub)});
346            }
347        } else {
348            re = makeRep(re, lb, ub);
349        } 
350    } else {
351        re = makeRep(re, lb, ub);
352    }
353    // The quantified expression may be extended with a further quantifier, e,g., [a-z]{6,7}{2,3}
354    return extend_item(re);
355}
356
357std::pair<int, int> RE_Parser::parse_range_bound() {
358    int lower_bound = 0, upper_bound = 0;
359    if (*++mCursor != ',') {
360        lower_bound = parse_int();
361    }
362    if (*mCursor == '}') {
363        upper_bound = lower_bound;
364    } else if (*mCursor != ',') {
365        ParseFailure("Bad lower bound!");
366    } else if (*++mCursor == '}') {
367        upper_bound = Rep::UNBOUNDED_REP;
368    } else {
369        upper_bound = parse_int();
370        if (*mCursor != '}') {
371            ParseFailure("Bad upper bound!");
372        }
373    }
374    return std::make_pair(lower_bound, upper_bound);
375}
376
377unsigned RE_Parser::parse_int() {
378    unsigned value = 0;
379    while (isdigit(*mCursor)) {
380        value *= 10;
381        value += static_cast<int>(*mCursor++) - 48;
382    }
383    return value;
384}
385
386
387const uint64_t setEscapeCharacters = bit3C('b') | bit3C('p') | bit3C('q') | bit3C('d') | bit3C('w') | bit3C('s') | bit3C('<') | bit3C('>') |
388                                     bit3C('B') | bit3C('P') | bit3C('Q') | bit3C('D') | bit3C('W') | bit3C('S') | bit3C('N') | bit3C('X');
389
390bool RE_Parser::isSetEscapeChar(char c) {
391    return c >= 0x3C && c <= 0x7B && ((setEscapeCharacters >> (c - 0x3C)) & 1) == 1;
392}
393                                 
394
395RE * RE_Parser::parse_escaped() {
396   
397    if (isSetEscapeChar(*mCursor)) {
398        return parseEscapedSet();
399    }
400    else if ((*mCursor == 'x') || (*mCursor == 'o') || (*mCursor == '0')) {
401        codepoint_t cp = parse_escaped_codepoint();
402        if ((cp >= 0x80) && (cp <= 0xFF)) {
403            return makeByte(makeCC(cp));
404        }
405        else return createCC(cp);
406    }
407    else if (isdigit(*mCursor)) {
408        mCursor++;
409        std::string backref = std::string(mCursor.pos()-2, mCursor.pos());
410        auto key = std::make_pair("", backref);
411        auto f = mNameMap.find(key);
412        if (f != mNameMap.end()) {
413            return makeReference(backref, f->second);
414        }
415        else {
416            ParseFailure("Back reference " + backref + " without prior capture group.");
417        }
418    }
419    else {
420        return createCC(parse_escaped_codepoint());
421    }
422}
423   
424RE * RE_Parser::parseEscapedSet() {
425    bool complemented = false;
426    RE * re = nullptr;
427    switch (*mCursor) {
428        case 'B': complemented = true;
429        case 'b':
430            if (*++mCursor != '{') {
431                return complemented ? makeWordNonBoundary() : makeWordBoundary();
432            } else {
433                ++mCursor;
434                if (isCharAhead('}')) {
435                    switch (*mCursor) {
436                        case 'g':
437                            re = complemented ? makeZeroWidth("NonGCB") : makeZeroWidth("GCB");
438                            ++mCursor;
439                            ++mCursor;
440                            break;
441                        case 'w': ParseFailure("\\b{w} not yet supported.");
442                        case 'l': ParseFailure("\\b{l} not yet supported.");
443                        case 's': ParseFailure("\\b{s} not yet supported.");
444//                        default: ParseFailure("Unrecognized boundary assertion");
445                    }
446                }
447                if (!re) {
448                    auto propExpr = parsePropertyExpression();
449                    if (*mCursor++ != '}') {
450                        ParseFailure("Malformed boundary assertion");
451                    }
452                    re = complemented ? makeReNonBoundary(propExpr) : makeReBoundary(propExpr);
453                }
454                return re;
455            }
456        case 'd':
457            ++mCursor;
458            return makeDigitSet();
459        case 'D':
460            ++mCursor;
461            return makeComplement(makeDigitSet());
462        case 's':
463            ++mCursor;
464            return makeWhitespaceSet();
465        case 'S':
466            ++mCursor;
467            return makeComplement(makeWhitespaceSet());
468        case 'w':
469            ++mCursor;
470            return makeWordSet();
471        case 'W':
472            ++mCursor;
473            return makeComplement(makeWordSet());
474        case 'Q':
475            complemented = true;
476        case 'q':
477            if (*++mCursor != '{') {
478                ParseFailure("Malformed grapheme cluster expression");
479            }
480            ++mCursor;
481            ParseFailure("Literal grapheme cluster expressions not yet supported.");
482            if (*mCursor != '}') {
483                ParseFailure("Malformed grapheme cluster expression");
484            }
485            ++mCursor;
486            return complemented ? makeComplement(re) : re;
487        case 'P':
488            complemented = true;
489        case 'p':
490            if (*++mCursor != '{') {
491                ParseFailure("Malformed property expression");
492            }
493            ++mCursor;
494            re = parsePropertyExpression();
495            if (*mCursor != '}') {
496                ParseFailure("Malformed property expression");
497            }
498            ++mCursor;
499            return complemented ? makeComplement(re) : re;
500        case 'X':
501            // \X is equivalent to ".+?\b{g}"; proceed the minimal number of characters (but at least one)
502            // to get to the next extended grapheme cluster boundary.
503            ++mCursor;
504            return makeSeq({makeAny(), makeRep(makeSeq({makeZeroWidth("NonGCB"), makeAny()}), 0, Rep::UNBOUNDED_REP), makeZeroWidth("GCB")});
505        case 'N':
506            if (*++mCursor != '{') {
507                ParseFailure("Malformed \\N expression");
508            }
509            ++mCursor;
510            re = parseNamePatternExpression();
511            if (*mCursor != '}') {
512                ParseFailure("Malformed \\N expression");
513            }
514            ++mCursor;
515            assert (re);
516            return re;
517        case '<':
518            ++mCursor;
519            return makeWordBegin();
520        case '>':
521            ++mCursor;
522            return makeWordEnd();
523        default:
524            ParseFailure("Internal error");
525    }
526}
527   
528void InvalidUTF8Encoding() {
529    RE_Parser::ParseFailure("Invalid UTF-8 encoding!");
530}
531
532codepoint_t RE_Parser::parse_literal_codepoint() {
533    if (fByteMode) {
534       return static_cast<uint8_t>(*mCursor++);
535    }
536    else return parse_utf8_codepoint();
537}
538
539codepoint_t RE_Parser::parse_utf8_codepoint() {
540    // Must cast to unsigned char to avoid sign extension.
541    unsigned char pfx = static_cast<unsigned char>(*mCursor++);
542    codepoint_t cp = pfx;
543    if (pfx < 0x80) return cp;
544    unsigned suffix_bytes = 0;
545    if (pfx < 0xE0) {
546        if (pfx < 0xC2) {  // bare suffix or illegal prefix 0xC0 or 0xC2
547            InvalidUTF8Encoding();
548        }
549        suffix_bytes = 1;
550        cp &= 0x1F;
551    } else if (pfx < 0xF0) { // [0xE0, 0xEF]
552        cp &= 0x0F;
553        suffix_bytes = 2;
554    } else { // [0xF0, 0xFF]
555        cp &= 0x0F;
556        suffix_bytes = 3;
557    }
558    while (suffix_bytes--) {
559        if (mCursor.noMore()) {
560            InvalidUTF8Encoding();
561        }
562        char_t sfx = *mCursor++;
563        if ((sfx & 0xC0) != 0x80) {
564            InvalidUTF8Encoding();
565        }
566        cp = (cp << 6) | (sfx & 0x3F);
567    }
568    // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
569    // or a 4-byte sequence is used to encode a codepoint < 0x10000.
570    if ((pfx == 0xE0 && cp < 0x800) || (pfx == 0xF0 && cp < 0x10000)) {
571        InvalidUTF8Encoding();
572    }
573    // It is an error if a 4-byte sequence is used to encode a codepoint
574    // above the Unicode maximum.
575    if (cp > UCD::UNICODE_MAX) {
576        InvalidUTF8Encoding();
577    }
578    return cp;
579}
580
581std::string RE_Parser::canonicalize(const cursor_t begin, const cursor_t end) {
582    std::locale loc;
583    std::stringstream s;   
584    for (auto i = begin; i != end; ++i) {
585        switch (*i) {
586            case '_': case ' ': case '-':
587                break;
588            default:
589                s << std::tolower(*i, loc);
590        }
591    }
592    return s.str();
593}
594
595bool RE_Parser::isCharAhead(char c) {
596    if (mCursor.remaining() < 2) {
597        return false;
598    }
599    auto nextCursor = mCursor.pos() + 1;
600    return *nextCursor == c;
601}
602
603RE * RE_Parser::parsePropertyExpression() {
604    const auto start = mCursor.pos();
605    while (mCursor.more()) {
606        bool done = false;
607        switch (*mCursor) {
608            case '}': case ':': case '=':
609                done = true;
610        }
611        if (done) {
612            break;
613        }
614        ++mCursor;
615    }
616    if (*mCursor == '=') {
617        // We have a property-name = value expression
618        const auto prop_end = mCursor.pos();
619        mCursor++;
620        auto val_start = mCursor.pos();
621        if (*val_start == '/') {
622            // property-value is another regex
623            auto previous = val_start;
624            auto current = (++mCursor).pos();
625            val_start = current;
626           
627            while (true) {
628                if (*current == '/' && *previous != '\\') {
629                    break;
630                }
631               
632                if (!mCursor.more()) {
633                    ParseFailure("Malformed property expression");
634                }
635               
636                previous = current;
637                current = (++mCursor).pos();
638            }
639            ++mCursor;
640            //return parseRegexPropertyValue(canonicalize(start, prop_end), std::string(val_start, current));
641            return createName(canonicalize(start, prop_end), std::string(val_start-1, current));
642        }
643        if (*val_start == '@') {
644            // property-value is @property@ or @identity@
645            auto previous = val_start;
646            auto current = (++mCursor).pos();
647            val_start = current;
648           
649            while (true) {
650                if (*current == '@' && *previous != '\\') {
651                    break;
652                }
653               
654                if (!mCursor.more()) {
655                    ParseFailure("Malformed property expression");
656                }
657               
658                previous = current;
659                current = (++mCursor).pos();
660            }
661            ++mCursor;
662            //return parseRegexPropertyValue(canonicalize(start, prop_end), std::string(val_start, current));
663            return createName(canonicalize(start, prop_end), std::string(val_start-1, current));
664        }
665        else {
666            // property-value is normal string
667            while (mCursor.more()) {
668                bool done = false;
669                switch (*mCursor) {
670                    case '}': case ':':
671                        done = true;
672                }
673                if (done) {
674                    break;
675                }
676                ++mCursor;
677            }
678            return createName(canonicalize(start, prop_end), std::string(val_start, mCursor.pos()));
679        }
680    }
681    return createName(canonicalize(start, mCursor.pos()));
682}
683
684Name * RE_Parser::parseNamePatternExpression(){
685
686    const auto start = mCursor.pos();
687    while (mCursor.more()) {
688        if (*mCursor == '\\') {
689            ++mCursor;
690            if (!mCursor.more()) {
691                break;
692            }
693        }
694        else if (*mCursor == '}') {
695            break;
696        }
697        ++mCursor;
698    }
699    std::string nameRegexp = "/(?i)" + std::string(start, mCursor.pos());
700    return createName("na", nameRegexp);
701}
702
703bool RE_Parser::isUnsupportChartsetOperator(char c) {
704    return false;
705}
706
707CharsetOperatorKind RE_Parser::getCharsetOperator() {
708    if (isUnsupportChartsetOperator(*mCursor)) {
709        return emptyOperator;
710    }
711    switch (*mCursor) {
712        case '&':
713            ++mCursor;
714            if (*mCursor == '&') {
715                ++mCursor;
716                return intersectOp;
717            } else if (*mCursor == '[') {
718                // Short-hand for intersectOp when a set follows
719                return intersectOp;
720            }
721            return ampChar;
722        case '-':
723            ++mCursor;
724            if (*mCursor == '-') {
725                ++mCursor;
726                return setDiffOp;
727            } else if (*mCursor == '[') {
728                return setDiffOp;
729            } else if (*mCursor == ']') {
730                return hyphenChar;
731            }
732            return rangeHyphen;
733        case '[':
734            ++mCursor;
735            if (*mCursor == ':') {
736                ++mCursor;
737                return posixPropertyOpener;
738            }
739            return setOpener;
740        case ']':
741            ++mCursor;
742            return setCloser;
743        case '\\':
744            ++mCursor;
745            return backSlash;
746        default:
747            return emptyOperator;
748    }
749}
750
751// Precondition: cursor is immediately after opening '[' character
752RE * RE_Parser::parse_charset() {
753    // Sets are accumulated using two variables:
754    // subexprs accumulates set expressions such as \p{Lu}, [\w && \p{Greek}]
755    // cc accumulates the literal and calculated codepoints and ranges
756    std::vector<RE *> subexprs;
757    CC * cc = makeCC();
758    // When the last item deal with is a single literal charcacter or calculated codepoint,
759    // a following hyphen can indicate a range.   When the last item is a set subexpression,
760    // a following hyphen can indicate set subtraction.
761    enum {NoItem, CodepointItem, RangeItem, SetItem, BrackettedSetItem} lastItemKind = NoItem;
762
763    codepoint_t lastCodepointItem = 0;
764    bool havePendingOperation = false;
765    bool possibleByteCodeEscape = false;  // set to true when \x, \o or \0 hex or octal escapes seen.
766    CharsetOperatorKind pendingOperationKind = intersectOp;
767    RE * pendingOperand = nullptr;
768
769    // If the first character after the [ is a ^ (caret) then the matching character class is complemented.
770    bool negated = false;
771    if (*mCursor == '^') {
772        negated = true;
773        ++mCursor;
774    }
775    // Legacy rule: an unescaped ] may appear as a literal set character
776    // if and only if it appears immediately after the opening [ or [^
777    if ( *mCursor == ']' && LEGACY_UNESCAPED_RBRAK_RBRACE_ALLOWED) {
778        insert(cc, ']');
779        lastItemKind = CodepointItem;
780        lastCodepointItem = static_cast<codepoint_t> (']');
781        ++mCursor;
782    } else if ( *mCursor == '-' && LEGACY_UNESCAPED_HYPHEN_ALLOWED) {
783        ++mCursor;
784        insert(cc, '-');
785        lastItemKind = CodepointItem;
786        lastCodepointItem = static_cast<codepoint_t> ('-');
787        if (*mCursor == '-') {
788            ParseFailure("Set operator has no left operand.");
789        }
790    }
791    while (mCursor.more()) {
792        const CharsetOperatorKind op = getCharsetOperator();
793        switch (op) {
794            case intersectOp:
795            case setDiffOp: {
796                if (lastItemKind == NoItem) {
797                    ParseFailure("Set operator has no left operand.");
798                }
799                if (!cc->empty()) {
800                    subexprs.push_back(mMemoizer.memoize(cc));
801                }
802                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
803                subexprs.clear();
804                cc = makeCC();
805                if (havePendingOperation) {
806                    if (pendingOperationKind == intersectOp) {
807                        pendingOperand = makeIntersect(pendingOperand, newOperand);
808                    }
809                    else {
810                        pendingOperand = makeDiff(pendingOperand, newOperand);
811                    }
812                }
813                else {
814                    pendingOperand = newOperand;
815                }
816                havePendingOperation = true;
817                pendingOperationKind = op;
818                lastItemKind = NoItem;
819            }
820            break;
821            case setCloser: {
822                if (lastItemKind == NoItem) {
823                    ParseFailure("Set operator has no right operand.");
824                }
825                if (!cc->empty()) {
826                    if (possibleByteCodeEscape && (cc->max_codepoint() <= 0xFF) && subexprs.empty() && !havePendingOperation) {
827                        subexprs.push_back(makeByte(cc));
828                    }
829                    else {
830                        subexprs.push_back(mMemoizer.memoize(cc));
831                    }
832                }
833                RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
834                if (havePendingOperation) {
835                    if (pendingOperationKind == intersectOp) {
836                        newOperand = makeIntersect(pendingOperand, newOperand);
837                    }
838                    else {
839                        newOperand = makeDiff(pendingOperand, newOperand);
840                    }
841                }
842                if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
843                    if (CC * cc1 = dyn_cast<CC>(newOperand)) {
844                        newOperand = caseInsensitize(cc1);
845                    }
846                }
847                return negated ? makeComplement(newOperand) : newOperand;
848            }
849            case setOpener:
850            case posixPropertyOpener: {
851                if (lastItemKind != NoItem) {
852                    if (!cc->empty()) {
853                        subexprs.push_back(mMemoizer.memoize(cc));
854                    }
855                    RE * newOperand = makeAlt(subexprs.begin(), subexprs.end());
856                    subexprs.clear();
857                    cc = makeCC();
858                    if (havePendingOperation) {
859                        if (pendingOperationKind == intersectOp) {
860                            pendingOperand = makeIntersect(pendingOperand, newOperand);
861                        } else {
862                            pendingOperand = makeDiff(pendingOperand, newOperand);
863                        }
864                    }
865                    else {
866                        pendingOperand = newOperand;
867                    }
868                    subexprs.push_back(pendingOperand);
869                    havePendingOperation = false;
870                }
871                if (op == setOpener) {
872                    subexprs.push_back(parse_charset());
873                    lastItemKind = SetItem;
874                }
875                else if (op == posixPropertyOpener) {
876                    bool negated = false;
877                    if (*mCursor == '^') {
878                        negated = true;
879                        mCursor++;
880                    }
881                    RE * posixSet = parsePropertyExpression();
882                    subexprs.push_back(negated ? makeComplement(posixSet) : posixSet);
883                    lastItemKind = BrackettedSetItem;
884                    if (*mCursor++ != ':' || *mCursor++ != ']')
885                        ParseFailure("Posix set expression improperly terminated.");
886                }
887            }
888            break;
889            case rangeHyphen:
890                if (lastItemKind != CodepointItem) {
891                    ParseFailure("Range operator - has illegal left operand.");
892                }
893                if (*mCursor == '\\') {
894                    mCursor++;
895                    if ((*mCursor == 'x') || (*mCursor == 'o') || (*mCursor == '0')) possibleByteCodeEscape = true;
896                    insert_range(cc, lastCodepointItem, parse_escaped_codepoint());
897                } else {
898                    insert_range(cc, lastCodepointItem, parse_literal_codepoint());
899                }
900                lastItemKind = RangeItem;
901                break;
902            case hyphenChar:
903                insert(cc, '-');
904                lastItemKind = CodepointItem;
905                lastCodepointItem = static_cast<codepoint_t> ('-');
906                break;
907            case ampChar:
908                insert(cc, '&');
909                lastItemKind = CodepointItem;
910                lastCodepointItem = static_cast<codepoint_t> ('&');
911                break;
912            case backSlash:
913                if (isSetEscapeChar(*mCursor)) {
914                    subexprs.push_back(parseEscapedSet());
915                    lastItemKind = SetItem;
916                }
917                else {
918                    if ((*mCursor == 'x') || (*mCursor == 'o') || (*mCursor == '0')) possibleByteCodeEscape = true;
919                    lastCodepointItem = parse_escaped_codepoint();
920                    insert(cc, lastCodepointItem);
921                    lastItemKind = CodepointItem;
922                }
923                break;
924            case emptyOperator:
925                lastCodepointItem = parse_literal_codepoint();
926                insert(cc, lastCodepointItem);
927                lastItemKind = CodepointItem;
928                break;
929        }
930    }
931    ParseFailure("Set expression not properly terminated.");
932}
933
934
935// A backslash escape was found, and various special cases (back reference,
936// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S, \b, \B), grapheme
937// cluster \X have been ruled out.
938// It may be one of several possibilities or an error sequence.
939// 1. Special control codes (\a, \e, \f, \n, \r, \t, \v)
940// 2. General control codes c[@-_a-z?]
941// 3. Restricted octal notation 0 - 0777
942// 4. General octal notation o\{[0-7]+\}
943// 5. General hex notation x\{[0-9A-Fa-f]+\}
944// 6. An error for any unrecognized alphabetic escape
945// 7. An escaped ASCII symbol, standing for itself
946
947codepoint_t RE_Parser::parse_escaped_codepoint() {
948    codepoint_t cp_value;
949    switch (*mCursor) {
950        case 'a': ++mCursor; return 0x07; // BEL
951        case 'e': ++mCursor; return 0x1B; // ESC
952        case 'f': ++mCursor; return 0x0C; // FF
953        case 'n': ++mCursor; return 0x0A; // LF
954        case 'r': ++mCursor; return 0x0D; // CR
955        case 't': ++mCursor; return 0x09; // HT
956        case 'v': ++mCursor; return 0x0B; // VT
957        case 'c': // Control-escape based on next char
958            ++mCursor;
959            // \c@, \cA, ... \c_, or \ca, ..., \cz
960            if (((*mCursor >= '@') && (*mCursor <= '_')) || ((*mCursor >= 'a') && (*mCursor <= 'z'))) {
961                cp_value = static_cast<codepoint_t>(*mCursor & 0x1F);
962                mCursor++;
963                return cp_value;
964            }
965            else if (*mCursor++ == '?') return 0x7F;  // \c? ==> DEL
966            else ParseFailure("Illegal \\c escape sequence");
967        case '0': // Octal escape:  0 - 0377
968            ++mCursor;
969            return parse_octal_codepoint(0,3);
970        case 'o':
971            ++mCursor;
972            if (*mCursor == '{') {
973                ++mCursor;
974                cp_value = parse_octal_codepoint(1, 7);
975                if (*mCursor++ != '}') ParseFailure("Malformed octal escape sequence");
976                return cp_value;
977            }
978            else {
979                ParseFailure("Malformed octal escape sequence");
980            }
981        case 'x':
982            ++mCursor;
983            if (*mCursor == '{') {
984              ++mCursor;
985              cp_value = parse_hex_codepoint(1, 6);
986              if (*mCursor++ != '}') ParseFailure("Malformed hex escape sequence");
987              return cp_value;
988            }
989            else {
990                return parse_hex_codepoint(1,2);  // ICU compatibility
991            }
992        case 'u':
993            ++mCursor;
994            if (*mCursor == '{') {
995                ++mCursor;
996                cp_value = parse_hex_codepoint(1, 6);
997                if (*mCursor++ != '}') ParseFailure("Malformed hex escape sequence");
998                return cp_value;
999            }
1000            else {
1001                return parse_hex_codepoint(4,4);  // ICU compatibility
1002            }
1003        case 'U':
1004            ++mCursor;
1005            return parse_hex_codepoint(8,8);  // ICU compatibility
1006        default:
1007            // Escaped letters should be reserved for special functions.
1008            if (((*mCursor >= 'A') && (*mCursor <= 'Z')) || ((*mCursor >= 'a') && (*mCursor <= 'z'))){
1009                //Escape unknown letter will be parse as normal letter
1010                return parse_literal_codepoint();
1011                //ParseFailure("Undefined or unsupported escape sequence");
1012            }
1013            else if ((*mCursor < 0x20) || (*mCursor >= 0x7F))
1014                ParseFailure("Illegal escape sequence");
1015            else return static_cast<codepoint_t>(*mCursor++);
1016    }
1017}
1018
1019codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
1020    codepoint_t value = 0;
1021    int count = 0;
1022    while (mCursor.more() && count < maxdigits) {
1023        const char t = *mCursor;
1024        if (t < '0' || t > '7') {
1025            break;
1026        }
1027        value = value * 8 | (t - '0');
1028        ++mCursor;
1029        ++count;
1030    }
1031    if (count < mindigits) ParseFailure("Octal sequence has too few digits");
1032    if (value > UCD::UNICODE_MAX) ParseFailure("Octal value too large");
1033    return value;
1034}
1035
1036codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
1037    codepoint_t value = 0;
1038    int count = 0;
1039    while (mCursor.more() && isxdigit(*mCursor) && count < maxdigits) {
1040        const char t = *mCursor;
1041        if (isdigit(t)) {
1042            value = (value * 16) | (t - '0');
1043        }
1044        else {
1045            value = ((value * 16) | ((t | 32) - 'a')) + 10;
1046        }
1047        ++mCursor;
1048        ++count;
1049    }
1050    if (count < mindigits) ParseFailure("Hexadecimal sequence has too few digits");
1051    if (value > UCD::UNICODE_MAX) ParseFailure("Hexadecimal value too large");
1052    return value;
1053}
1054
1055Name * RE_Parser::createCC(const codepoint_t cp) {
1056    CC * cc = nullptr;
1057    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
1058        cc = makeCC();
1059        caseInsensitiveInsert(cc, cp);
1060    } else {
1061        cc = makeCC(cp);
1062    }
1063    return mMemoizer.memoize(cc);
1064}
1065
1066void RE_Parser::insert(CC * cc, const codepoint_t cp) {
1067    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
1068        caseInsensitiveInsert(cc, cp);
1069    } else {
1070        cc->insert(cp);
1071    }
1072}
1073
1074void RE_Parser::insert_range(CC * cc, const codepoint_t lo, const codepoint_t hi) {
1075    if (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) {
1076        caseInsensitiveInsertRange(cc, lo, hi);
1077    } else {
1078        cc->insert_range(lo, hi);
1079    }
1080}
1081
1082RE * RE_Parser::makeComplement(RE * s) {
1083  return makeDiff(makeAny(), s);
1084}
1085
1086           
1087
1088                           
1089RE * RE_Parser::makeWordBoundary() {
1090    Name * wordC = makeWordSet();
1091    return makeReBoundary(wordC);
1092}
1093
1094RE * RE_Parser::makeWordNonBoundary() {
1095    Name * wordC = makeWordSet();
1096    return makeReNonBoundary(wordC);
1097}
1098
1099inline RE * RE_Parser::makeReBoundary(RE * re) {
1100    return makeBoundaryAssertion(re);
1101}
1102inline RE * RE_Parser::makeReNonBoundary(RE * re) {
1103    return makeNegativeBoundaryAssertion(re);
1104}
1105
1106RE * RE_Parser::makeWordBegin() {
1107    Name * wordC = makeWordSet();
1108    return makeNegativeLookBehindAssertion(wordC);
1109}
1110
1111RE * RE_Parser::makeWordEnd() {
1112    Name * wordC = makeWordSet();
1113    return makeNegativeLookAheadAssertion(wordC);
1114}
1115
1116Name * RE_Parser::makeDigitSet() {
1117    return mMemoizer.memoize(createName("nd"));
1118}
1119
1120Name * RE_Parser::makeAlphaNumeric() {
1121    return mMemoizer.memoize(createName("alnum"));
1122}
1123
1124Name * RE_Parser::makeWhitespaceSet() {
1125    return mMemoizer.memoize(createName("whitespace"));
1126}
1127
1128Name * RE_Parser::makeWordSet() {
1129    return mMemoizer.memoize(createName("word"));
1130}
1131
1132Name * RE_Parser::createName(std::string value) {
1133    auto key = std::make_pair("", value);
1134    auto f = mNameMap.find(key);
1135    if (f != mNameMap.end()) {
1136        return f->second;
1137    }
1138    Name * const property = mMemoizer.memoize(makeName(value, Name::Type::UnicodeProperty));
1139    mNameMap.insert(std::make_pair(std::move(key), property));
1140    return property;
1141    }
1142
1143Name * RE_Parser::createName(std::string prop, std::string value) {
1144    auto key = std::make_pair(prop, value);
1145    auto f = mNameMap.find(key);
1146    if (f != mNameMap.end()) {
1147        return f->second;
1148    }
1149    Name * const property = mMemoizer.memoize(makeName(prop, value, Name::Type::UnicodeProperty));
1150    mNameMap.insert(std::make_pair(std::move(key), property));
1151    return property;
1152}
1153
1154LLVM_ATTRIBUTE_NORETURN void RE_Parser::ParseFailure(std::string errmsg) {
1155    llvm::report_fatal_error(errmsg);
1156}
1157
1158}
Note: See TracBrowser for help on using the repository browser.