source: icGREP/icgrep-devel/icgrep/re/re_parser.cpp @ 5828

Last change on this file since 5828 was 5816, checked in by cameron, 17 months ago

Supporting multiple alphabets in RE compilation - initial check-in

File size: 30.2 KB
Line 
1/*
2 *  Copyright (c) 2017 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/parse_fixed_strings.h>
14#include <re/re_name.h>
15#include <re/re_alt.h>
16#include <re/re_any.h>
17#include <re/re_end.h>
18#include <re/re_rep.h>
19#include <re/re_seq.h>
20#include <re/re_start.h>
21#include <re/re_range.h>
22#include <re/re_diff.h>
23#include <re/re_intersect.h>
24#include <re/re_group.h>
25#include <re/re_assertion.h>
26#include <re/printer_re.h>
27#include <sstream>
28#include <string>
29#include <algorithm>
30#include <iostream>
31#include <llvm/Support/Casting.h>
32#include <llvm/Support/ErrorHandling.h>
33#include <llvm/Support/raw_ostream.h>
34#include <llvm/ADT/STLExtras.h> // for make_unique
35
36using namespace llvm;
37
38namespace re {
39
40
41RE * RE_Parser::parse(const std::string & regular_expression, ModeFlagSet initialFlags, RE_Syntax syntax, bool ByteMode) {
42
43    std::unique_ptr<RE_Parser> parser = nullptr;
44    switch (syntax) {
45        case RE_Syntax::PCRE:
46            parser = make_unique<RE_Parser_PCRE>(regular_expression);
47            break;
48        case RE_Syntax::ERE:
49            parser = make_unique<RE_Parser_ERE>(regular_expression);
50            break;
51        case RE_Syntax ::BRE:
52            parser = make_unique<RE_Parser_BRE>(regular_expression);
53            break;
54        case RE_Syntax ::PROSITE:
55            parser = make_unique<RE_Parser_PROSITE>(regular_expression);
56            break;
57        default:
58            parser = make_unique<FixedStringParser>(regular_expression);
59            break;
60    }
61    parser->fByteMode = ByteMode;
62    parser->fModeFlagSet = initialFlags;
63    parser->mGroupsOpen = 0;
64    parser->fNested = false;
65    parser->mCaptureGroupCount = 0;
66    RE * re = parser->parse_RE();
67    if (re == nullptr) {
68        ParseFailure("An unexpected parsing error occurred!");
69    }
70    return re;
71}
72
73RE_Parser::RE_Parser(const std::string & regular_expression)
74: fByteMode(false)
75, fModeFlagSet(MULTILINE_MODE_FLAG)
76, fNested(false)
77, mGroupsOpen(0)
78, mCursor(regular_expression)
79, mCaptureGroupCount(0)
80, mReSyntax(RE_Syntax::PCRE)
81{
82
83}
84
85RE * makeAtomicGroup(RE * r) {
86    RE_Parser::ParseFailure("Atomic grouping not supported.");
87}
88
89RE * makeBranchResetGroup(RE * r) {
90    // Branch reset groups only affect submatch numbering, but
91    // this has no effect in icgrep.
92    RE_Parser::ParseFailure("Branch reset groups not supported.");
93}
94
95RE * RE_Parser::parse_RE() {
96    return parse_alt();
97}
98
99RE * RE_Parser::parse_alt() {
100    std::vector<RE *> alt;
101    do {
102        alt.push_back(parse_seq());
103    }
104    while (accept('|'));
105    return makeAlt(alt.begin(), alt.end());
106}
107   
108RE * RE_Parser::parse_seq() {
109    std::vector<RE *> seq;
110    if (!mCursor.more() || (*mCursor == '|') || ((mGroupsOpen > 0) && (*mCursor == ')'))) return makeSeq();
111    for (;;) {
112        RE * re = parse_next_item();
113        if (re == nullptr) {
114            break;
115        }
116        re = extend_item(re);
117        seq.push_back(re);
118    }
119    return makeSeq(seq.begin(), seq.end());
120}
121
122RE * createStart(ModeFlagSet flags) {
123    if ((flags & ModeFlagType::MULTILINE_MODE_FLAG) == 0) return makeZeroWidth("^s");  //single-line mode
124    if ((flags & ModeFlagType::UNIX_LINES_MODE_FLAG) != 0) {
125        return makeNegativeLookBehindAssertion(makeCC(makeByte(0, '\n'-1), makeByte('\n'+1, 0xFF)));
126    }
127    return makeStart();
128}
129RE * createEnd(ModeFlagSet flags) {
130    if ((flags & ModeFlagType::MULTILINE_MODE_FLAG) == 0) return makeZeroWidth("$s");  //single-line mode
131    if ((flags & ModeFlagType::UNIX_LINES_MODE_FLAG) != 0) {
132        return makeNegativeLookAheadAssertion(makeCC(makeByte(0, '\n'-1), makeByte('\n'+1, 0xFF)));
133    }
134    return makeEnd();
135}
136RE * createAny(ModeFlagSet flags) {
137    return makeAny();
138}
139   
140   
141RE * RE_Parser::parse_next_item() {
142    if (mCursor.noMore() || atany("*?+{|")) return nullptr;
143    else if (((mGroupsOpen > 0) && at(')')) || (fNested && at('}'))) return nullptr;
144    else if (accept('^')) return createStart(fModeFlagSet);
145    else if (accept('$')) return createEnd(fModeFlagSet);
146    else if (accept('.')) return createAny(fModeFlagSet);
147    else if (accept('(')) return parse_group();
148    else if (accept('[')) return parse_extended_bracket_expression();
149    else if (accept('\\')) return parse_escaped();
150    else return createCC(parse_literal_codepoint());
151}
152   
153   
154RE * RE_Parser::parse_mode_group(bool & closing_paren_parsed) {
155    const ModeFlagSet savedModeFlagSet = fModeFlagSet;
156    while (mCursor.more() && !atany(":)")) {
157        bool negateMode = accept('-');
158        ModeFlagType modeBit;
159        switch (*mCursor) {
160            case 'i': modeBit = CASE_INSENSITIVE_MODE_FLAG; break;
161            case 'g': modeBit = GRAPHEME_CLUSTER_MODE; break;
162            case 'm': modeBit = MULTILINE_MODE_FLAG; break;
163                //case 's': modeBit = DOTALL_MODE_FLAG; break;
164            case 'x': modeBit = IGNORE_SPACE_MODE_FLAG; break;
165            case 'd': modeBit = UNIX_LINES_MODE_FLAG; break;
166            default: ParseFailure("Unsupported mode flag.");
167        }
168        ++mCursor;
169        if (negateMode) {
170            fModeFlagSet &= ~modeBit;
171            negateMode = false;  // for next flag
172        } else {
173            fModeFlagSet |= modeBit;
174        }
175    }
176    if (accept(':')) {
177        RE * group_expr = parse_alt();
178        auto changed = fModeFlagSet ^ savedModeFlagSet;
179        if ((changed & CASE_INSENSITIVE_MODE_FLAG) != 0) {
180            group_expr = makeGroup(Group::Mode::CaseInsensitiveMode, group_expr,
181                                   (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) == 0 ? Group::Sense::Off : Group::Sense::On);
182        }
183        if ((changed & GRAPHEME_CLUSTER_MODE) != 0) {
184            group_expr = makeGroup(Group::Mode::GraphemeMode, group_expr,
185                                   (fModeFlagSet & GRAPHEME_CLUSTER_MODE) == 0 ? Group::Sense::Off : Group::Sense::On);
186        }
187        fModeFlagSet = savedModeFlagSet;
188        closing_paren_parsed = false;
189        return group_expr;
190    } else {  // if *_cursor == ')'
191        require(')');
192        closing_paren_parsed = true;
193        auto changed = fModeFlagSet ^ savedModeFlagSet;
194        if ((changed & (CASE_INSENSITIVE_MODE_FLAG|GRAPHEME_CLUSTER_MODE)) != 0) {
195            RE * group_expr = parse_seq();
196            if ((changed & CASE_INSENSITIVE_MODE_FLAG) != 0) {
197                group_expr = makeGroup(Group::Mode::CaseInsensitiveMode, group_expr,
198                                       (fModeFlagSet & CASE_INSENSITIVE_MODE_FLAG) == 0 ? Group::Sense::Off : Group::Sense::On);
199            }
200            if ((changed & GRAPHEME_CLUSTER_MODE) != 0) {
201                group_expr = makeGroup(Group::Mode::GraphemeMode, group_expr,
202                                       (fModeFlagSet & GRAPHEME_CLUSTER_MODE) == 0 ? Group::Sense::Off : Group::Sense::On);
203            }
204            return group_expr;
205        }
206        else return makeSeq();
207    }
208
209}
210
211// Parse some kind of parenthesized group.  Input precondition: mCursor
212// after the (
213RE * RE_Parser::parse_group() {
214    mGroupsOpen++;
215    RE * group_expr = nullptr;
216    if (accept('?')) {
217        if (accept('#')) {
218            while (mCursor.more() && !at(')')) ++mCursor;
219            group_expr = makeSeq();
220        } else if (accept(':')) { // Non-capturing paren
221            group_expr = parse_alt();
222        } else if (accept('=')) { // positive look ahead
223            group_expr = makeLookAheadAssertion(parse_alt());
224        } else if (accept('!')) { // negative look ahead
225            group_expr = makeNegativeLookAheadAssertion(parse_alt());
226        } else if (accept("<=")) { // positive look ahead
227            group_expr = makeLookBehindAssertion(parse_alt());
228        } else if (accept("<!")) { // negative look ahead
229            group_expr = makeNegativeLookBehindAssertion(parse_alt());
230        } else if (accept('>')) { // negative look ahead
231            group_expr = makeAtomicGroup(parse_alt());
232        } else if (accept('|')) { // negative look ahead
233            group_expr = makeBranchResetGroup(parse_alt());
234        } else if (atany("-dimsxg")) { // mode switches
235            bool closing_paren_parsed;
236            group_expr = parse_mode_group(closing_paren_parsed);
237            if (closing_paren_parsed) {
238                mGroupsOpen--;
239                return group_expr;
240            }
241        } else {
242            ParseFailure("Illegal (? syntax.");
243        }
244    } else { // Capturing paren group.
245        group_expr = parse_capture_body();
246    }
247    require(')');
248    mGroupsOpen--;
249    return group_expr;
250}
251   
252RE * RE_Parser::parse_capture_body() {
253    RE * captured = parse_alt();
254    mCaptureGroupCount++;
255    std::string captureName = "\\" + std::to_string(mCaptureGroupCount);
256    Name * const capture  = mMemoizer.memoize(makeCapture(captureName, captured));
257    auto key = std::make_pair("", captureName);
258    mNameMap.insert(std::make_pair(std::move(key), capture));
259    return capture;
260}
261   
262RE * RE_Parser::parse_back_reference() {
263    mCursor++;
264    std::string backref = std::string(mCursor.pos()-2, mCursor.pos());
265    auto key = std::make_pair("", backref);
266    auto f = mNameMap.find(key);
267    if (f != mNameMap.end()) {
268        return makeReference(backref, f->second);
269    }
270    else {
271        ParseFailure("Back reference " + backref + " without prior capture group.");
272    }
273}
274
275#define ENABLE_EXTENDED_QUANTIFIERS true
276   
277// Extend a RE item with one or more quantifiers
278RE * RE_Parser::extend_item(RE * re) {
279    int lb, ub;
280    if (accept('*')) {lb = 0; ub = Rep::UNBOUNDED_REP;}
281    else if (accept('?')) {lb = 0; ub = 1;}
282    else if (accept('+')) {lb = 1; ub = Rep::UNBOUNDED_REP;}
283    else if (accept('{')) std::tie(lb, ub) = parse_range_bound();
284    else {
285        // No quantifier found.
286        return re;
287    }
288    if (ENABLE_EXTENDED_QUANTIFIERS && accept('?')) {
289        // Non-greedy qualifier: no difference for Parabix RE matching
290        re = makeRep(re, lb, ub);
291    } else if (ENABLE_EXTENDED_QUANTIFIERS && accept('+')) {
292        // Possessive qualifier
293        if (ub == Rep::UNBOUNDED_REP) {
294            re = makeSeq({makeRep(re, lb, ub), makeNegativeLookAheadAssertion(re)});
295        } else if (lb == ub) {
296            re = makeRep(re, ub, ub);
297        } else /* if (lb < ub) */{
298            re = makeAlt({makeSeq({makeRep(re, lb, ub-1), makeNegativeLookAheadAssertion(re)}), makeRep(re, ub, ub)});
299        }
300    } else {
301        re = makeRep(re, lb, ub);
302    }
303    // The quantified expression may be extended with a further quantifier, e,g., [a-z]{6,7}{2,3}
304    return extend_item(re);
305}
306
307std::pair<int, int> RE_Parser::parse_range_bound() {
308    int lb, ub;
309    if (accept(',')) {
310        lb = 0;
311        ub = parse_int();
312    } else {
313        lb = parse_int();
314        if (accept('}')) return std::make_pair(lb, lb);
315        else require(',');
316        if (accept('}')) return std::make_pair(lb, Rep::UNBOUNDED_REP);
317        ub = parse_int();
318        if (ub < lb) ParseFailure("Upper bound less than lower bound");
319    }
320    require('}');
321    return std::make_pair(lb, ub);
322}
323
324unsigned RE_Parser::parse_int() {
325    unsigned value = 0;
326    if (!atany("0123456789")) ParseFailure("Expecting integer");
327    do {
328        value *= 10;
329        value += static_cast<int>(get1()) - 48;
330    } while (atany("0123456789"));
331    return value;
332}
333
334
335const uint64_t setEscapeCharacters = bit3C('b') | bit3C('p') | bit3C('q') | bit3C('d') | bit3C('w') | bit3C('s') | bit3C('<') | bit3C('>') |
336                                     bit3C('B') | bit3C('P') | bit3C('Q') | bit3C('D') | bit3C('W') | bit3C('S') | bit3C('N') | bit3C('X');
337
338bool RE_Parser::isSetEscapeChar(char c) {
339    return c >= 0x3C && c <= 0x7B && ((setEscapeCharacters >> (c - 0x3C)) & 1) == 1;
340}
341                                 
342
343RE * RE_Parser::parse_escaped() {
344   
345    if (isSetEscapeChar(*mCursor)) {
346        return parseEscapedSet();
347    }
348    else if (atany("xo0")) {
349        codepoint_t cp = parse_escaped_codepoint();
350        if ((cp <= 0xFF)) {
351            return makeByte(cp);
352        }
353        else return createCC(cp);
354    }
355    else if (atany("123456789")) {
356        return parse_back_reference();
357    }
358    else {
359        return createCC(parse_escaped_codepoint());
360    }
361}
362   
363RE * RE_Parser::parseEscapedSet() {
364    bool complemented = false;
365    RE * re = nullptr;
366    switch (*mCursor) {
367        case 'B': complemented = true;
368        case 'b':
369            if (*++mCursor != '{') {
370                return complemented ? makeWordNonBoundary() : makeWordBoundary();
371            } else {
372                ++mCursor;
373                if (isCharAhead('}')) {
374                    switch (*mCursor) {
375                        case 'g':
376                            re = complemented ? makeZeroWidth("\\B{g}") : makeZeroWidth("\\b{g}");
377                            ++mCursor;
378                            ++mCursor;
379                            break;
380                        case 'w': ParseFailure("\\b{w} not yet supported.");
381                        case 'l': ParseFailure("\\b{l} not yet supported.");
382                        case 's': ParseFailure("\\b{s} not yet supported.");
383//                        default: ParseFailure("Unrecognized boundary assertion");
384                    }
385                }
386                if (!re) {
387                    auto propExpr = parsePropertyExpression();
388                    if (*mCursor++ != '}') {
389                        ParseFailure("Malformed boundary assertion");
390                    }
391                    re = complemented ? makeReNonBoundary(propExpr) : makeReBoundary(propExpr);
392                }
393                return re;
394            }
395        case 'd':
396            ++mCursor;
397            return makeDigitSet();
398        case 'D':
399            ++mCursor;
400            return makeComplement(makeDigitSet());
401        case 's':
402            ++mCursor;
403            return makeWhitespaceSet();
404        case 'S':
405            ++mCursor;
406            return makeComplement(makeWhitespaceSet());
407        case 'w':
408            ++mCursor;
409            return makeWordSet();
410        case 'W':
411            ++mCursor;
412            return makeComplement(makeWordSet());
413        case 'Q':
414            complemented = true;
415        case 'q':
416            if (*++mCursor != '{') {
417                ParseFailure("Malformed grapheme cluster expression");
418            }
419            ++mCursor;
420            ParseFailure("Literal grapheme cluster expressions not yet supported.");
421            if (*mCursor != '}') {
422                ParseFailure("Malformed grapheme cluster expression");
423            }
424            ++mCursor;
425            return complemented ? makeComplement(re) : re;
426        case 'P':
427            complemented = true;
428        case 'p':
429            if (*++mCursor != '{') {
430                ParseFailure("Malformed property expression");
431            }
432            ++mCursor;
433            re = parsePropertyExpression();
434            if (*mCursor != '}') {
435                ParseFailure("Malformed property expression");
436            }
437            ++mCursor;
438            return complemented ? makeComplement(re) : re;
439        case 'X':
440            // \X is equivalent to ".+?\b{g}"; proceed the minimal number of characters (but at least one)
441            // to get to the next extended grapheme cluster boundary.
442            ++mCursor;
443            return makeSeq({makeAny(), makeRep(makeSeq({makeZeroWidth("\\B{g}"), makeAny()}), 0, Rep::UNBOUNDED_REP), makeZeroWidth("\\b{g}")});
444        case 'N':
445            ++mCursor;
446            re = parseNamePatternExpression();
447            assert (re);
448            return re;
449        case '<':
450            ++mCursor;
451            return makeWordBegin();
452        case '>':
453            ++mCursor;
454            return makeWordEnd();
455        default:
456            ParseFailure("Internal error");
457    }
458}
459   
460void InvalidUTF8Encoding() {
461    RE_Parser::ParseFailure("Invalid UTF-8 encoding!");
462}
463
464codepoint_t RE_Parser::parse_literal_codepoint() {
465    if (fByteMode) {
466       return static_cast<uint8_t>(*mCursor++);
467    }
468    else return parse_utf8_codepoint();
469}
470
471codepoint_t RE_Parser::parse_utf8_codepoint() {
472    // Must cast to unsigned char to avoid sign extension.
473    unsigned char pfx = static_cast<unsigned char>(*mCursor++);
474    codepoint_t cp = pfx;
475    if (pfx < 0x80) return cp;
476    unsigned suffix_bytes = 0;
477    if (pfx < 0xE0) {
478        if (pfx < 0xC2) {  // bare suffix or illegal prefix 0xC0 or 0xC2
479            InvalidUTF8Encoding();
480        }
481        suffix_bytes = 1;
482        cp &= 0x1F;
483    } else if (pfx < 0xF0) { // [0xE0, 0xEF]
484        cp &= 0x0F;
485        suffix_bytes = 2;
486    } else { // [0xF0, 0xFF]
487        cp &= 0x0F;
488        suffix_bytes = 3;
489    }
490    while (suffix_bytes--) {
491        if (mCursor.noMore()) {
492            InvalidUTF8Encoding();
493        }
494        char_t sfx = *mCursor++;
495        if ((sfx & 0xC0) != 0x80) {
496            InvalidUTF8Encoding();
497        }
498        cp = (cp << 6) | (sfx & 0x3F);
499    }
500    // It is an error if a 3-byte sequence is used to encode a codepoint < 0x800
501    // or a 4-byte sequence is used to encode a codepoint < 0x10000.
502    if ((pfx == 0xE0 && cp < 0x800) || (pfx == 0xF0 && cp < 0x10000)) {
503        InvalidUTF8Encoding();
504    }
505    // It is an error if a 4-byte sequence is used to encode a codepoint
506    // above the Unicode maximum.
507    if (cp > UCD::UNICODE_MAX) {
508        InvalidUTF8Encoding();
509    }
510    return cp;
511}
512
513std::string RE_Parser::canonicalize(const cursor_t begin, const cursor_t end) {
514    std::locale loc;
515    std::stringstream s;   
516    for (auto i = begin; i != end; ++i) {
517        switch (*i) {
518            case '_': case ' ': case '-':
519                break;
520            default:
521                s << std::tolower(*i, loc);
522        }
523    }
524    return s.str();
525}
526
527bool RE_Parser::isCharAhead(char c) {
528    if (mCursor.remaining() < 2) {
529        return false;
530    }
531    auto nextCursor = mCursor.pos() + 1;
532    return *nextCursor == c;
533}
534
535RE * RE_Parser::parsePropertyExpression() {
536    const auto start = mCursor.pos();
537    while (mCursor.more() && !atany("}:=")) {
538        get1();
539    }
540    if (accept('=')) {
541        // We have a property-name = value expression
542        const auto prop_end = mCursor.pos()-1;
543        auto val_start = mCursor.pos();
544        if (accept('/')) {
545            // property-value is another regex
546            auto previous = val_start;
547            auto current = mCursor.pos();
548            val_start = current;
549           
550            while (true) {
551                if (*current == '/' && *previous != '\\') {
552                    break;
553                }
554               
555                if (!mCursor.more()) {
556                    ParseFailure("Malformed property expression");
557                }
558               
559                previous = current;
560                current = (++mCursor).pos();
561            }
562            ++mCursor;
563            //return parseRegexPropertyValue(canonicalize(start, prop_end), std::string(val_start, current));
564            return createName(canonicalize(start, prop_end), std::string(val_start-1, current));
565        }
566        if (*val_start == '@') {
567            // property-value is @property@ or @identity@
568            auto previous = val_start;
569            auto current = (++mCursor).pos();
570            val_start = current;
571           
572            while (true) {
573                if (*current == '@' && *previous != '\\') {
574                    break;
575                }
576               
577                if (!mCursor.more()) {
578                    ParseFailure("Malformed property expression");
579                }
580               
581                previous = current;
582                current = (++mCursor).pos();
583            }
584            ++mCursor;
585            //return parseRegexPropertyValue(canonicalize(start, prop_end), std::string(val_start, current));
586            return createName(canonicalize(start, prop_end), std::string(val_start-1, current));
587        }
588        else {
589            // property-value is normal string
590            while (mCursor.more()) {
591                bool done = false;
592                switch (*mCursor) {
593                    case '}': case ':':
594                        done = true;
595                }
596                if (done) {
597                    break;
598                }
599                ++mCursor;
600            }
601            return createName(canonicalize(start, prop_end), std::string(val_start, mCursor.pos()));
602        }
603    }
604    return createName(canonicalize(start, mCursor.pos()));
605}
606
607Name * RE_Parser::parseNamePatternExpression(){
608    require('{');
609    std::stringstream nameRegexp;
610    nameRegexp << "/(?m)^";
611    while (mCursor.more() && !at('}')) {
612        if (accept("\\}")) {
613            nameRegexp << "}";
614        }
615        else {
616            nameRegexp << std::string(1, std::toupper(get1()));
617        }
618    }
619    nameRegexp << "$";
620    require('}');
621    return createName("na", nameRegexp.str());
622}
623
624
625// Parse a bracketted expression with possible && (intersection) or
626// -- (set difference) operators.
627// Initially, the opening bracket has been consumed.
628RE * RE_Parser::parse_extended_bracket_expression () {
629    bool negated = accept('^');
630    RE * t1 = parse_bracketed_items();
631    bool have_new_expr = true;
632    while (have_new_expr) {
633        if (accept("&&")) {
634            RE * t2 = parse_bracketed_items();
635            t1 = makeIntersect(t1, t2);
636        } else if (accept("--")) {
637            RE * t2 = parse_bracketed_items();
638            t1 = makeDiff(t1, t2);
639        }
640        else have_new_expr = false;
641    }
642    require(']');
643    if (negated) return makeComplement(t1);
644    else return t1;
645}
646
647// Parsing items within a bracket expression.
648// Items represent individual characters or sets of characters.
649// Ranges may be formed by individual character items separated by '-'.
650RE * RE_Parser::parse_bracketed_items () {
651    std::vector<RE *> items;
652    do {
653        if (accept('[')) {
654            if (accept('=')) items.push_back(parse_equivalence_class());
655            else if (accept('.')) items.push_back(range_extend(parse_collation_element()));
656            else if (accept(':')) items.push_back(parse_Posix_class());
657            else items.push_back(parse_extended_bracket_expression());
658        } else if (accept('\\')) {
659            if (at('N') || !isSetEscapeChar(*mCursor)) items.push_back(range_extend(parse_escaped_char_item()));
660            else items.push_back(parseEscapedSet());
661        } else {
662            items.push_back(range_extend(makeCC(parse_literal_codepoint())));
663        }
664    } while (mCursor.more() && !at(']') && !at("&&") && (!at("--") || at("--]")));
665    return makeAlt(items.begin(), items.end());
666}
667
668//  Given an individual character expression, check for and parse
669//  a range extension if one exists, or return the individual expression.
670RE * RE_Parser::range_extend(RE * char_expr1) {
671    // A range extension is signalled by a hyphen '-', except for special cases:
672    // (a) if the following character is "]" the hyphen is a literal set character.
673    // (b) if the following character is "-" the hyphen is part of a set subtract
674    // operator, unless it the set is immediately closed by "--]".
675    if (!at('-') || at("-]") || (at("--") && !at("--]"))) return char_expr1;
676    accept('-');
677    RE * char_expr2 = nullptr;
678    if (accept('\\')) char_expr2 = parse_escaped_char_item();
679    else if (accept('[')) {
680        if (accept('.')) char_expr2 = parse_collation_element();
681        else ParseFailure("Error in range expression");
682    } else {
683        char_expr2 = makeCC(parse_literal_codepoint());
684    }
685    return makeRange(char_expr1, char_expr2);
686}
687
688RE * RE_Parser::parse_equivalence_class() {
689    const auto start = mCursor.pos() - 2;
690    while (mCursor.more() && !at('=')) {
691        ++mCursor;
692    }
693    require("=]");
694    std::string name = std::string(start, mCursor.pos());
695    return createName(name);
696}
697RE * RE_Parser::parse_collation_element() {
698    const auto start = mCursor.pos() - 2;
699    while (mCursor.more() && !at('.')) {
700        ++mCursor;
701    }
702    require(".]");
703    std::string name = std::string(start, mCursor.pos());
704    return createName(name);
705}
706
707RE * RE_Parser::parse_Posix_class() {
708    bool negated = accept('^');
709    RE * posixSet = parsePropertyExpression();
710    require(":]");
711    if (negated) return makeComplement(posixSet);
712    else return posixSet;
713}
714
715RE * RE_Parser::parse_escaped_char_item() {
716    if (accept('N')) return parseNamePatternExpression();
717    else if (atany("xo0")) {
718        codepoint_t cp = parse_escaped_codepoint();
719        if ((cp <= 0xFF)) {
720            return makeByte(cp);
721        }
722        else return createCC(cp);
723    }
724    else return createCC(parse_escaped_codepoint());
725}
726
727
728// A backslash escape was found, and various special cases (back reference,
729// quoting with \Q, \E, sets (\p, \P, \d, \D, \w, \W, \s, \S, \b, \B), grapheme
730// cluster \X have been ruled out.
731// It may be one of several possibilities or an error sequence.
732// 1. Special control codes (\a, \e, \f, \n, \r, \t, \v)
733// 2. General control codes c[@-_a-z?]
734// 3. Restricted octal notation 0 - 0777
735// 4. General octal notation o\{[0-7]+\}
736// 5. General hex notation x\{[0-9A-Fa-f]+\}
737// 6. An error for any unrecognized alphabetic escape
738// 7. An escaped ASCII symbol, standing for itself
739
740codepoint_t RE_Parser::parse_escaped_codepoint() {
741    codepoint_t cp_value;
742    if (accept('a')) return 0x07; // BEL
743    else if (accept('e')) return 0x1B; // ESC
744    else if (accept('f')) return 0x0C; // FF
745    else if (accept('n')) return 0x0A; // LF
746    else if (accept('r')) return 0x0D; // CR
747    else if (accept('t')) return 0x09; // HT
748    else if (accept('v')) return 0x0B; // VT
749    else if (accept('c')) {// Control-escape based on next char
750            // \c@, \cA, ... \c_, or \ca, ..., \cz
751            if (((*mCursor >= '@') && (*mCursor <= '_')) || ((*mCursor >= 'a') && (*mCursor <= 'z'))) {
752                cp_value = static_cast<codepoint_t>(*mCursor & 0x1F);
753                mCursor++;
754                return cp_value;
755            }
756            else if (accept('?')) return 0x7F;  // \c? ==> DEL
757            else ParseFailure("Illegal \\c escape sequence");
758    } else if (accept('0')) {
759        return parse_octal_codepoint(0,3);
760    } else if (accept('o')) {
761        if (!accept('{')) ParseFailure("Malformed octal escape sequence");
762        cp_value = parse_octal_codepoint(1, 7);
763        require('}');
764        return cp_value;
765    } else if (accept('x')) {
766        if (!accept('{')) return parse_hex_codepoint(1,2);  // ICU compatibility
767        cp_value = parse_hex_codepoint(1, 6);
768        require('}');
769        return cp_value;
770    } else if (accept('u')) {
771        if (!accept('{')) return parse_hex_codepoint(4,4);  // ICU compatibility
772        cp_value = parse_hex_codepoint(1, 6);
773        require('}');
774        return cp_value;
775    } else if (accept('U')) {
776        return parse_hex_codepoint(8,8);  // ICU compatibility
777    } else {
778        if (((*mCursor >= 'A') && (*mCursor <= 'Z')) || ((*mCursor >= 'a') && (*mCursor <= 'z'))){
779            //Escape unknown letter will be parse as normal letter
780            return parse_literal_codepoint();
781            //ParseFailure("Undefined or unsupported escape sequence");
782        }
783        else if ((*mCursor < 0x20) || (*mCursor >= 0x7F))
784            ParseFailure("Illegal escape sequence");
785        else return static_cast<codepoint_t>(*mCursor++);
786    }
787}
788
789codepoint_t RE_Parser::parse_octal_codepoint(int mindigits, int maxdigits) {
790    codepoint_t value = 0;
791    int count = 0;
792    while (mCursor.more() && atany("01234567") && count < maxdigits) {
793        const char t = get1();
794        value = value * 8 | (t - '0');
795        ++count;
796    }
797    if (count < mindigits) ParseFailure("Octal sequence has too few digits");
798    if (value > UCD::UNICODE_MAX) ParseFailure("Octal value too large");
799    return value;
800}
801
802codepoint_t RE_Parser::parse_hex_codepoint(int mindigits, int maxdigits) {
803    codepoint_t value = 0;
804    int count = 0;
805    while (mCursor.more() && atany("0123456789abcdefABCDEF") && count < maxdigits) {
806        const char t = get1();
807        if (isdigit(t)) {
808            value = (value * 16) | (t - '0');
809        }
810        else {
811            value = ((value * 16) | ((t | 32) - 'a')) + 10;
812        }
813        ++count;
814    }
815    if (count < mindigits) ParseFailure("Hexadecimal sequence has too few digits");
816    if (value > UCD::UNICODE_MAX) ParseFailure("Hexadecimal value too large");
817    return value;
818}
819
820CC * RE_Parser::createCC(const codepoint_t cp) {
821    CC * cc = mMemoizer.memoize(makeCC(cp));
822    return cc;
823}
824
825RE * RE_Parser::makeComplement(RE * s) {
826  return makeDiff(makeAny(), s);
827}
828
829RE * RE_Parser::makeWordBoundary() {
830    Name * wordC = makeWordSet();
831    return makeReBoundary(wordC);
832}
833
834RE * RE_Parser::makeWordNonBoundary() {
835    Name * wordC = makeWordSet();
836    return makeReNonBoundary(wordC);
837}
838
839inline RE * RE_Parser::makeReBoundary(RE * re) {
840    return makeBoundaryAssertion(re);
841}
842inline RE * RE_Parser::makeReNonBoundary(RE * re) {
843    return makeNegativeBoundaryAssertion(re);
844}
845
846RE * RE_Parser::makeWordBegin() {
847    Name * wordC = makeWordSet();
848    return makeNegativeLookBehindAssertion(wordC);
849}
850
851RE * RE_Parser::makeWordEnd() {
852    Name * wordC = makeWordSet();
853    return makeNegativeLookAheadAssertion(wordC);
854}
855
856Name * RE_Parser::makeDigitSet() {
857    return mMemoizer.memoize(createName("nd"));
858}
859
860Name * RE_Parser::makeAlphaNumeric() {
861    return mMemoizer.memoize(createName("alnum"));
862}
863
864Name * RE_Parser::makeWhitespaceSet() {
865    return mMemoizer.memoize(createName("whitespace"));
866}
867
868Name * RE_Parser::makeWordSet() {
869    return mMemoizer.memoize(createName("word"));
870}
871
872Name * RE_Parser::createName(std::string value) {
873    auto key = std::make_pair("", value);
874    auto f = mNameMap.find(key);
875    if (f != mNameMap.end()) {
876        return f->second;
877    }
878    Name * const property = mMemoizer.memoize(makeName(value, Name::Type::UnicodeProperty));
879    mNameMap.insert(std::make_pair(std::move(key), property));
880    return property;
881    }
882
883Name * RE_Parser::createName(std::string prop, std::string value) {
884    auto key = std::make_pair(prop, value);
885    auto f = mNameMap.find(key);
886    if (f != mNameMap.end()) {
887        return f->second;
888    }
889    Name * const property = mMemoizer.memoize(makeName(prop, value, Name::Type::UnicodeProperty));
890    mNameMap.insert(std::make_pair(std::move(key), property));
891    return property;
892}
893
894LLVM_ATTRIBUTE_NORETURN void RE_Parser::ParseFailure(std::string errmsg) {
895    llvm::report_fatal_error(errmsg);
896}
897
898}
Note: See TracBrowser for help on using the repository browser.