regen/regcharclass.pl

   1 #!perl
   2 package CharClass::Matcher;
   3 use strict;
   4 use 5.008;
   5 use warnings;
   6 use warnings FATAL => 'all';
   7 use Text::Wrap qw(wrap);
   8 use Data::Dumper;
   9 $Data::Dumper::Useqq= 1;
  10 our $hex_fmt= "0x%02X";
  11
  12 sub DEBUG () { 0 }
  13 $|=1 if DEBUG;
  14
  15 sub ASCII_PLATFORM { (ord('A') == 65) }
  16
  17 require 'regen/regen_lib.pl';
  18
  19 =head1 NAME
  20
  21 CharClass::Matcher -- Generate C macros that match character classes efficiently
  22
  23 =head1 SYNOPSIS
  24
  25     perl Porting/regcharclass.pl
  26
  27 =head1 DESCRIPTION
  28
  29 Dynamically generates macros for detecting special charclasses
  30 in latin-1, utf8, and codepoint forms. Macros can be set to return
  31 the length (in bytes) of the matched codepoint, and/or the codepoint itself.
  32
  33 To regenerate F<regcharclass.h>, run this script from perl-root. No arguments
  34 are necessary.
  35
  36 Using WHATEVER as an example the following macros can be produced, depending
  37 on the input parameters (how to get each is described by internal comments at
  38 the C<__DATA__> line):
  39
  40 =over 4
  41
  42 =item C<is_WHATEVER(s,is_utf8)>
  43
  44 =item C<is_WHATEVER_safe(s,e,is_utf8)>
  45
  46 Do a lookup as appropriate based on the C<is_utf8> flag. When possible
  47 comparisons involving octect<128 are done before checking the C<is_utf8>
  48 flag, hopefully saving time.
  49
  50 The version without the C<_safe> suffix should be used only when the input is
  51 known to be well-formed.
  52
  53 =item C<is_WHATEVER_utf8(s)>
  54
  55 =item C<is_WHATEVER_utf8_safe(s,e)>
  56
  57 Do a lookup assuming the string is encoded in (normalized) UTF8.
  58
  59 The version without the C<_safe> suffix should be used only when the input is
  60 known to be well-formed.
  61
  62 =item C<is_WHATEVER_latin1(s)>
  63
  64 =item C<is_WHATEVER_latin1_safe(s,e)>
  65
  66 Do a lookup assuming the string is encoded in latin-1 (aka plan octets).
  67
  68 The version without the C<_safe> suffix should be used only when it is known
  69 that C<s> contains at least one character.
  70
  71 =item C<is_WHATEVER_cp(cp)>
  72
  73 Check to see if the string matches a given codepoint (hypothetically a
  74 U32). The condition is constructed as as to "break out" as early as
  75 possible if the codepoint is out of range of the condition.
  76
  77 IOW:
  78
  79   (cp==X || (cp>X && (cp==Y || (cp>Y && ...))))
  80
  81 Thus if the character is X+1 only two comparisons will be done. Making
  82 matching lookups slower, but non-matching faster.
  83
  84 =item C<what_len_WHATEVER_FOO(arg1, ..., len)>
  85
  86 A variant form of each of the macro types described above can be generated, in
  87 which the code point is returned by the macro, and an extra parameter (in the
  88 final position) is added, which is a pointer for the macro to set the byte
  89 length of the returned code point.
  90
  91 These forms all have a C<what_len> prefix instead of the C<is_>, for example
  92 C<what_len_WHATEVER_safe(s,e,is_utf8,len)> and
  93 C<what_len_WHATEVER_utf8(s,len)>.
  94
  95 These forms should not be used I<except> on small sets of mostly widely
  96 separated code points; otherwise the code generated is inefficient.  For these
  97 cases, it is best to use the C<is_> forms, and then find the code point with
  98 C<utf8_to_uvchr_buf>().  This program can fail with a "deep recursion"
  99 message on the worst of the inappropriate sets.  Examine the generated macro
 100 to see if it is acceptable.
 101
 102 =item C<what_WHATEVER_FOO(arg1, ...)>
 103
 104 A variant form of each of the C<is_> macro types described above can be generated, in
 105 which the code point and not the length is returned by the macro.  These have
 106 the same caveat as L</what_len_WHATEVER_FOO(arg1, ..., len)>, plus they should
 107 not be used where the set contains a NULL, as 0 is returned for two different
 108 cases: a) the set doesn't include the input code point; b) the set does
 109 include it, and it is a NULL.
 110
 111 =back
 112
 113 =head2 CODE FORMAT
 114
 115 perltidy  -st -bt=1 -bbt=0 -pt=0 -sbt=1 -ce -nwls== "%f"
 116
 117
 118 =head1 AUTHOR
 119
 120 Author: Yves Orton (demerphq) 2007.  Maintained by Perl5 Porters.
 121
 122 =head1 BUGS
 123
 124 No tests directly here (although the regex engine will fail tests
 125 if this code is broken). Insufficient documentation and no Getopts
 126 handler for using the module as a script.
 127
 128 =head1 LICENSE
 129
 130 You may distribute under the terms of either the GNU General Public
 131 License or the Artistic License, as specified in the README file.
 132
 133 =cut
 134
 135 # Sub naming convention:
 136 # __func : private subroutine, can not be called as a method
 137 # _func  : private method, not meant for external use
 138 # func   : public method.
 139
 140 # private subs
 141 #-------------------------------------------------------------------------------
 142 #
 143 # ($cp,$n,$l,$u)=__uni_latin($str);
 144 #
 145 # Return a list of arrays, each of which when interpreted correctly
 146 # represent the string in some given encoding with specific conditions.
 147 #
 148 # $cp - list of codepoints that make up the string.
 149 # $n  - list of octets that make up the string if all codepoints are invariant
 150 #       regardless of if the string is in UTF-8 or not.
 151 # $l  - list of octets that make up the string in latin1 encoding if all
 152 #       codepoints < 256, and at least one codepoint is UTF-8 variant.
 153 # $u  - list of octets that make up the string in utf8 if any codepoint is
 154 #       UTF-8 variant
 155 #
 156 #   High CP | Defined
 157 #-----------+----------
 158 #   0 - 127 : $n            (127/128 are the values for ASCII platforms)
 159 # 128 - 255 : $l, $u
 160 # 256 - ... : $u
 161 #
 162
 163 sub __uni_latin1 {
 164     my $str= shift;
 165     my $max= 0;
 166     my @cp;
 167     my @cp_high;
 168     my $only_has_invariants = 1;
 169     for my $ch ( split //, $str ) {
 170         my $cp= ord $ch;
 171         push @cp, $cp;
 172         push @cp_high, $cp if $cp > 255;
 173         $max= $cp if $max < $cp;
 174         if (! ASCII_PLATFORM && $only_has_invariants) {
 175             if ($cp > 255) {
 176                 $only_has_invariants = 0;
 177             }
 178             else {
 179                 my $temp = chr($cp);
 180                 utf8::upgrade($temp);
 181                 my @utf8 = unpack "U0C*", $temp;
 182                 $only_has_invariants = (@utf8 == 1 && $utf8[0] == $cp);
 183             }
 184         }
 185     }
 186     my ( $n, $l, $u );
 187     $only_has_invariants = $max < 128 if ASCII_PLATFORM;
 188     if ($only_has_invariants) {
 189         $n= [@cp];
 190     } else {
 191         $l= [@cp] if $max && $max < 256;
 192
 193         $u= $str;
 194         utf8::upgrade($u);
 195         $u= [ unpack "U0C*", $u ] if defined $u;
 196     }
 197     return ( \@cp, \@cp_high, $n, $l, $u );
 198 }
 199
 200 #
 201 # $clean= __clean($expr);
 202 #
 203 # Cleanup a ternary expression, removing unnecessary parens and apply some
 204 # simplifications using regexes.
 205 #
 206
 207 sub __clean {
 208     my ( $expr )= @_;
 209
 210     #return $expr;
 211
 212     our $parens;
 213     $parens= qr/ (?> \( (?> (?: (?> [^()]+ ) | (??{ $parens }) )* ) \) ) /x;
 214
 215     ## remove redundant parens
 216     1 while $expr =~ s/ \( \s* ( $parens ) \s* \) /$1/gx;
 217
 218
 219     # repeatedly simplify conditions like
 220     #       ( (cond1) ? ( (cond2) ? X : Y ) : Y )
 221     # into
 222     #       ( ( (cond1) && (cond2) ) ? X : Y )
 223     # Also similarly handles expressions like:
 224     #       : (cond1) ? ( (cond2) ? X : Y ) : Y )
 225     # Note the inclusion of the close paren in ([:()]) and the open paren in ([()]) is
 226     # purely to ensure we have a balanced set of parens in the expression which makes
 227     # it easier to understand the pattern in an editor that understands paren's, we do
 228     # not expect either of these cases to actually fire. - Yves
 229     1 while $expr =~ s/
 230         ([:()])  \s*
 231             ($parens) \s*
 232             \? \s*
 233                 \( \s* ($parens) \s*
 234                     \? \s* ($parens|[^()?:\s]+?) \s*
 235                     :  \s* ($parens|[^()?:\s]+?) \s*
 236                 \) \s*
 237             : \s* \5 \s*
 238         ([()])
 239     /$1 ( $2 && $3 ) ? $4 : $5 $6/gx;
 240     #$expr=~s/\(\(U8\*\)s\)\[(\d+)\]/S$1/g if length $expr > 8000;
 241     #$expr=~s/\s+//g if length $expr > 8000;
 242
 243     die "Expression too long" if length $expr > 8000;
 244
 245     return $expr;
 246 }
 247
 248 #
 249 # $text= __macro(@args);
 250 # Join args together by newlines, and then neatly add backslashes to the end
 251 # of every  line as expected by the C pre-processor for #define's.
 252 #
 253
 254 sub __macro {
 255     my $str= join "\n", @_;
 256     $str =~ s/\s*$//;
 257     my @lines= map { s/\s+$//; s/\t/        /g; $_ } split /\n/, $str;
 258     my $last= pop @lines;
 259     $str= join "\n", ( map { sprintf "%-76s\\", $_ } @lines ), $last;
 260     1 while $str =~ s/^(\t*) {8}/$1\t/gm;
 261     return $str . "\n";
 262 }
 263
 264 #
 265 # my $op=__incrdepth($op);
 266 #
 267 # take an 'op' hashref and add one to it and all its childrens depths.
 268 #
 269
 270 sub __incrdepth {
 271     my $op= shift;
 272     return unless ref $op;
 273     $op->{depth} += 1;
 274     __incrdepth( $op->{yes} );
 275     __incrdepth( $op->{no} );
 276     return $op;
 277 }
 278
 279 # join two branches of an opcode together with a condition, incrementing
 280 # the depth on the yes branch when we do so.
 281 # returns the new root opcode of the tree.
 282 sub __cond_join {
 283     my ( $cond, $yes, $no )= @_;
 284     return {
 285         test  => $cond,
 286         yes   => __incrdepth( $yes ),
 287         no    => $no,
 288         depth => 0,
 289     };
 290 }
 291
 292 # Methods
 293
 294 # constructor
 295 #
 296 # my $obj=CLASS->new(op=>'SOMENAME',title=>'blah',txt=>[..]);
 297 #
 298 # Create a new CharClass::Matcher object by parsing the text in
 299 # the txt array. Currently applies the following rules:
 300 #
 301 # Element starts with C<0x>, line is evaled the result treated as
 302 # a number which is passed to chr().
 303 #
 304 # Element starts with C<">, line is evaled and the result treated
 305 # as a string.
 306 #
 307 # Each string is then stored in the 'strs' subhash as a hash record
 308 # made up of the results of __uni_latin1, using the keynames
 309 # 'low','latin1','utf8', as well as the synthesized 'LATIN1', 'high', and
 310 # 'UTF8' which hold a merge of 'low' and their lowercase equivelents.
 311 #
 312 # Size data is tracked per type in the 'size' subhash.
 313 #
 314 # Return an object
 315 #
 316 sub new {
 317     my $class= shift;
 318     my %opt= @_;
 319     for ( qw(op txt) ) {
 320         die "in " . __PACKAGE__ . " constructor '$_;' is a mandatory field"
 321           if !exists $opt{$_};
 322     }
 323
 324     my $self= bless {
 325         op    => $opt{op},
 326         title => $opt{title} || '',
 327     }, $class;
 328     foreach my $txt ( @{ $opt{txt} } ) {
 329         my $str= $txt;
 330         if ( $str =~ /^[""]/ ) {
 331             $str= eval $str;
 332         } elsif ($str =~ / - /x ) { # A range:  Replace this element on the
 333                                     # list with its expansion
 334             my ($lower, $upper) = $str =~ / 0x (.+?) \s* - \s* 0x (.+) /x;
 335             die "Format must be like '0xDEAD - 0xBEAF'; instead was '$str'" if ! defined $lower || ! defined $upper;
 336             foreach my $cp (hex $lower .. hex $upper) {
 337                 push @{$opt{txt}}, sprintf "0x%X", $cp;
 338             }
 339             next;
 340         } elsif ($str =~ s/ ^ N (?= 0x ) //x ) {
 341             # Otherwise undocumented, a leading N means is already in the
 342             # native character set; don't convert.
 343             $str= chr eval $str;
 344         } elsif ( $str =~ /^0x/ ) {
 345             $str= eval $str;
 346
 347             # Convert from Unicode/ASCII to native, if necessary
 348             $str = utf8::unicode_to_native($str) if ! ASCII_PLATFORM
 349                                                     && $str <= 0xFF;
 350             $str = chr $str;
 351         } elsif ( $str =~ / \s* \\p \{ ( .*? ) \} /x) {
 352             my $property = $1;
 353             use Unicode::UCD qw(prop_invlist);
 354
 355             my @invlist = prop_invlist($property, '_perl_core_internal_ok');
 356             if (! @invlist) {
 357
 358                 # An empty return could mean an unknown property, or merely
 359                 # that it is empty.  Call in scalar context to differentiate
 360                 my $count = prop_invlist($property, '_perl_core_internal_ok');
 361                 die "$property not found" unless defined $count;
 362             }
 363
 364             # Replace this element on the list with the property's expansion
 365             for (my $i = 0; $i < @invlist; $i += 2) {
 366                 foreach my $cp ($invlist[$i] .. $invlist[$i+1] - 1) {
 367
 368                     # prop_invlist() returns native values; add leading 'N'
 369                     # to indicate that.
 370                     push @{$opt{txt}}, sprintf "N0x%X", $cp;
 371                 }
 372             }
 373             next;
 374         } elsif ($str =~ / ^ do \s+ ( .* ) /x) {
 375             die "do '$1' failed: $!$@" if ! do $1 or $@;
 376             next;
 377         } elsif ($str =~ / ^ & \s* ( .* ) /x) { # user-furnished sub() call
 378             my @results = eval "$1";
 379             die "eval '$1' failed: $@" if $@;
 380             push @{$opt{txt}}, @results;
 381             next;
 382         } else {
 383             die "Unparsable line: $txt\n";
 384         }
 385         my ( $cp, $cp_high, $low, $latin1, $utf8 )= __uni_latin1( $str );
 386         my $UTF8= $low   || $utf8;
 387         my $LATIN1= $low || $latin1;
 388         my $high = (scalar grep { $_ < 256 } @$cp) ? 0 : $utf8;
 389         #die Dumper($txt,$cp,$low,$latin1,$utf8)
 390         #    if $txt=~/NEL/ or $utf8 and @$utf8>3;
 391
 392         @{ $self->{strs}{$str} }{qw( str txt low utf8 latin1 high cp cp_high UTF8 LATIN1 )}=
 393           ( $str, $txt, $low, $utf8, $latin1, $high, $cp, $cp_high, $UTF8, $LATIN1 );
 394         my $rec= $self->{strs}{$str};
 395         foreach my $key ( qw(low utf8 latin1 high cp cp_high UTF8 LATIN1) ) {
 396             $self->{size}{$key}{ 0 + @{ $self->{strs}{$str}{$key} } }++
 397               if $self->{strs}{$str}{$key};
 398         }
 399         $self->{has_multi} ||= @$cp > 1;
 400         $self->{has_ascii} ||= $latin1 && @$latin1;
 401         $self->{has_low}   ||= $low && @$low;
 402         $self->{has_high}  ||= !$low && !$latin1;
 403     }
 404     $self->{val_fmt}= $hex_fmt;
 405     $self->{count}= 0 + keys %{ $self->{strs} };
 406     return $self;
 407 }
 408
 409 # my $trie = make_trie($type,$maxlen);
 410 #
 411 # using the data stored in the object build a trie of a specific type,
 412 # and with specific maximum depth. The trie is made up the elements of
 413 # the given types array for each string in the object (assuming it is
 414 # not too long.)
 415 #
 416 # returns the trie, or undef if there was no relevant data in the object.
 417 #
 418
 419 sub make_trie {
 420     my ( $self, $type, $maxlen )= @_;
 421
 422     my $strs= $self->{strs};
 423     my %trie;
 424     foreach my $rec ( values %$strs ) {
 425         die "panic: unknown type '$type'"
 426           if !exists $rec->{$type};
 427         my $dat= $rec->{$type};
 428         next unless $dat;
 429         next if $maxlen && @$dat > $maxlen;
 430         my $node= \%trie;
 431         foreach my $elem ( @$dat ) {
 432             $node->{$elem} ||= {};
 433             $node= $node->{$elem};
 434         }
 435         $node->{''}= $rec->{str};
 436     }
 437     return 0 + keys( %trie ) ? \%trie : undef;
 438 }
 439
 440 sub pop_count ($) {
 441     my $word = shift;
 442
 443     # This returns a list of the positions of the bits in the input word that
 444     # are 1.
 445
 446     my @positions;
 447     my $position = 0;
 448     while ($word) {
 449         push @positions, $position if $word & 1;
 450         $position++;
 451         $word >>= 1;
 452     }
 453     return @positions;
 454 }
 455
 456 # my $optree= _optree()
 457 #
 458 # recursively convert a trie to an optree where every node represents
 459 # an if else branch.
 460 #
 461 #
 462
 463 sub _optree {
 464     my ( $self, $trie, $test_type, $ret_type, $else, $depth )= @_;
 465     return unless defined $trie;
 466     if ( $self->{has_multi} and $ret_type =~ /cp|both/ ) {
 467         die "Can't do 'cp' optree from multi-codepoint strings";
 468     }
 469     $ret_type ||= 'len';
 470     $else= 0  unless defined $else;
 471     $depth= 0 unless defined $depth;
 472
 473     # if we have an emptry string as a key it means we are in an
 474     # accepting state and unless we can match further on should
 475     # return the value of the '' key.
 476     if (exists $trie->{''} ) {
 477         # we can now update the "else" value, anything failing to match
 478         # after this point should return the value from this.
 479         if ( $ret_type eq 'cp' ) {
 480             $else= $self->{strs}{ $trie->{''} }{cp}[0];
 481             $else= sprintf "$self->{val_fmt}", $else if $else > 9;
 482         } elsif ( $ret_type eq 'len' ) {
 483             $else= $depth;
 484         } elsif ( $ret_type eq 'both') {
 485             $else= $self->{strs}{ $trie->{''} }{cp}[0];
 486             $else= sprintf "$self->{val_fmt}", $else if $else > 9;
 487             $else= "len=$depth, $else";
 488         }
 489     }
 490     # extract the meaningful keys from the trie, filter out '' as
 491     # it means we are an accepting state (end of sequence).
 492     my @conds= sort { $a <=> $b } grep { length $_ } keys %$trie;
 493
 494     # if we havent any keys there is no further we can match and we
 495     # can return the "else" value.
 496     return $else if !@conds;
 497
 498
 499     my $test= $test_type =~ /^cp/ ? "cp" : "((U8*)s)[$depth]";
 500     # first we loop over the possible keys/conditions and find out what they look like
 501     # we group conditions with the same optree together.
 502     my %dmp_res;
 503     my @res_order;
 504     local $Data::Dumper::Sortkeys=1;
 505     foreach my $cond ( @conds ) {
 506
 507         # get the optree for this child/condition
 508         my $res= $self->_optree( $trie->{$cond}, $test_type, $ret_type, $else, $depth + 1 );
 509         # convert it to a string with Dumper
 510         my $res_code= Dumper( $res );
 511
 512         push @{$dmp_res{$res_code}{vals}}, $cond;
 513         if (!$dmp_res{$res_code}{optree}) {
 514             $dmp_res{$res_code}{optree}= $res;
 515             push @res_order, $res_code;
 516         }
 517     }
 518
 519     # now that we have deduped the optrees we construct a new optree containing the merged
 520     # results.
 521     my %root;
 522     my $node= \%root;
 523     foreach my $res_code_idx (0 .. $#res_order) {
 524         my $res_code= $res_order[$res_code_idx];
 525         $node->{vals}= $dmp_res{$res_code}{vals};
 526         $node->{test}= $test;
 527         $node->{yes}= $dmp_res{$res_code}{optree};
 528         $node->{depth}= $depth;
 529         if ($res_code_idx < $#res_order) {
 530             $node= $node->{no}= {};
 531         } else {
 532             $node->{no}= $else;
 533         }
 534     }
 535
 536     # return the optree.
 537     return \%root;
 538 }
 539
 540 # my $optree= optree(%opts);
 541 #
 542 # Convert a trie to an optree, wrapper for _optree
 543
 544 sub optree {
 545     my $self= shift;
 546     my %opt= @_;
 547     my $trie= $self->make_trie( $opt{type}, $opt{max_depth} );
 548     $opt{ret_type} ||= 'len';
 549     my $test_type= $opt{type} =~ /^cp/ ? 'cp' : 'depth';
 550     return $self->_optree( $trie, $test_type, $opt{ret_type}, $opt{else}, 0 );
 551 }
 552
 553 # my $optree= generic_optree(%opts);
 554 #
 555 # build a "generic" optree out of the three 'low', 'latin1', 'utf8'
 556 # sets of strings, including a branch for handling the string type check.
 557 #
 558
 559 sub generic_optree {
 560     my $self= shift;
 561     my %opt= @_;
 562
 563     $opt{ret_type} ||= 'len';
 564     my $test_type= 'depth';
 565     my $else= $opt{else} || 0;
 566
 567     my $latin1= $self->make_trie( 'latin1', $opt{max_depth} );
 568     my $utf8= $self->make_trie( 'utf8',     $opt{max_depth} );
 569
 570     $_= $self->_optree( $_, $test_type, $opt{ret_type}, $else, 0 )
 571       for $latin1, $utf8;
 572
 573     if ( $utf8 ) {
 574         $else= __cond_join( "( is_utf8 )", $utf8, $latin1 || $else );
 575     } elsif ( $latin1 ) {
 576         $else= __cond_join( "!( is_utf8 )", $latin1, $else );
 577     }
 578     my $low= $self->make_trie( 'low', $opt{max_depth} );
 579     if ( $low ) {
 580         $else= $self->_optree( $low, $test_type, $opt{ret_type}, $else, 0 );
 581     }
 582
 583     return $else;
 584 }
 585
 586 # length_optree()
 587 #
 588 # create a string length guarded optree.
 589 #
 590
 591 sub length_optree {
 592     my $self= shift;
 593     my %opt= @_;
 594     my $type= $opt{type};
 595
 596     die "Can't do a length_optree on type 'cp', makes no sense."
 597       if $type =~ /^cp/;
 598
 599     my ( @size, $method );
 600
 601     if ( $type eq 'generic' ) {
 602         $method= 'generic_optree';
 603         my %sizes= (
 604             %{ $self->{size}{low}    || {} },
 605             %{ $self->{size}{latin1} || {} },
 606             %{ $self->{size}{utf8}   || {} }
 607         );
 608         @size= sort { $a <=> $b } keys %sizes;
 609     } else {
 610         $method= 'optree';
 611         @size= sort { $a <=> $b } keys %{ $self->{size}{$type} };
 612     }
 613
 614     my $else= ( $opt{else} ||= 0 );
 615     for my $size ( @size ) {
 616         my $optree= $self->$method( %opt, type => $type, max_depth => $size );
 617         my $cond= "((e)-(s) > " . ( $size - 1 ).")";
 618         $else= __cond_join( $cond, $optree, $else );
 619     }
 620     return $else;
 621 }
 622
 623 sub calculate_mask(@) {
 624     # Look at the input list of byte values.  This routine returns an array of
 625     # mask/base pairs to generate that list.
 626
 627     my @list = @_;
 628     my $list_count = @list;
 629
 630     # Consider a set of byte values, A, B, C ....  If we want to determine if
 631     # <c> is one of them, we can write c==A || c==B || c==C ....  If the
 632     # values are consecutive, we can shorten that to A<=c && c<=Z, which uses
 633     # far fewer branches.  If only some of them are consecutive we can still
 634     # save some branches by creating range tests for just those that are
 635     # consecutive. _cond_as_str() does this work for looking for ranges.
 636     #
 637     # Another approach is to look at the bit patterns for A, B, C .... and see
 638     # if they have some commonalities.  That's what this function does.  For
 639     # example, consider a set consisting of the bytes
 640     # 0xF0, 0xF1, 0xF2, and 0xF3.  We could write:
 641     #   0xF0 <= c && c <= 0xF4
 642     # But the following mask/compare also works, and has just one test:
 643     #   (c & 0xFC) == 0xF0
 644     # The reason it works is that the set consists of exactly those bytes
 645     # whose first 4 bits are 1, and the next two are 0.  (The value of the
 646     # other 2 bits is immaterial in determining if a byte is in the set or
 647     # not.)  The mask masks out those 2 irrelevant bits, and the comparison
 648     # makes sure that the result matches all bytes which match those 6
 649     # material bits exactly.  In other words, the set of bytes contains
 650     # exactly those whose bottom two bit positions are either 0 or 1.  The
 651     # same principle applies to bit positions that are not necessarily
 652     # adjacent.  And it can be applied to bytes that differ in 1 through all 8
 653     # bit positions.  In order to be a candidate for this optimization, the
 654     # number of bytes in the set must be a power of 2.
 655     #
 656     # Consider a different example, the set 0x53, 0x54, 0x73, and 0x74.  That
 657     # requires 4 tests using either ranges or individual values, and even
 658     # though the number in the set is a power of 2, it doesn't qualify for the
 659     # mask optimization described above because the number of bits that are
 660     # different is too large for that.  However, the set can be expressed as
 661     # two branches with masks thusly:
 662     #   (c & 0xDF) == 0x53 || (c & 0xDF) == 0x54
 663     # a branch savings of 50%.  This is done by splitting the set into two
 664     # subsets each of which has 2 elements, and within each set the values
 665     # differ by 1 byte.
 666     #
 667     # This function attempts to find some way to save some branches using the
 668     # mask technique.  If not, it returns an empty list; if so, it
 669     # returns a list consisting of
 670     #   [ [compare1, mask1], [compare2, mask2], ...
 671     #     [compare_n, undef], [compare_m, undef], ...
 672     #   ]
 673     # The <mask> is undef in the above for those bytes that must be tested
 674     # for individually.
 675     #
 676     # This function does not attempt to find the optimal set.  To do so would
 677     # probably require testing all possible combinations, and keeping track of
 678     # the current best one.
 679     #
 680     # There are probably much better algorithms, but this is the one I (khw)
 681     # came up with.  We start with doing a bit-wise compare of every byte in
 682     # the set with every other byte.  The results are sorted into arrays of
 683     # all those that differ by the same bit positions.  These are stored in a
 684     # hash with the each key being the bits they differ in.  Here is the hash
 685     # for the 0x53, 0x54, 0x73, 0x74 set:
 686     # {
 687     #    4 => {
 688     #            "0,1,2,5" => [
 689     #                            83,
 690     #                            116,
 691     #                            84,
 692     #                            115
 693     #                        ]
 694     #        },
 695     #    3 => {
 696     #            "0,1,2" => [
 697     #                        83,
 698     #                        84,
 699     #                        115,
 700     #                        116
 701     #                        ]
 702     #        }
 703     #    1 => {
 704     #            5 => [
 705     #                    83,
 706     #                    115,
 707     #                    84,
 708     #                    116
 709     #                ]
 710     #        },
 711     # }
 712     #
 713     # The set consisting of values which differ in the 4 bit positions 0, 1,
 714     # 2, and 5 from some other value in the set consists of all 4 values.
 715     # Likewise all 4 values differ from some other value in the 3 bit
 716     # positions 0, 1, and 2; and all 4 values differ from some other value in
 717     # the single bit position 5.  The keys at the uppermost level in the above
 718     # hash, 1, 3, and 4, give the number of bit positions that each sub-key
 719     # below it has.  For example, the 4 key could have as its value an array
 720     # consisting of "0,1,2,5", "0,1,2,6", and "3,4,6,7", if the inputs were
 721     # such.  The best optimization will group the most values into a single
 722     # mask.  The most values will be the ones that differ in the most
 723     # positions, the ones with the largest value for the topmost key.  These
 724     # keys, are thus just for convenience of sorting by that number, and do
 725     # not have any bearing on the core of the algorithm.
 726     #
 727     # We start with an element from largest number of differing bits.  The
 728     # largest in this case is 4 bits, and there is only one situation in this
 729     # set which has 4 differing bits, "0,1,2,5".  We look for any subset of
 730     # this set which has 16 values that differ in these 4 bits.  There aren't
 731     # any, because there are only 4 values in the entire set.  We then look at
 732     # the next possible thing, which is 3 bits differing in positions "0,1,2".
 733     # We look for a subset that has 8 values that differ in these 3 bits.
 734     # Again there are none.  So we go to look for the next possible thing,
 735     # which is a subset of 2**1 values that differ only in bit position 5.  83
 736     # and 115 do, so we calculate a mask and base for those and remove them
 737     # from every set.  Since there is only the one set remaining, we remove
 738     # them from just this one.  We then look to see if there is another set of
 739     # 2 values that differ in bit position 5.  84 and 116 do, so we calculate
 740     # a mask and base for those and remove them from every set (again only
 741     # this set remains in this example).  The set is now empty, and there are
 742     # no more sets to look at, so we are done.
 743
 744     if ($list_count == 256) {   # All 256 is trivially masked
 745         return (0, 0);
 746     }
 747
 748     my %hash;
 749
 750     # Generate bits-differing lists for each element compared against each
 751     # other element
 752     for my $i (0 .. $list_count - 2) {
 753         for my $j ($i + 1 .. $list_count - 1) {
 754             my @bits_that_differ = pop_count($list[$i] ^ $list[$j]);
 755             my $differ_count = @bits_that_differ;
 756             my $key = join ",", @bits_that_differ;
 757             push @{$hash{$differ_count}{$key}}, $list[$i] unless grep { $_ == $list[$i] } @{$hash{$differ_count}{$key}};
 758             push @{$hash{$differ_count}{$key}}, $list[$j];
 759         }
 760     }
 761
 762     print STDERR __LINE__, ": calculate_mask() called:  List of values grouped by differing bits: ", Dumper \%hash if DEBUG;
 763
 764     my @final_results;
 765     foreach my $count (reverse sort { $a <=> $b } keys %hash) {
 766         my $need = 2 ** $count;     # Need 8 values for 3 differing bits, etc
 767         foreach my $bits (sort keys $hash{$count}) {
 768
 769             print STDERR __LINE__, ": For $count bit(s) difference ($bits), need $need; have ", scalar @{$hash{$count}{$bits}}, "\n" if DEBUG;
 770
 771             # Look only as long as there are at least as many elements in the
 772             # subset as are needed
 773             while ((my $cur_count = @{$hash{$count}{$bits}}) >= $need) {
 774
 775                 print STDERR __LINE__, ": Looking at bit positions ($bits): ", Dumper $hash{$count}{$bits} if DEBUG;
 776
 777                 # Start with the first element in it
 778                 my $try_base = $hash{$count}{$bits}[0];
 779                 my @subset = $try_base;
 780
 781                 # If it succeeds, we return a mask and a base to compare
 782                 # against the masked value.  That base will be the AND of
 783                 # every element in the subset.  Initialize to the one element
 784                 # we have so far.
 785                 my $compare = $try_base;
 786
 787                 # We are trying to find a subset of this that has <need>
 788                 # elements that differ in the bit positions given by the
 789                 # string $bits, which is comma separated.
 790                 my @bits = split ",", $bits;
 791
 792                 TRY: # Look through the remainder of the list for other
 793                      # elements that differ only by these bit positions.
 794
 795                 for (my $i = 1; $i < $cur_count; $i++) {
 796                     my $try_this = $hash{$count}{$bits}[$i];
 797                     my @positions = pop_count($try_base ^ $try_this);
 798
 799                     print STDERR __LINE__, ": $try_base vs $try_this: is (", join(',', @positions), ") a subset of ($bits)?" if DEBUG;;
 800
 801                     foreach my $pos (@positions) {
 802                         unless (grep { $pos == $_ } @bits) {
 803                             print STDERR "  No\n" if DEBUG;
 804                             my $remaining = $cur_count - $i - 1;
 805                             if ($remaining && @subset + $remaining < $need) {
 806                                 print STDERR __LINE__, ": Can stop trying $try_base, because even if all the remaining $remaining values work, they wouldn't add up to the needed $need when combined with the existing ", scalar @subset, " ones\n" if DEBUG;
 807                                 last TRY;
 808                             }
 809                             next TRY;
 810                         }
 811                     }
 812
 813                     print STDERR "  Yes\n" if DEBUG;
 814                     push @subset, $try_this;
 815
 816                     # Add this to the mask base, in case it ultimately
 817                     # succeeds,
 818                     $compare &= $try_this;
 819                 }
 820
 821                 print STDERR __LINE__, ": subset (", join(", ", @subset), ") has ", scalar @subset, " elements; needs $need\n" if DEBUG;
 822
 823                 if (@subset < $need) {
 824                     shift @{$hash{$count}{$bits}};
 825                     next;   # Try with next value
 826                 }
 827
 828                 # Create the mask
 829                 my $mask = 0;
 830                 foreach my $position (@bits) {
 831                     $mask |= 1 << $position;
 832                 }
 833                 $mask = ~$mask & 0xFF;
 834                 push @final_results, [$compare, $mask];
 835
 836                 printf STDERR "%d: Got it: compare=%d=0x%X; mask=%X\n", __LINE__, $compare, $compare, $mask if DEBUG;
 837
 838                 # These values are now spoken for.  Remove them from future
 839                 # consideration
 840                 foreach my $remove_count (sort keys %hash) {
 841                     foreach my $bits (sort keys %{$hash{$remove_count}}) {
 842                         foreach my $to_remove (@subset) {
 843                             @{$hash{$remove_count}{$bits}} = grep { $_ != $to_remove } @{$hash{$remove_count}{$bits}};
 844                         }
 845                     }
 846                 }
 847             }
 848         }
 849     }
 850
 851     # Any values that remain in the list are ones that have to be tested for
 852     # individually.
 853     my @individuals;
 854     foreach my $count (reverse sort { $a <=> $b } keys %hash) {
 855         foreach my $bits (sort keys $hash{$count}) {
 856             foreach my $remaining (@{$hash{$count}{$bits}}) {
 857
 858                 # If we already know about this value, just ignore it.
 859                 next if grep { $remaining == $_ } @individuals;
 860
 861                 # Otherwise it needs to be returned as something to match
 862                 # individually
 863                 push @final_results, [$remaining, undef];
 864                 push @individuals, $remaining;
 865             }
 866         }
 867     }
 868
 869     # Sort by increasing numeric value
 870     @final_results = sort { $a->[0] <=> $b->[0] } @final_results;
 871
 872     print STDERR __LINE__, ": Final return: ", Dumper \@final_results if DEBUG;
 873
 874     return @final_results;
 875 }
 876
 877 # _cond_as_str
 878 # turn a list of conditions into a text expression
 879 # - merges ranges of conditions, and joins the result with ||
 880 sub _cond_as_str {
 881     my ( $self, $op, $combine, $opts_ref )= @_;
 882     my $cond= $op->{vals};
 883     my $test= $op->{test};
 884     my $is_cp_ret = $opts_ref->{ret_type} eq "cp";
 885     return "( $test )" if !defined $cond;
 886
 887     # rangify the list.
 888     my @ranges;
 889     my $Update= sub {
 890         # We skip this if there are optimizations that
 891         # we can apply (below) to the individual ranges
 892         if ( ($is_cp_ret || $combine) && @ranges && ref $ranges[-1]) {
 893             if ( $ranges[-1][0] == $ranges[-1][1] ) {
 894                 $ranges[-1]= $ranges[-1][0];
 895             } elsif ( $ranges[-1][0] + 1 == $ranges[-1][1] ) {
 896                 $ranges[-1]= $ranges[-1][0];
 897                 push @ranges, $ranges[-1] + 1;
 898             }
 899         }
 900     };
 901     for my $condition ( @$cond ) {
 902         if ( !@ranges || $condition != $ranges[-1][1] + 1 ) {
 903             $Update->();
 904             push @ranges, [ $condition, $condition ];
 905         } else {
 906             $ranges[-1][1]++;
 907         }
 908     }
 909     $Update->();
 910
 911     return $self->_combine( $test, @ranges )
 912       if $combine;
 913
 914     if ($is_cp_ret) {
 915         @ranges= map {
 916             ref $_
 917             ? sprintf(
 918                 "( $self->{val_fmt} <= $test && $test <= $self->{val_fmt} )",
 919                 @$_ )
 920             : sprintf( "$self->{val_fmt} == $test", $_ );
 921         } @ranges;
 922
 923         return "( " . join( " || ", @ranges ) . " )";
 924     }
 925
 926     # If the input set has certain characteristics, we can optimize tests
 927     # for it.  This doesn't apply if returning the code point, as we want
 928     # each element of the set individually.  The code above is for this
 929     # simpler case.
 930
 931     return 1 if @$cond == 256;  # If all bytes match, is trivially true
 932
 933     my @masks;
 934     if (@ranges > 1) {
 935
 936         # See if the entire set shares optimizable characterstics, and if so,
 937         # return the optimization.  We delay checking for this on sets with
 938         # just a single range, as there may be better optimizations available
 939         # in that case.
 940         @masks = calculate_mask(@$cond);
 941
 942         # Stringify the output of calculate_mask()
 943         if (@masks) {
 944             my @return;
 945             foreach my $mask_ref (@masks) {
 946                 if (defined $mask_ref->[1]) {
 947                     push @return, sprintf "( ( $test & $self->{val_fmt} ) == $self->{val_fmt} )", $mask_ref->[1], $mask_ref->[0];
 948                 }
 949                 else {  # An undefined mask means to use the value as-is
 950                     push @return, sprintf "$test == $self->{val_fmt}", $mask_ref->[0];
 951                 }
 952             }
 953
 954             # The best possible case below for specifying this set of values via
 955             # ranges is 1 branch per range.  If our mask method yielded better
 956             # results, there is no sense trying something that is bound to be
 957             # worse.
 958             if (@return < @ranges) {
 959                 return "( " . join( " || ", @return ) . " )";
 960             }
 961
 962             @masks = @return;
 963         }
 964     }
 965
 966     # Here, there was no entire-class optimization that was clearly better
 967     # than doing things by ranges.  Look at each range.
 968     my $range_count_extra = 0;
 969     for (my $i = 0; $i < @ranges; $i++) {
 970         if (! ref $ranges[$i]) {    # Trivial case: no range
 971             $ranges[$i] = sprintf "$self->{val_fmt} == $test", $ranges[$i];
 972         }
 973         elsif ($ranges[$i]->[0] == $ranges[$i]->[1]) {
 974             $ranges[$i] =           # Trivial case: single element range
 975                     sprintf "$self->{val_fmt} == $test", $ranges[$i]->[0];
 976         }
 977         else {
 978             my $output = "";
 979
 980             # Well-formed UTF-8 continuation bytes on ascii platforms must be
 981             # in the range 0x80 .. 0xBF.  If we know that the input is
 982             # well-formed (indicated by not trying to be 'safe'), we can omit
 983             # tests that verify that the input is within either of these
 984             # bounds.  (No legal UTF-8 character can begin with anything in
 985             # this range, so we don't have to worry about this being a
 986             # continuation byte or not.)
 987             if (ASCII_PLATFORM
 988                 && ! $opts_ref->{safe}
 989                 && $opts_ref->{type} =~ / ^ (?: utf8 | high ) $ /xi)
 990             {
 991                 my $lower_limit_is_80 = ($ranges[$i]->[0] == 0x80);
 992                 my $upper_limit_is_BF = ($ranges[$i]->[1] == 0xBF);
 993
 994                 # If the range is the entire legal range, it matches any legal
 995                 # byte, so we can omit both tests.  (This should happen only
 996                 # if the number of ranges is 1.)
 997                 if ($lower_limit_is_80 && $upper_limit_is_BF) {
 998                     return 1;
 999                 }
1000                 elsif ($lower_limit_is_80) { # Just use the upper limit test
1001                     $output = sprintf("( $test <= $self->{val_fmt} )",
1002                                         $ranges[$i]->[1]);
1003                 }
1004                 elsif ($upper_limit_is_BF) { # Just use the lower limit test
1005                     $output = sprintf("( $test >= $self->{val_fmt} )",
1006                                     $ranges[$i]->[0]);
1007                 }
1008             }
1009
1010             # If we didn't change to omit a test above, see if the number of
1011             # elements is a power of 2 (only a single bit in the
1012             # representation of its count will be set) and if so, it may be
1013             # that a mask/compare optimization is possible.
1014             if ($output eq ""
1015                 && pop_count($ranges[$i]->[1] - $ranges[$i]->[0] + 1) == 1)
1016             {
1017                 my @list;
1018                 push @list, $_  for ($ranges[$i]->[0] .. $ranges[$i]->[1]);
1019                 my @this_masks = calculate_mask(@list);
1020
1021                 # Use the mask if there is just one for the whole range.
1022                 # Otherwise there is no savings over the two branches that can
1023                 # define the range.
1024                 if (@this_masks == 1 && defined $this_masks[0][1]) {
1025                     $output = sprintf "( $test & $self->{val_fmt} ) == $self->{val_fmt}", $this_masks[0][1], $this_masks[0][0];
1026                 }
1027             }
1028
1029             if ($output ne "") {  # Prefer any optimization
1030                 $ranges[$i] = $output;
1031             }
1032             else {
1033                 # No optimization happened.  We need a test that the code
1034                 # point is within both bounds.  But, if the bounds are
1035                 # adjacent code points, it is cleaner to say
1036                 # 'first == test || second == test'
1037                 # than it is to say
1038                 # 'first <= test && test <= second'
1039
1040                 $range_count_extra++;   # This range requires 2 branches to
1041                                         # represent
1042                 if ($ranges[$i]->[0] + 1 == $ranges[$i]->[1]) {
1043                     $ranges[$i] = "( "
1044                                 .  join( " || ", ( map
1045                                     { sprintf "$self->{val_fmt} == $test", $_ }
1046                                     @{$ranges[$i]} ) )
1047                                 . " )";
1048                 }
1049                 else {  # Full bounds checking
1050                     $ranges[$i] = sprintf("( $self->{val_fmt} <= $test && $test <= $self->{val_fmt} )", $ranges[$i]->[0], $ranges[$i]->[1]);
1051                 }
1052             }
1053         }
1054     }
1055
1056     # We have generated the list of bytes in two ways; one trying to use masks
1057     # to cut the number of branches down, and the other to look at individual
1058     # ranges (some of which could be cut down by using a mask for just it).
1059     # We return whichever method uses the fewest branches.
1060     return "( "
1061            . join( " || ", (@masks && @masks < @ranges + $range_count_extra)
1062                             ? @masks
1063                             : @ranges)
1064            . " )";
1065 }
1066
1067 # _combine
1068 # recursively turn a list of conditions into a fast break-out condition
1069 # used by _cond_as_str() for 'cp' type macros.
1070 sub _combine {
1071     my ( $self, $test, @cond )= @_;
1072     return if !@cond;
1073     my $item= shift @cond;
1074     my ( $cstr, $gtv );
1075     if ( ref $item ) {
1076         $cstr=
1077           sprintf( "( $self->{val_fmt} <= $test && $test <= $self->{val_fmt} )",
1078             @$item );
1079         $gtv= sprintf "$self->{val_fmt}", $item->[1];
1080     } else {
1081         $cstr= sprintf( "$self->{val_fmt} == $test", $item );
1082         $gtv= sprintf "$self->{val_fmt}", $item;
1083     }
1084     if ( @cond ) {
1085         my $combine= $self->_combine( $test, @cond );
1086         if (@cond >1) {
1087             return "( $cstr || ( $gtv < $test &&\n"
1088                    . $combine . " ) )";
1089         } else {
1090             return "( $cstr || $combine )";
1091         }
1092     } else {
1093         return $cstr;
1094     }
1095 }
1096
1097 # _render()
1098 # recursively convert an optree to text with reasonably neat formatting
1099 sub _render {
1100     my ( $self, $op, $combine, $brace, $opts_ref, $def, $submacros )= @_;
1101     return 0 if ! defined $op;  # The set is empty
1102     if ( !ref $op ) {
1103         return $op;
1104     }
1105     my $cond= $self->_cond_as_str( $op, $combine, $opts_ref );
1106     #no warnings 'recursion';   # This would allow really really inefficient
1107                                 # code to be generated.  See pod
1108     my $yes= $self->_render( $op->{yes}, $combine, 1, $opts_ref, $def, $submacros );
1109     return $yes if $cond eq '1';
1110
1111     my $no= $self->_render( $op->{no},   $combine, 0, $opts_ref, $def, $submacros );
1112     return "( $cond )" if $yes eq '1' and $no eq '0';
1113     my ( $lb, $rb )= $brace ? ( "( ", " )" ) : ( "", "" );
1114     return "$lb$cond ? $yes : $no$rb"
1115       if !ref( $op->{yes} ) && !ref( $op->{no} );
1116     my $ind1= " " x 4;
1117     my $ind= "\n" . ( $ind1 x $op->{depth} );
1118
1119     if ( ref $op->{yes} ) {
1120         $yes= $ind . $ind1 . $yes;
1121     } else {
1122         $yes= " " . $yes;
1123     }
1124
1125     my $str= "$lb$cond ?$yes$ind: $no$rb";
1126     if (length $str > 6000) {
1127         push @$submacros, sprintf "#define $def\n( %s )", "_part" . (my $yes_idx= 0+@$submacros), $yes;
1128         push @$submacros, sprintf "#define $def\n( %s )", "_part" . (my $no_idx= 0+@$submacros), $no;
1129         return sprintf "%s%s ? $def : $def%s", $lb, $cond, "_part$yes_idx", "_part$no_idx", $rb;
1130     }
1131     return $str;
1132 }
1133
1134 # $expr=render($op,$combine)
1135 #
1136 # convert an optree to text with reasonably neat formatting. If $combine
1137 # is true then the condition is created using "fast breakouts" which
1138 # produce uglier expressions that are more efficient for common case,
1139 # longer lists such as that resulting from type 'cp' output.
1140 # Currently only used for type 'cp' macros.
1141 sub render {
1142     my ( $self, $op, $combine, $opts_ref, $def_fmt )= @_;
1143
1144     my @submacros;
1145     my $macro= sprintf "#define $def_fmt\n( %s )", "", $self->_render( $op, $combine, 0, $opts_ref, $def_fmt, \@submacros );
1146
1147     return join "\n\n", map { "/*** GENERATED CODE ***/\n" . __macro( __clean( $_ ) ) } @submacros, $macro;
1148 }
1149
1150 # make_macro
1151 # make a macro of a given type.
1152 # calls into make_trie and (generic_|length_)optree as needed
1153 # Opts are:
1154 # type     : 'cp','cp_high', 'generic','high','low','latin1','utf8','LATIN1','UTF8'
1155 # ret_type : 'cp' or 'len'
1156 # safe     : add length guards to macro
1157 #
1158 # type defaults to 'generic', and ret_type to 'len' unless type is 'cp'
1159 # in which case it defaults to 'cp' as well.
1160 #
1161 # it is illegal to do a type 'cp' macro on a pattern with multi-codepoint
1162 # sequences in it, as the generated macro will accept only a single codepoint
1163 # as an argument.
1164 #
1165 # returns the macro.
1166
1167
1168 sub make_macro {
1169     my $self= shift;
1170     my %opts= @_;
1171     my $type= $opts{type} || 'generic';
1172     die "Can't do a 'cp' on multi-codepoint character class '$self->{op}'"
1173       if $type =~ /^cp/
1174       and $self->{has_multi};
1175     my $ret_type= $opts{ret_type} || ( $opts{type} =~ /^cp/ ? 'cp' : 'len' );
1176     my $method;
1177     if ( $opts{safe} ) {
1178         $method= 'length_optree';
1179     } elsif ( $type eq 'generic' ) {
1180         $method= 'generic_optree';
1181     } else {
1182         $method= 'optree';
1183     }
1184     my @args= $type =~ /^cp/ ? 'cp' : 's';
1185     push @args, "e" if $opts{safe};
1186     push @args, "is_utf8" if $type eq 'generic';
1187     push @args, "len" if $ret_type eq 'both';
1188     my $pfx= $ret_type eq 'both'    ? 'what_len_' :
1189              $ret_type eq 'cp'      ? 'what_'     : 'is_';
1190     my $ext= $type     eq 'generic' ? ''          : '_' . lc( $type );
1191     $ext .= "_safe" if $opts{safe};
1192     my $argstr= join ",", @args;
1193     my $def_fmt="$pfx$self->{op}$ext%s($argstr)";
1194     my $optree= $self->$method( %opts, type => $type, ret_type => $ret_type );
1195     return $self->render( $optree, ($type =~ /^cp/) ? 1 : 0, \%opts, $def_fmt );
1196 }
1197
1198 # if we arent being used as a module (highly likely) then process
1199 # the __DATA__ below and produce macros in regcharclass.h
1200 # if an argument is provided to the script then it is assumed to
1201 # be the path of the file to output to, if the arg is '-' outputs
1202 # to STDOUT.
1203 if ( !caller ) {
1204     $|++;
1205     my $path= shift @ARGV || "regcharclass.h";
1206     my $out_fh;
1207     if ( $path eq '-' ) {
1208         $out_fh= \*STDOUT;
1209     } else {
1210         $out_fh = open_new( $path );
1211     }
1212     print $out_fh read_only_top( lang => 'C', by => $0,
1213                                  file => 'regcharclass.h', style => '*',
1214                                  copyright => [2007, 2011] );
1215     print $out_fh "\n#ifndef H_REGCHARCLASS   /* Guard against nested #includes */\n#define H_REGCHARCLASS 1\n\n";
1216
1217     my ( $op, $title, @txt, @types, %mods );
1218     my $doit= sub {
1219         return unless $op;
1220
1221         # Skip if to compile on a different platform.
1222         return if delete $mods{only_ascii_platform} && ! ASCII_PLATFORM;
1223         return if delete $mods{only_ebcdic_platform} && ord 'A' != 193;
1224
1225         print $out_fh "/*\n\t$op: $title\n\n";
1226         print $out_fh join "\n", ( map { "\t$_" } @txt ), "*/", "";
1227         my $obj= __PACKAGE__->new( op => $op, title => $title, txt => \@txt );
1228
1229         #die Dumper(\@types,\%mods);
1230
1231         my @mods;
1232         push @mods, 'safe' if delete $mods{safe};
1233         unshift @mods, 'fast' if delete $mods{fast} || ! @mods; # Default to 'fast'
1234                                                                 # do this one
1235                                                                 # first, as
1236                                                                 # traditional
1237         if (%mods) {
1238             die "Unknown modifiers: ", join ", ", map { "'$_'" } sort keys %mods;
1239         }
1240
1241         foreach my $type_spec ( @types ) {
1242             my ( $type, $ret )= split /-/, $type_spec;
1243             $ret ||= 'len';
1244             foreach my $mod ( @mods ) {
1245                 next if $mod eq 'safe' and $type =~ /^cp/;
1246                 delete $mods{$mod};
1247                 my $macro= $obj->make_macro(
1248                     type     => $type,
1249                     ret_type => $ret,
1250                     safe     => $mod eq 'safe'
1251                 );
1252                 print $out_fh $macro, "\n";
1253             }
1254         }
1255     };
1256
1257     while ( <DATA> ) {
1258         s/^ \s* (?: \# .* ) ? $ //x;    # squeeze out comment and blanks
1259         next unless /\S/;
1260         chomp;
1261         if ( /^[A-Z]/ ) {
1262             $doit->();  # This starts a new definition; do the previous one
1263             ( $op, $title )= split /\s*:\s*/, $_, 2;
1264             @txt= ();
1265         } elsif ( s/^=>// ) {
1266             my ( $type, $modifier )= split /:/, $_;
1267             @types= split ' ', $type;
1268             undef %mods;
1269             map { $mods{$_} = 1 } split ' ',  $modifier;
1270         } else {
1271             push @txt, "$_";
1272         }
1273     }
1274     $doit->();
1275
1276     print $out_fh "\n#endif /* H_REGCHARCLASS */\n";
1277
1278     if($path eq '-') {
1279         print $out_fh "/* ex: set ro: */\n";
1280     } else {
1281         read_only_bottom_close_and_rename($out_fh)
1282     }
1283 }
1284
1285 # The form of the input is a series of definitions to make macros for.
1286 # The first line gives the base name of the macro, followed by a colon, and
1287 # then text to be used in comments associated with the macro that are its
1288 # title or description.  In all cases the first (perhaps only) parameter to
1289 # the macro is a pointer to the first byte of the code point it is to test to
1290 # see if it is in the class determined by the macro.  In the case of non-UTF8,
1291 # the code point consists only of a single byte.
1292 #
1293 # The second line must begin with a '=>' and be followed by the types of
1294 # macro(s) to be generated; these are specified below.  A colon follows the
1295 # types, followed by the modifiers, also specified below.  At least one
1296 # modifier is required.
1297 #
1298 # The subsequent lines give what code points go into the class defined by the
1299 # macro.  Multiple characters may be specified via a string like "\x0D\x0A",
1300 # enclosed in quotes.  Otherwise the lines consist of one of:
1301 #   1)  a single Unicode code point, prefaced by 0x
1302 #   2)  a single range of Unicode code points separated by a minus (and
1303 #       optional space)
1304 #   3)  a single Unicode property specified in the standard Perl form
1305 #       "\p{...}"
1306 #   4)  a line like 'do path'.  This will do a 'do' on the file given by
1307 #       'path'.  It is assumed that this does nothing but load subroutines
1308 #       (See item 5 below).  The reason 'require path' is not used instead is
1309 #       because 'do' doesn't assume that path is in @INC.
1310 #   5)  a subroutine call
1311 #           &pkg::foo(arg1, ...)
1312 #       where pkg::foo was loaded by a 'do' line (item 4).  The subroutine
1313 #       returns an array of entries of forms like items 1-3 above.  This
1314 #       allows more complex inputs than achievable from the other input types.
1315 #
1316 # A blank line or one whose first non-blank character is '#' is a comment.
1317 # The definition of the macro is terminated by a line unlike those described.
1318 #
1319 # Valid types:
1320 #   low         generate a macro whose name is 'is_BASE_low' and defines a
1321 #               class that includes only ASCII-range chars.  (BASE is the
1322 #               input macro base name.)
1323 #   latin1      generate a macro whose name is 'is_BASE_latin1' and defines a
1324 #               class that includes only upper-Latin1-range chars.  It is not
1325 #               designed to take a UTF-8 input parameter.
1326 #   high        generate a macro whose name is 'is_BASE_high' and defines a
1327 #               class that includes all relevant code points that are above
1328 #               the Latin1 range.  This is for very specialized uses only.
1329 #               It is designed to take only an input UTF-8 parameter.
1330 #   utf8        generate a macro whose name is 'is_BASE_utf8' and defines a
1331 #               class that includes all relevant characters that aren't ASCII.
1332 #               It is designed to take only an input UTF-8 parameter.
1333 #   LATIN1      generate a macro whose name is 'is_BASE_latin1' and defines a
1334 #               class that includes both ASCII and upper-Latin1-range chars.
1335 #               It is not designed to take a UTF-8 input parameter.
1336 #   UTF8        generate a macro whose name is 'is_BASE_utf8' and defines a
1337 #               class that can include any code point, adding the 'low' ones
1338 #               to what 'utf8' works on.  It is designed to take only an input
1339 #               UTF-8 parameter.
1340 #   generic     generate a macro whose name is 'is_BASE".  It has a 2nd,
1341 #               boolean, parameter which indicates if the first one points to
1342 #               a UTF-8 string or not.  Thus it works in all circumstances.
1343 #   cp          generate a macro whose name is 'is_BASE_cp' and defines a
1344 #               class that returns true if the UV parameter is a member of the
1345 #               class; false if not.
1346 #   cp_high     like cp, but it is assumed that it is known that the UV
1347 #               parameter is above Latin1.  The name of the generated macro is
1348 #               'is_BASE_cp_high'.  This is different from high-cp, derived
1349 #               below.
1350 # A macro of the given type is generated for each type listed in the input.
1351 # The default return value is the number of octets read to generate the match.
1352 # Append "-cp" to the type to have it instead return the matched codepoint.
1353 #               The macro name is changed to 'what_BASE...'.  See pod for
1354 #               caveats
1355 # Appending '-both" instead adds an extra parameter to the end of the argument
1356 #               list, which is a pointer as to where to store the number of
1357 #               bytes matched, while also returning the code point.  The macro
1358 #               name is changed to 'what_len_BASE...'.  See pod for caveats
1359 #
1360 # Valid modifiers:
1361 #   safe        The input string is not necessarily valid UTF-8.  In
1362 #               particular an extra parameter (always the 2nd) to the macro is
1363 #               required, which points to one beyond the end of the string.
1364 #               The macro will make sure not to read off the end of the
1365 #               string.  In the case of non-UTF8, it makes sure that the
1366 #               string has at least one byte in it.  The macro name has
1367 #               '_safe' appended to it.
1368 #   fast        The input string is valid UTF-8.  No bounds checking is done,
1369 #               and the macro can make assumptions that lead to faster
1370 #               execution.
1371 #   only_ascii_platform   Skip this definition if this program is being run on
1372 #               a non-ASCII platform.
1373 #   only_ebcdic_platform  Skip this definition if this program is being run on
1374 #               a non-EBCDIC platform.
1375 # No modifier need be specified; fast is assumed for this case.  If both
1376 # 'fast', and 'safe' are specified, two macros will be created for each
1377 # 'type'.
1378 #
1379 # If run on a non-ASCII platform will automatically convert the Unicode input
1380 # to native.  The documentation above is slightly wrong in this case.  'low'
1381 # actually refers to code points whose UTF-8 representation is the same as the
1382 # non-UTF-8 version (invariants); and 'latin1' refers to all the rest of the
1383 # code points less than 256.
1384
1385 1; # in the unlikely case we are being used as a module
1386
1387 __DATA__
1388 # This is no longer used, but retained in case it is needed some day.
1389 # TRICKYFOLD: Problematic fold case letters.  When adding to this list, also should add them to regcomp.c and fold_grind.t
1390 # => generic cp generic-cp generic-both :fast safe
1391 # 0x00DF        # LATIN SMALL LETTER SHARP S
1392 # 0x0390        # GREEK SMALL LETTER IOTA WITH DIALYTIKA AND TONOS
1393 # 0x03B0        # GREEK SMALL LETTER UPSILON WITH DIALYTIKA AND TONOS
1394 # 0x1E9E  # LATIN CAPITAL LETTER SHARP S, because maps to same as 00DF
1395 # 0x1FD3  # GREEK SMALL LETTER IOTA WITH DIALYTIKA AND OXIA; maps same as 0390
1396 # 0x1FE3  # GREEK SMALL LETTER UPSILON WITH DIALYTIKA AND OXIA; maps same as 03B0
1397
1398 LNBREAK: Line Break: \R
1399 => generic UTF8 LATIN1 :fast safe
1400 "\x0D\x0A"      # CRLF - Network (Windows) line ending
1401 \p{VertSpace}
1402
1403 HORIZWS: Horizontal Whitespace: \h \H
1404 => generic UTF8 LATIN1 high cp cp_high :fast safe
1405 \p{HorizSpace}
1406
1407 VERTWS: Vertical Whitespace: \v \V
1408 => generic UTF8 high LATIN1 cp cp_high :fast safe
1409 \p{VertSpace}
1410
1411 XDIGIT: Hexadecimal digits
1412 => UTF8 high cp_high :fast
1413 \p{XDigit}
1414
1415 XPERLSPACE: \p{XPerlSpace}
1416 => generic UTF8 high cp_high :fast
1417 \p{XPerlSpace}
1418
1419 REPLACEMENT: Unicode REPLACEMENT CHARACTER
1420 => UTF8 :safe
1421 0xFFFD
1422
1423 NONCHAR: Non character code points
1424 => UTF8 :fast
1425 \p{Nchar}
1426
1427 SURROGATE: Surrogate characters
1428 => UTF8 :fast
1429 \p{Gc=Cs}
1430
1431 GCB_L: Grapheme_Cluster_Break=L
1432 => UTF8 :fast
1433 \p{_X_GCB_L}
1434
1435 GCB_LV_LVT_V: Grapheme_Cluster_Break=(LV or LVT or V)
1436 => UTF8 :fast
1437 \p{_X_LV_LVT_V}
1438
1439 GCB_Prepend: Grapheme_Cluster_Break=Prepend
1440 => UTF8 :fast
1441 \p{_X_GCB_Prepend}
1442
1443 GCB_RI: Grapheme_Cluster_Break=RI
1444 => UTF8 :fast
1445 \p{_X_RI}
1446
1447 GCB_SPECIAL_BEGIN: Grapheme_Cluster_Break=special_begins
1448 => UTF8 :fast
1449 \p{_X_Special_Begin}
1450
1451 GCB_T: Grapheme_Cluster_Break=T
1452 => UTF8 :fast
1453 \p{_X_GCB_T}
1454
1455 GCB_V: Grapheme_Cluster_Break=V
1456 => UTF8 :fast
1457 \p{_X_GCB_V}
1458
1459 # This program was run with this enabled, and the results copied to utf8.h;
1460 # then this was commented out because it takes so long to figure out these 2
1461 # million code points.  The results would not change unless utf8.h decides it
1462 # wants a maximum other than 4 bytes, or this program creates better
1463 # optimizations
1464 #UTF8_CHAR: Matches utf8 from 1 to 4 bytes
1465 #=> UTF8 :safe only_ascii_platform
1466 #0x0 - 0x1FFFFF
1467
1468 # This hasn't been commented out, because we haven't an EBCDIC platform to run
1469 # it on, and the 3 types of EBCDIC allegedly supported by Perl would have
1470 # different results
1471 UTF8_CHAR: Matches utf8 from 1 to 5 bytes
1472 => UTF8 :safe only_ebcdic_platform
1473 0x0 - 0x3FFFFF:
1474
1475 QUOTEMETA: Meta-characters that \Q should quote
1476 => high :fast
1477 \p{_Perl_Quotemeta}
1478
1479 MULTI_CHAR_FOLD: multi-char strings that are folded to by a single character
1480 => UTF8 :safe
1481 do regen/regcharclass_multi_char_folds.pl
1482
1483 # 1 => All folds
1484 &regcharclass_multi_char_folds::multi_char_folds(1)
1485
1486 MULTI_CHAR_FOLD: multi-char strings that are folded to by a single character
1487 => LATIN1 :safe
1488
1489 &regcharclass_multi_char_folds::multi_char_folds(0)
1490 # 0 => Latin1-only