source: icGREP/icgrep-devel/icgrep/utf8_encoder.cpp @ 3961

Last change on this file since 3961 was 3961, checked in by daled, 5 years ago

Multibyte character code classes parsed from hex notation are now using named byte sequences.

File size: 6.2 KB
Line 
1/*
2 *  Copyright (c) 2014 International Characters.
3 *  This software is licensed to the public under the Open Software License 3.0.
4 *  icgrep is a trademark of International Characters.
5 */
6
7#include "utf8_encoder.h"
8
9
10RE* UTF8_Encoder::toUTF8(RE* re)
11{
12    RE* retVal = 0;
13
14    if (Alt* re_alt = dynamic_cast<Alt*>(re))
15    {
16        std::list<RE*> re_list;
17        std::list<RE*>::reverse_iterator rit = re_alt->GetREList()->rbegin();
18
19        for (rit = re_alt->GetREList()->rbegin(); rit != re_alt->GetREList()->rend(); ++rit)
20        {
21            re_list.push_back(toUTF8(*rit));
22        }
23
24        retVal = new Alt(&re_list);
25    }
26    else if (Seq* re_seq = dynamic_cast<Seq*>(re))
27    {
28
29        std::list<RE*> re_list;
30        std::list<RE*>::iterator it;
31
32        for (it = re_seq->GetREList()->begin(); it != re_seq->GetREList()->end(); ++it)
33        {
34            //If this is a previously encoded Unicode byte sequence.
35            if (re_seq->getType() == Seq::Byte)
36            {
37                if (CC* seq_cc = dynamic_cast<CC*>(*it))
38                {
39                    CharSetItem item = seq_cc->getItems().front();
40                    re_list.push_front(new CC(item.lo_codepoint));
41                }
42            }
43            else
44            {
45                re_list.push_front(toUTF8(*it));
46            }
47        }
48
49        Seq* new_seq = new Seq(&re_list);
50        new_seq->setType(re_seq->getType());
51        retVal = new_seq;
52    }
53    else if (Rep* re_rep = dynamic_cast<Rep*>(re))
54    {
55        retVal = new Rep(toUTF8(re_rep->getRE()), re_rep->getLB(), re_rep->getUB());
56    }
57    else if (CC* re_cc = dynamic_cast<CC*>(re))
58    { 
59        if (re_cc->getItems().size() == 1)
60        {
61            retVal = rangeToUTF8(re_cc->getItems().front());
62        }
63        else if (re_cc->getItems().size() > 1)
64        {           
65            std::list<RE*> re_list;
66            for (int i = 0; i < re_cc->getItems().size(); i++)
67            {
68                re_list.push_back(rangeToUTF8(re_cc->getItems().at(i)));
69            }
70            retVal = RE_Simplifier::mkAlt(&re_list);
71            //retVal = new Alt(&re_list);
72        }
73    }
74    else if (Name* re_name = dynamic_cast<Name*>(re))
75    {
76        Name* name = new Name(re_name->getName());
77        name->setType(re_name->getType());
78        retVal = name;
79    }
80    else if (Start* re_start = dynamic_cast<Start*>(re))
81    {
82        retVal = new Start();
83    }
84    else if (End* re_end = dynamic_cast<End*>(re))
85    {
86        retVal = new End();
87    }
88
89    return retVal;
90}
91
92RE* UTF8_Encoder::rangeToUTF8(CharSetItem item)
93{
94    int u8len_lo = u8len(item.lo_codepoint);
95    int u8len_hi = u8len(item.hi_codepoint);
96
97    if (u8len_lo < u8len_hi)
98    {
99        int m = max_of_u8len(u8len_lo);
100        Alt* alt = new Alt();
101
102        CharSetItem lo_item;
103        lo_item.lo_codepoint = item.lo_codepoint;
104        lo_item.hi_codepoint = m;
105        alt->AddREListItem(rangeToUTF8(lo_item));
106        CharSetItem hi_item;
107        hi_item.lo_codepoint = m + 1;
108        hi_item.hi_codepoint = item.hi_codepoint;
109        alt->AddREListItem(rangeToUTF8(hi_item));
110
111        return alt;
112    }
113    else
114    {
115        return rangeToUTF8_helper(item.lo_codepoint, item.hi_codepoint, 1, u8len_hi);
116    }
117}
118
119RE* UTF8_Encoder::rangeToUTF8_helper(int lo, int hi, int n, int hlen)
120{
121    int hbyte = u8byte(hi, n);
122    int lbyte = u8byte(lo, n);
123
124    if (n == hlen)
125    {
126        return makeByteRange(lbyte, hbyte);
127    }
128    else if (hbyte == lbyte)
129    {
130        Seq* seq = new Seq();
131        seq->setType((u8Prefix(hbyte) ? Seq::Byte : Seq::Normal));
132        seq->AddREListItem(makeByteClass(hbyte));
133        seq->AddREListItem(rangeToUTF8_helper(lo, hi, n+1, hlen));
134        return seq;
135    }
136    else
137    {
138        int suffix_mask = (1 << ((hlen - n) * 6)) - 1;
139
140        if ((hi & suffix_mask) != suffix_mask)
141        {
142            int hi_floor = (~suffix_mask) & hi;
143
144            Alt* alt = new Alt();
145            alt->AddREListItem(rangeToUTF8_helper(hi_floor, hi, n, hlen));
146            alt->AddREListItem(rangeToUTF8_helper(lo, hi_floor - 1, n, hlen));
147            return alt;
148        }
149        else if ((lo & suffix_mask) != 0)
150        {
151            int low_ceil = lo | suffix_mask;
152
153            Alt* alt = new Alt();
154            alt->AddREListItem(rangeToUTF8_helper(low_ceil + 1, hi, n, hlen));
155            alt->AddREListItem(rangeToUTF8_helper(lo, low_ceil, n, hlen));
156            return alt;
157        }
158        else
159        {
160            Seq* seq = new Seq();
161            seq->AddREListItem(makeByteRange(lbyte, hbyte));
162            seq->AddREListItem(rangeToUTF8_helper(lo, hi, n + 1, hlen));
163            return seq;
164        }
165    }
166}
167
168bool UTF8_Encoder::u8Prefix(int cp)
169{
170    bool retVal = false;
171
172    if ((cp >= 0xC2) && (cp <= 0xDF))
173    {
174        retVal = true;
175    }
176    else if ((cp >= 0xE0) && (cp <= 0xEF))
177    {
178        retVal = true;
179    }
180    else if ((cp >= 0xF0) && (cp <= 0xF4))
181    {
182        retVal = true;
183    }
184
185    return retVal;
186}
187
188CC* UTF8_Encoder::makeByteRange(int lo, int hi)
189{
190    return new CC(lo, hi);
191}
192
193CC* UTF8_Encoder::makeByteClass(int byteval)
194{
195    return new CC(byteval, byteval);
196}
197
198int UTF8_Encoder::u8byte(int codepoint, int n)
199{
200    int retVal = 0;
201
202    int len = u8len(codepoint);
203
204    if (n == 1)
205    {
206        if (len == 1)
207        {
208            retVal = codepoint;
209        }
210        else if (len == 2)
211        {
212            retVal = 0xC0 | (codepoint >> 6);
213        }
214        else if (len == 3)
215        {
216            retVal = 0xE0 | (codepoint >> 12);
217        }
218        else
219        {
220            retVal = 0xF0 | (codepoint >> 18);
221        }
222    }
223    else
224    {
225        retVal = 0x80 | ((codepoint >> (6 * (len - n))) & 0x3F);
226    }
227
228    return retVal;
229}
230
231int UTF8_Encoder::u8len(int cp)
232{
233    if (cp <= 0x7F)
234    {
235        return 1;
236    }
237    else if (cp <= 0x7FF)
238    {
239        return 2;
240    }
241    else if (cp <= 0xFFFF)
242    {
243        return 3;
244    }
245    else
246    {
247        return 4;
248    }
249}
250
251int UTF8_Encoder::max_of_u8len(int lgth)
252{
253    if (lgth == 1)
254    {
255        return 0x7F;
256    }
257    else if (lgth == 2)
258    {
259        return 0x7FF;
260    }
261    else if (lgth == 3)
262    {
263        return 0xFFFF;
264    }
265    else if (lgth == 4)
266    {
267        return 0x10FFFF;
268    }
269    else
270    {
271        return -1;
272    }
273}
274
Note: See TracBrowser for help on using the repository browser.