7158ca198919138315209cc9e2217f01f54602d8
[perl.git] / pod / perlreguts.pod
1 =head1 NAME
2
3 perlreguts - Description of the Perl regular expression engine.
4
5 =head1 DESCRIPTION
6
7 This document is an attempt to shine some light on the guts of the regex
8 engine and how it works. The regex engine represents a significant chunk
9 of the perl codebase, but is relatively poorly understood. This document
10 is a meagre attempt at addressing this situation. It is derived from the
11 author's experience, comments in the source code, other papers on the
12 regex engine, feedback on the perl5-porters mail list, and no doubt other
13 places as well.
14
15 B<NOTICE!> It should be clearly understood that the behavior and
16 structures discussed in this represents the state of the engine as the
17 author understood it at the time of writing. It is B<NOT> an API
18 definition, it is purely an internals guide for those who want to hack
19 the regex engine, or understand how the regex engine works. Readers of
20 this document are expected to understand perl's regex syntax and its
21 usage in detail. If you want to learn about the basics of Perl's
22 regular expressions, see L<perlre>. And if you want to replace the
23 regex engine with your own, see L<perlreapi>.
24
25 =head1 OVERVIEW
26
27 =head2 A quick note on terms
28
29 There is some debate as to whether to say "regexp" or "regex". In this
30 document we will use the term "regex" unless there is a special reason
31 not to, in which case we will explain why.
32
33 When speaking about regexes we need to distinguish between their source
34 code form and their internal form. In this document we will use the term
35 "pattern" when we speak of their textual, source code form, and the term
36 "program" when we speak of their internal representation. These
37 correspond to the terms I<S-regex> and I<B-regex> that Mark Jason
38 Dominus employs in his paper on "Rx" ([1] in L</REFERENCES>).
39
40 =head2 What is a regular expression engine?
41
42 A regular expression engine is a program that takes a set of constraints
43 specified in a mini-language, and then applies those constraints to a
44 target string, and determines whether or not the string satisfies the
45 constraints. See L<perlre> for a full definition of the language.
46
47 In less grandiose terms, the first part of the job is to turn a pattern into
48 something the computer can efficiently use to find the matching point in
49 the string, and the second part is performing the search itself.
50
51 To do this we need to produce a program by parsing the text. We then
52 need to execute the program to find the point in the string that
53 matches. And we need to do the whole thing efficiently.
54
55 =head2 Structure of a Regexp Program
56
57 =head3 High Level
58
59 Although it is a bit confusing and some people object to the terminology, it
60 is worth taking a look at a comment that has
61 been in F<regexp.h> for years:
62
63 I<This is essentially a linear encoding of a nondeterministic
64 finite-state machine (aka syntax charts or "railroad normal form" in
65 parsing technology).>
66
67 The term "railroad normal form" is a bit esoteric, with "syntax
68 diagram/charts", or "railroad diagram/charts" being more common terms.
69 Nevertheless it provides a useful mental image of a regex program: each
70 node can be thought of as a unit of track, with a single entry and in
71 most cases a single exit point (there are pieces of track that fork, but
72 statistically not many), and the whole forms a layout with a
73 single entry and single exit point. The matching process can be thought
74 of as a car that moves along the track, with the particular route through
75 the system being determined by the character read at each possible
76 connector point. A car can fall off the track at any point but it may
77 only proceed as long as it matches the track.
78
79 Thus the pattern C</foo(?:\w+|\d+|\s+)bar/> can be thought of as the
80 following chart:
81
82                       [start]
83                          |
84                        <foo>
85                          |
86                    +-----+-----+
87                    |     |     |
88                  <\w+> <\d+> <\s+>
89                    |     |     |
90                    +-----+-----+
91                          |
92                        <bar>
93                          |
94                        [end]
95
96 The truth of the matter is that perl's regular expressions these days are
97 much more complex than this kind of structure, but visualising it this way
98 can help when trying to get your bearings, and it matches the
99 current implementation pretty closely.
100
101 To be more precise, we will say that a regex program is an encoding
102 of a graph. Each node in the graph corresponds to part of
103 the original regex pattern, such as a literal string or a branch,
104 and has a pointer to the nodes representing the next component
105 to be matched. Since "node" and "opcode" already have other meanings in the
106 perl source, we will call the nodes in a regex program "regops".
107
108 The program is represented by an array of C<regnode> structures, one or
109 more of which represent a single regop of the program. Struct
110 C<regnode> is the smallest struct needed, and has a field structure which is
111 shared with all the other larger structures.
112
113 The "next" pointers of all regops except C<BRANCH> implement concatenation;
114 a "next" pointer with a C<BRANCH> on both ends of it is connecting two
115 alternatives.  [Here we have one of the subtle syntax dependencies: an
116 individual C<BRANCH> (as opposed to a collection of them) is never
117 concatenated with anything because of operator precedence.]
118
119 The operand of some types of regop is a literal string; for others,
120 it is a regop leading into a sub-program.  In particular, the operand
121 of a C<BRANCH> node is the first regop of the branch.
122
123 B<NOTE>: As the railroad metaphor suggests, this is B<not> a tree
124 structure:  the tail of the branch connects to the thing following the
125 set of C<BRANCH>es.  It is a like a single line of railway track that
126 splits as it goes into a station or railway yard and rejoins as it comes
127 out the other side.
128
129 =head3 Regops
130
131 The base structure of a regop is defined in F<regexp.h> as follows:
132
133     struct regnode {
134         U8  flags;    /* Various purposes, sometimes overridden */
135         U8  type;     /* Opcode value as specified by regnodes.h */
136         U16 next_off; /* Offset in size regnode */
137     };
138
139 Other larger C<regnode>-like structures are defined in F<regcomp.h>. They
140 are almost like subclasses in that they have the same fields as
141 C<regnode>, with possibly additional fields following in
142 the structure, and in some cases the specific meaning (and name)
143 of some of base fields are overridden. The following is a more
144 complete description.
145
146 =over 4
147
148 =item C<regnode_1>
149
150 =item C<regnode_2>
151
152 C<regnode_1> structures have the same header, followed by a single
153 four-byte argument; C<regnode_2> structures contain two two-byte
154 arguments instead:
155
156     regnode_1                U32 arg1;
157     regnode_2                U16 arg1;  U16 arg2;
158
159 =item C<regnode_string>
160
161 C<regnode_string> structures, used for literal strings, follow the header
162 with a one-byte length and then the string data. Strings are padded on
163 the end with zero bytes so that the total length of the node is a
164 multiple of four bytes:
165
166     regnode_string           char string[1];
167                              U8 str_len; /* overrides flags */
168
169 =item C<regnode_charclass>
170
171 Character classes are represented by C<regnode_charclass> structures,
172 which have a four-byte argument and then a 32-byte (256-bit) bitmap
173 indicating which characters are included in the class.
174
175     regnode_charclass        U32 arg1;
176                              char bitmap[ANYOF_BITMAP_SIZE];
177
178 =item C<regnode_charclass_class>
179
180 There is also a larger form of a char class structure used to represent
181 POSIX char classes called C<regnode_charclass_class> which has an
182 additional 4-byte (32-bit) bitmap indicating which POSIX char classes
183 have been included.
184
185    regnode_charclass_class  U32 arg1;
186                             char bitmap[ANYOF_BITMAP_SIZE];
187                             char classflags[ANYOF_CLASSBITMAP_SIZE];
188
189 =back
190
191 F<regnodes.h> defines an array called C<regarglen[]> which gives the size
192 of each opcode in units of C<size regnode> (4-byte). A macro is used
193 to calculate the size of an C<EXACT> node based on its C<str_len> field.
194
195 The regops are defined in F<regnodes.h> which is generated from
196 F<regcomp.sym> by F<regcomp.pl>. Currently the maximum possible number
197 of distinct regops is restricted to 256, with about a quarter already
198 used.
199
200 A set of macros makes accessing the fields
201 easier and more consistent. These include C<OP()>, which is used to determine
202 the type of a C<regnode>-like structure; C<NEXT_OFF()>, which is the offset to
203 the next node (more on this later); C<ARG()>, C<ARG1()>, C<ARG2()>, C<ARG_SET()>,
204 and equivalents for reading and setting the arguments; and C<STR_LEN()>,
205 C<STRING()> and C<OPERAND()> for manipulating strings and regop bearing
206 types.
207
208 =head3 What regop is next?
209
210 There are three distinct concepts of "next" in the regex engine, and
211 it is important to keep them clear.
212
213 =over 4
214
215 =item *
216
217 There is the "next regnode" from a given regnode, a value which is
218 rarely useful except that sometimes it matches up in terms of value
219 with one of the others, and that sometimes the code assumes this to
220 always be so.
221
222 =item *
223
224 There is the "next regop" from a given regop/regnode. This is the
225 regop physically located after the current one, as determined by
226 the size of the current regop. This is often useful, such as when
227 dumping the structure we use this order to traverse. Sometimes the code
228 assumes that the "next regnode" is the same as the "next regop", or in
229 other words assumes that the sizeof a given regop type is always going
230 to be one regnode large.
231
232 =item *
233
234 There is the "regnext" from a given regop. This is the regop which
235 is reached by jumping forward by the value of C<NEXT_OFF()>,
236 or in a few cases for longer jumps by the C<arg1> field of the C<regnode_1>
237 structure. The subroutine C<regnext()> handles this transparently.
238 This is the logical successor of the node, which in some cases, like
239 that of the C<BRANCH> regop, has special meaning.
240
241 =back
242
243 =head1 Process Overview
244
245 Broadly speaking, performing a match of a string against a pattern
246 involves the following steps:
247
248 =over 5
249
250 =item A. Compilation
251
252 =over 5
253
254 =item 1. Parsing for size
255
256 =item 2. Parsing for construction
257
258 =item 3. Peep-hole optimisation and analysis
259
260 =back
261
262 =item B. Execution
263
264 =over 5
265
266 =item 4. Start position and no-match optimisations
267
268 =item 5. Program execution
269
270 =back
271
272 =back
273
274
275 Where these steps occur in the actual execution of a perl program is
276 determined by whether the pattern involves interpolating any string
277 variables. If interpolation occurs, then compilation happens at run time. If it
278 does not, then compilation is performed at compile time. (The C</o> modifier changes this,
279 as does C<qr//> to a certain extent.) The engine doesn't really care that
280 much.
281
282 =head2 Compilation
283
284 This code resides primarily in F<regcomp.c>, along with the header files
285 F<regcomp.h>, F<regexp.h> and F<regnodes.h>.
286
287 Compilation starts with C<pregcomp()>, which is mostly an initialisation
288 wrapper which farms work out to two other routines for the heavy lifting: the
289 first is C<reg()>, which is the start point for parsing; the second,
290 C<study_chunk()>, is responsible for optimisation.
291
292 Initialisation in C<pregcomp()> mostly involves the creation and data-filling
293 of a special structure, C<RExC_state_t> (defined in F<regcomp.c>).
294 Almost all internally-used routines in F<regcomp.h> take a pointer to one
295 of these structures as their first argument, with the name C<pRExC_state>.
296 This structure is used to store the compilation state and contains many
297 fields. Likewise there are many macros which operate on this
298 variable: anything that looks like C<RExC_xxxx> is a macro that operates on
299 this pointer/structure.
300
301 =head3 Parsing for size
302
303 In this pass the input pattern is parsed in order to calculate how much
304 space is needed for each regop we would need to emit. The size is also
305 used to determine whether long jumps will be required in the program.
306
307 This stage is controlled by the macro C<SIZE_ONLY> being set.
308
309 The parse proceeds pretty much exactly as it does during the
310 construction phase, except that most routines are short-circuited to
311 change the size field C<RExC_size> and not do anything else.
312
313 =head3 Parsing for construction
314
315 Once the size of the program has been determined, the pattern is parsed
316 again, but this time for real. Now C<SIZE_ONLY> will be false, and the
317 actual construction can occur.
318
319 C<reg()> is the start of the parse process. It is responsible for
320 parsing an arbitrary chunk of pattern up to either the end of the
321 string, or the first closing parenthesis it encounters in the pattern.
322 This means it can be used to parse the top-level regex, or any section
323 inside of a grouping parenthesis. It also handles the "special parens"
324 that perl's regexes have. For instance when parsing C</x(?:foo)y/> C<reg()>
325 will at one point be called to parse from the "?" symbol up to and
326 including the ")".
327
328 Additionally, C<reg()> is responsible for parsing the one or more
329 branches from the pattern, and for "finishing them off" by correctly
330 setting their next pointers. In order to do the parsing, it repeatedly
331 calls out to C<regbranch()>, which is responsible for handling up to the
332 first C<|> symbol it sees.
333
334 C<regbranch()> in turn calls C<regpiece()> which
335 handles "things" followed by a quantifier. In order to parse the
336 "things", C<regatom()> is called. This is the lowest level routine, which
337 parses out constant strings, character classes, and the
338 various special symbols like C<$>. If C<regatom()> encounters a "("
339 character it in turn calls C<reg()>.
340
341 The routine C<regtail()> is called by both C<reg()> and C<regbranch()>
342 in order to "set the tail pointer" correctly. When executing and
343 we get to the end of a branch, we need to go to the node following the
344 grouping parens. When parsing, however, we don't know where the end will
345 be until we get there, so when we do we must go back and update the
346 offsets as appropriate. C<regtail> is used to make this easier.
347
348 A subtlety of the parsing process means that a regex like C</foo/> is
349 originally parsed into an alternation with a single branch. It is only
350 afterwards that the optimiser converts single branch alternations into the
351 simpler form.
352
353 =head3 Parse Call Graph and a Grammar
354
355 The call graph looks like this:
356
357  reg()                        # parse a top level regex, or inside of
358                               # parens
359      regbranch()              # parse a single branch of an alternation
360          regpiece()           # parse a pattern followed by a quantifier
361              regatom()        # parse a simple pattern
362                  regclass()   #   used to handle a class
363                  reg()        #   used to handle a parenthesised
364                               #   subpattern
365                  ....
366          ...
367          regtail()            # finish off the branch
368      ...
369      regtail()                # finish off the branch sequence. Tie each
370                               # branch's tail to the tail of the
371                               # sequence
372                               # (NEW) In Debug mode this is
373                               # regtail_study().
374
375 A grammar form might be something like this:
376
377     atom  : constant | class
378     quant : '*' | '+' | '?' | '{min,max}'
379     _branch: piece
380            | piece _branch
381            | nothing
382     branch: _branch
383           | _branch '|' branch
384     group : '(' branch ')'
385     _piece: atom | group
386     piece : _piece
387           | _piece quant
388
389 =head3 Parsing complications
390
391 The implication of the above description is that a pattern containing nested
392 parentheses will result in a call graph which cycles through C<reg()>,
393 C<regbranch()>, C<regpiece()>, C<regatom()>, C<reg()>, C<regbranch()> I<etc>
394 multiple times, until the deepest level of nesting is reached. All the above
395 routines return a pointer to a C<regnode>, which is usually the last regnode
396 added to the program. However, one complication is that reg() returns NULL
397 for parsing C<(?:)> syntax for embedded modifiers, setting the flag
398 C<TRYAGAIN>. The C<TRYAGAIN> propagates upwards until it is captured, in
399 some cases by C<regatom()>, but otherwise unconditionally by
400 C<regbranch()>. Hence it will never be returned by C<regbranch()> to
401 C<reg()>. This flag permits patterns such as C<(?i)+> to be detected as
402 errors (I<Quantifier follows nothing in regex; marked by <-- HERE in m/(?i)+
403 <-- HERE />).
404
405 Another complication is that the representation used for the program differs
406 if it needs to store Unicode, but it's not always possible to know for sure
407 whether it does until midway through parsing. The Unicode representation for
408 the program is larger, and cannot be matched as efficiently. (See L</Unicode
409 and Localisation Support> below for more details as to why.)  If the pattern
410 contains literal Unicode, it's obvious that the program needs to store
411 Unicode. Otherwise, the parser optimistically assumes that the more
412 efficient representation can be used, and starts sizing on this basis.
413 However, if it then encounters something in the pattern which must be stored
414 as Unicode, such as an C<\x{...}> escape sequence representing a character
415 literal, then this means that all previously calculated sizes need to be
416 redone, using values appropriate for the Unicode representation. Currently,
417 all regular expression constructions which can trigger this are parsed by code
418 in C<regatom()>.
419
420 To avoid wasted work when a restart is needed, the sizing pass is abandoned
421 - C<regatom()> immediately returns NULL, setting the flag C<RESTART_UTF8>.
422 (This action is encapsulated using the macro C<REQUIRE_UTF8>.) This restart
423 request is propagated up the call chain in a similar fashion, until it is
424 "caught" in C<Perl_re_op_compile()>, which marks the pattern as containing
425 Unicode, and restarts the sizing pass. It is also possible for constructions
426 within run-time code blocks to turn out to need Unicode representation.,
427 which is signalled by C<S_compile_runtime_code()> returning false to
428 C<Perl_re_op_compile()>.
429
430 The restart was previously implemented using a C<longjmp> in C<regatom()>
431 back to a C<setjmp> in C<Perl_re_op_compile()>, but this proved to be
432 problematic as the latter is a large function containing many automatic
433 variables, which interact badly with the emergent control flow of C<setjmp>.
434
435 =head3 Debug Output
436
437 In the 5.9.x development version of perl you can C<< use re Debug => 'PARSE' >>
438 to see some trace information about the parse process. We will start with some
439 simple patterns and build up to more complex patterns.
440
441 So when we parse C</foo/> we see something like the following table. The
442 left shows what is being parsed, and the number indicates where the next regop
443 would go. The stuff on the right is the trace output of the graph. The
444 names are chosen to be short to make it less dense on the screen. 'tsdy'
445 is a special form of C<regtail()> which does some extra analysis.
446
447  >foo<             1    reg
448                           brnc
449                             piec
450                               atom
451  ><                4      tsdy~ EXACT <foo> (EXACT) (1)
452                               ~ attach to END (3) offset to 2
453
454 The resulting program then looks like:
455
456    1: EXACT <foo>(3)
457    3: END(0)
458
459 As you can see, even though we parsed out a branch and a piece, it was ultimately
460 only an atom. The final program shows us how things work. We have an C<EXACT> regop,
461 followed by an C<END> regop. The number in parens indicates where the C<regnext> of
462 the node goes. The C<regnext> of an C<END> regop is unused, as C<END> regops mean
463 we have successfully matched. The number on the left indicates the position of
464 the regop in the regnode array.
465
466 Now let's try a harder pattern. We will add a quantifier, so now we have the pattern
467 C</foo+/>. We will see that C<regbranch()> calls C<regpiece()> twice.
468
469  >foo+<            1    reg
470                           brnc
471                             piec
472                               atom
473  >o+<              3        piec
474                               atom
475  ><                6        tail~ EXACT <fo> (1)
476                    7      tsdy~ EXACT <fo> (EXACT) (1)
477                               ~ PLUS (END) (3)
478                               ~ attach to END (6) offset to 3
479
480 And we end up with the program:
481
482    1: EXACT <fo>(3)
483    3: PLUS(6)
484    4:   EXACT <o>(0)
485    6: END(0)
486
487 Now we have a special case. The C<EXACT> regop has a C<regnext> of 0. This is
488 because if it matches it should try to match itself again. The C<PLUS> regop
489 handles the actual failure of the C<EXACT> regop and acts appropriately (going
490 to regnode 6 if the C<EXACT> matched at least once, or failing if it didn't).
491
492 Now for something much more complex: C</x(?:foo*|b[a][rR])(foo|bar)$/>
493
494  >x(?:foo*|b...    1    reg
495                           brnc
496                             piec
497                               atom
498  >(?:foo*|b[...    3        piec
499                               atom
500  >?:foo*|b[a...                 reg
501  >foo*|b[a][...                   brnc
502                                     piec
503                                       atom
504  >o*|b[a][rR...    5                piec
505                                       atom
506  >|b[a][rR])...    8                tail~ EXACT <fo> (3)
507  >b[a][rR])(...    9              brnc
508                   10                piec
509                                       atom
510  >[a][rR])(f...   12                piec
511                                       atom
512  >a][rR])(fo...                         clas
513  >[rR])(foo|...   14                tail~ EXACT <b> (10)
514                                     piec
515                                       atom
516  >rR])(foo|b...                         clas
517  >)(foo|bar)...   25                tail~ EXACT <a> (12)
518                                   tail~ BRANCH (3)
519                   26              tsdy~ BRANCH (END) (9)
520                                       ~ attach to TAIL (25) offset to 16
521                                   tsdy~ EXACT <fo> (EXACT) (4)
522                                       ~ STAR (END) (6)
523                                       ~ attach to TAIL (25) offset to 19
524                                   tsdy~ EXACT <b> (EXACT) (10)
525                                       ~ EXACT <a> (EXACT) (12)
526                                       ~ ANYOF[Rr] (END) (14)
527                                       ~ attach to TAIL (25) offset to 11
528  >(foo|bar)$<               tail~ EXACT <x> (1)
529                             piec
530                               atom
531  >foo|bar)$<                    reg
532                   28              brnc
533                                     piec
534                                       atom
535  >|bar)$<         31              tail~ OPEN1 (26)
536  >bar)$<                          brnc
537                   32                piec
538                                       atom
539  >)$<             34              tail~ BRANCH (28)
540                   36              tsdy~ BRANCH (END) (31)
541                                      ~ attach to CLOSE1 (34) offset to 3
542                                   tsdy~ EXACT <foo> (EXACT) (29)
543                                      ~ attach to CLOSE1 (34) offset to 5
544                                   tsdy~ EXACT <bar> (EXACT) (32)
545                                      ~ attach to CLOSE1 (34) offset to 2
546  >$<                        tail~ BRANCH (3)
547                                 ~ BRANCH (9)
548                                 ~ TAIL (25)
549                             piec
550                               atom
551  ><               37        tail~ OPEN1 (26)
552                                 ~ BRANCH (28)
553                                 ~ BRANCH (31)
554                                 ~ CLOSE1 (34)
555                   38      tsdy~ EXACT <x> (EXACT) (1)
556                               ~ BRANCH (END) (3)
557                               ~ BRANCH (END) (9)
558                               ~ TAIL (END) (25)
559                               ~ OPEN1 (END) (26)
560                               ~ BRANCH (END) (28)
561                               ~ BRANCH (END) (31)
562                               ~ CLOSE1 (END) (34)
563                               ~ EOL (END) (36)
564                               ~ attach to END (37) offset to 1
565
566 Resulting in the program
567
568    1: EXACT <x>(3)
569    3: BRANCH(9)
570    4:   EXACT <fo>(6)
571    6:   STAR(26)
572    7:     EXACT <o>(0)
573    9: BRANCH(25)
574   10:   EXACT <ba>(14)
575   12:   OPTIMIZED (2 nodes)
576   14:   ANYOF[Rr](26)
577   25: TAIL(26)
578   26: OPEN1(28)
579   28:   TRIE-EXACT(34)
580         [StS:1 Wds:2 Cs:6 Uq:5 #Sts:7 Mn:3 Mx:3 Stcls:bf]
581           <foo>
582           <bar>
583   30:   OPTIMIZED (4 nodes)
584   34: CLOSE1(36)
585   36: EOL(37)
586   37: END(0)
587
588 Here we can see a much more complex program, with various optimisations in
589 play. At regnode 10 we see an example where a character class with only
590 one character in it was turned into an C<EXACT> node. We can also see where
591 an entire alternation was turned into a C<TRIE-EXACT> node. As a consequence,
592 some of the regnodes have been marked as optimised away. We can see that
593 the C<$> symbol has been converted into an C<EOL> regop, a special piece of
594 code that looks for C<\n> or the end of the string.
595
596 The next pointer for C<BRANCH>es is interesting in that it points at where
597 execution should go if the branch fails. When executing, if the engine
598 tries to traverse from a branch to a C<regnext> that isn't a branch then
599 the engine will know that the entire set of branches has failed.
600
601 =head3 Peep-hole Optimisation and Analysis
602
603 The regular expression engine can be a weighty tool to wield. On long
604 strings and complex patterns it can end up having to do a lot of work
605 to find a match, and even more to decide that no match is possible.
606 Consider a situation like the following pattern.
607
608    'ababababababababababab' =~ /(a|b)*z/
609
610 The C<(a|b)*> part can match at every char in the string, and then fail
611 every time because there is no C<z> in the string. So obviously we can
612 avoid using the regex engine unless there is a C<z> in the string.
613 Likewise in a pattern like:
614
615    /foo(\w+)bar/
616
617 In this case we know that the string must contain a C<foo> which must be
618 followed by C<bar>. We can use Fast Boyer-Moore matching as implemented
619 in C<fbm_instr()> to find the location of these strings. If they don't exist
620 then we don't need to resort to the much more expensive regex engine.
621 Even better, if they do exist then we can use their positions to
622 reduce the search space that the regex engine needs to cover to determine
623 if the entire pattern matches.
624
625 There are various aspects of the pattern that can be used to facilitate
626 optimisations along these lines:
627
628 =over 5
629
630 =item * anchored fixed strings
631
632 =item * floating fixed strings
633
634 =item * minimum and maximum length requirements
635
636 =item * start class
637
638 =item * Beginning/End of line positions
639
640 =back
641
642 Another form of optimisation that can occur is the post-parse "peep-hole"
643 optimisation, where inefficient constructs are replaced by more efficient
644 constructs. The C<TAIL> regops which are used during parsing to mark the end
645 of branches and the end of groups are examples of this. These regops are used
646 as place-holders during construction and "always match" so they can be
647 "optimised away" by making the things that point to the C<TAIL> point to the
648 thing that C<TAIL> points to, thus "skipping" the node.
649
650 Another optimisation that can occur is that of "C<EXACT> merging" which is
651 where two consecutive C<EXACT> nodes are merged into a single
652 regop. An even more aggressive form of this is that a branch
653 sequence of the form C<EXACT BRANCH ... EXACT> can be converted into a
654 C<TRIE-EXACT> regop.
655
656 All of this occurs in the routine C<study_chunk()> which uses a special
657 structure C<scan_data_t> to store the analysis that it has performed, and
658 does the "peep-hole" optimisations as it goes.
659
660 The code involved in C<study_chunk()> is extremely cryptic. Be careful. :-)
661
662 =head2 Execution
663
664 Execution of a regex generally involves two phases, the first being
665 finding the start point in the string where we should match from,
666 and the second being running the regop interpreter.
667
668 If we can tell that there is no valid start point then we don't bother running
669 interpreter at all. Likewise, if we know from the analysis phase that we
670 cannot detect a short-cut to the start position, we go straight to the
671 interpreter.
672
673 The two entry points are C<re_intuit_start()> and C<pregexec()>. These routines
674 have a somewhat incestuous relationship with overlap between their functions,
675 and C<pregexec()> may even call C<re_intuit_start()> on its own. Nevertheless
676 other parts of the perl source code may call into either, or both.
677
678 Execution of the interpreter itself used to be recursive, but thanks to the
679 efforts of Dave Mitchell in the 5.9.x development track, that has changed: now an
680 internal stack is maintained on the heap and the routine is fully
681 iterative. This can make it tricky as the code is quite conservative
682 about what state it stores, with the result that two consecutive lines in the
683 code can actually be running in totally different contexts due to the
684 simulated recursion.
685
686 =head3 Start position and no-match optimisations
687
688 C<re_intuit_start()> is responsible for handling start points and no-match
689 optimisations as determined by the results of the analysis done by
690 C<study_chunk()> (and described in L<Peep-hole Optimisation and Analysis>).
691
692 The basic structure of this routine is to try to find the start- and/or
693 end-points of where the pattern could match, and to ensure that the string
694 is long enough to match the pattern. It tries to use more efficient
695 methods over less efficient methods and may involve considerable
696 cross-checking of constraints to find the place in the string that matches.
697 For instance it may try to determine that a given fixed string must be
698 not only present but a certain number of chars before the end of the
699 string, or whatever.
700
701 It calls several other routines, such as C<fbm_instr()> which does
702 Fast Boyer Moore matching and C<find_byclass()> which is responsible for
703 finding the start using the first mandatory regop in the program.
704
705 When the optimisation criteria have been satisfied, C<reg_try()> is called
706 to perform the match.
707
708 =head3 Program execution
709
710 C<pregexec()> is the main entry point for running a regex. It contains
711 support for initialising the regex interpreter's state, running
712 C<re_intuit_start()> if needed, and running the interpreter on the string
713 from various start positions as needed. When it is necessary to use
714 the regex interpreter C<pregexec()> calls C<regtry()>.
715
716 C<regtry()> is the entry point into the regex interpreter. It expects
717 as arguments a pointer to a C<regmatch_info> structure and a pointer to
718 a string.  It returns an integer 1 for success and a 0 for failure.
719 It is basically a set-up wrapper around C<regmatch()>.
720
721 C<regmatch> is the main "recursive loop" of the interpreter. It is
722 basically a giant switch statement that implements a state machine, where
723 the possible states are the regops themselves, plus a number of additional
724 intermediate and failure states. A few of the states are implemented as
725 subroutines but the bulk are inline code.
726
727 =head1 MISCELLANEOUS
728
729 =head2 Unicode and Localisation Support
730
731 When dealing with strings containing characters that cannot be represented
732 using an eight-bit character set, perl uses an internal representation
733 that is a permissive version of Unicode's UTF-8 encoding[2]. This uses single
734 bytes to represent characters from the ASCII character set, and sequences
735 of two or more bytes for all other characters. (See L<perlunitut>
736 for more information about the relationship between UTF-8 and perl's
737 encoding, utf8. The difference isn't important for this discussion.)
738
739 No matter how you look at it, Unicode support is going to be a pain in a
740 regex engine. Tricks that might be fine when you have 256 possible
741 characters often won't scale to handle the size of the UTF-8 character
742 set.  Things you can take for granted with ASCII may not be true with
743 Unicode. For instance, in ASCII, it is safe to assume that
744 C<sizeof(char1) == sizeof(char2)>, but in UTF-8 it isn't. Unicode case folding is
745 vastly more complex than the simple rules of ASCII, and even when not
746 using Unicode but only localised single byte encodings, things can get
747 tricky (for example, B<LATIN SMALL LETTER SHARP S> (U+00DF, E<szlig>)
748 should match 'SS' in localised case-insensitive matching).
749
750 Making things worse is that UTF-8 support was a later addition to the
751 regex engine (as it was to perl) and this necessarily  made things a lot
752 more complicated. Obviously it is easier to design a regex engine with
753 Unicode support in mind from the beginning than it is to retrofit it to
754 one that wasn't.
755
756 Nearly all regops that involve looking at the input string have
757 two cases, one for UTF-8, and one not. In fact, it's often more complex
758 than that, as the pattern may be UTF-8 as well.
759
760 Care must be taken when making changes to make sure that you handle
761 UTF-8 properly, both at compile time and at execution time, including
762 when the string and pattern are mismatched.
763
764 The following comment in F<regcomp.h> gives an example of exactly how
765 tricky this can be:
766
767     Two problematic code points in Unicode casefolding of EXACT nodes:
768
769     U+0390 - GREEK SMALL LETTER IOTA WITH DIALYTIKA AND TONOS
770     U+03B0 - GREEK SMALL LETTER UPSILON WITH DIALYTIKA AND TONOS
771
772     which casefold to
773
774     Unicode                      UTF-8
775
776     U+03B9 U+0308 U+0301         0xCE 0xB9 0xCC 0x88 0xCC 0x81
777     U+03C5 U+0308 U+0301         0xCF 0x85 0xCC 0x88 0xCC 0x81
778
779     This means that in case-insensitive matching (or "loose matching",
780     as Unicode calls it), an EXACTF of length six (the UTF-8 encoded
781     byte length of the above casefolded versions) can match a target
782     string of length two (the byte length of UTF-8 encoded U+0390 or
783     U+03B0). This would rather mess up the minimum length computation.
784
785     What we'll do is to look for the tail four bytes, and then peek
786     at the preceding two bytes to see whether we need to decrease
787     the minimum length by four (six minus two).
788
789     Thanks to the design of UTF-8, there cannot be false matches:
790     A sequence of valid UTF-8 bytes cannot be a subsequence of
791     another valid sequence of UTF-8 bytes.
792
793
794 =head2 Base Structures
795
796 The C<regexp> structure described in L<perlreapi> is common to all
797 regex engines. Two of its fields that are intended for the private use
798 of the regex engine that compiled the pattern. These are the
799 C<intflags> and pprivate members. The C<pprivate> is a void pointer to
800 an arbitrary structure whose use and management is the responsibility
801 of the compiling engine. perl will never modify either of these
802 values. In the case of the stock engine the structure pointed to by
803 C<pprivate> is called C<regexp_internal>.
804
805 Its C<pprivate> and C<intflags> fields contain data
806 specific to each engine.
807
808 There are two structures used to store a compiled regular expression.
809 One, the C<regexp> structure described in L<perlreapi> is populated by
810 the engine currently being. used and some of its fields read by perl to
811 implement things such as the stringification of C<qr//>.
812
813
814 The other structure is pointed to be the C<regexp> struct's
815 C<pprivate> and is in addition to C<intflags> in the same struct
816 considered to be the property of the regex engine which compiled the
817 regular expression;
818
819 The regexp structure contains all the data that perl needs to be aware of
820 to properly work with the regular expression. It includes data about
821 optimisations that perl can use to determine if the regex engine should
822 really be used, and various other control info that is needed to properly
823 execute patterns in various contexts such as is the pattern anchored in
824 some way, or what flags were used during the compile, or whether the
825 program contains special constructs that perl needs to be aware of.
826
827 In addition it contains two fields that are intended for the private use
828 of the regex engine that compiled the pattern. These are the C<intflags>
829 and pprivate members. The C<pprivate> is a void pointer to an arbitrary
830 structure whose use and management is the responsibility of the compiling
831 engine. perl will never modify either of these values.
832
833 As mentioned earlier, in the case of the default engines, the C<pprivate>
834 will be a pointer to a regexp_internal structure which holds the compiled
835 program and any additional data that is private to the regex engine
836 implementation.
837
838 =head3 Perl's C<pprivate> structure
839
840 The following structure is used as the C<pprivate> struct by perl's
841 regex engine. Since it is specific to perl it is only of curiosity
842 value to other engine implementations.
843
844  typedef struct regexp_internal {
845          U32 *offsets;           /* offset annotations 20001228 MJD
846                                   * data about mapping the program to
847                                   * the string*/
848          regnode *regstclass;    /* Optional startclass as identified or
849                                   * constructed by the optimiser */
850          struct reg_data *data;  /* Additional miscellaneous data used
851                                   * by the program.  Used to make it
852                                   * easier to clone and free arbitrary
853                                   * data that the regops need. Often the
854                                   * ARG field of a regop is an index
855                                   * into this structure */
856          regnode program[1];     /* Unwarranted chumminess with
857                                   * compiler. */
858  } regexp_internal;
859
860 =over 5
861
862 =item C<offsets>
863
864 Offsets holds a mapping of offset in the C<program>
865 to offset in the C<precomp> string. This is only used by ActiveState's
866 visual regex debugger.
867
868 =item C<regstclass>
869
870 Special regop that is used by C<re_intuit_start()> to check if a pattern
871 can match at a certain position. For instance if the regex engine knows
872 that the pattern must start with a 'Z' then it can scan the string until
873 it finds one and then launch the regex engine from there. The routine
874 that handles this is called C<find_by_class()>. Sometimes this field
875 points at a regop embedded in the program, and sometimes it points at
876 an independent synthetic regop that has been constructed by the optimiser.
877
878 =item C<data>
879
880 This field points at a reg_data structure, which is defined as follows
881
882     struct reg_data {
883         U32 count;
884         U8 *what;
885         void* data[1];
886     };
887
888 This structure is used for handling data structures that the regex engine
889 needs to handle specially during a clone or free operation on the compiled
890 product. Each element in the data array has a corresponding element in the
891 what array. During compilation regops that need special structures stored
892 will add an element to each array using the add_data() routine and then store
893 the index in the regop.
894
895 =item C<program>
896
897 Compiled program. Inlined into the structure so the entire struct can be
898 treated as a single blob.
899
900 =back
901
902 =head1 SEE ALSO
903
904 L<perlreapi>
905
906 L<perlre>
907
908 L<perlunitut>
909
910 =head1 AUTHOR
911
912 by Yves Orton, 2006.
913
914 With excerpts from Perl, and contributions and suggestions from
915 Ronald J. Kimball, Dave Mitchell, Dominic Dunlop, Mark Jason Dominus,
916 Stephen McCamant, and David Landgren.
917
918 =head1 LICENCE
919
920 Same terms as Perl.
921
922 =head1 REFERENCES
923
924 [1] L<http://perl.plover.com/Rx/paper/>
925
926 [2] L<http://www.unicode.org>
927
928 =cut