t/re/regexp_unicode_prop.t

   1 #!./perl
   2 #
   3 # Tests that have to do with checking whether characters have (or not have)
   4 # certain Unicode properties; belong (or not belong) to blocks, scripts, etc.
   5 #
   6
   7 use strict;
   8 use warnings;
   9 use 5.010;
  10
  11 BEGIN {
  12     chdir 't' if -d 't';
  13     require './test.pl';
  14     skip_all_if_miniperl("no dynamic loading on miniperl, no File::Spec (used by charnames)");
  15 }
  16
  17 sub run_tests;
  18
  19 #
  20 # This is the data to test.
  21 #
  22 # This is a hash; keys are the property to test.
  23 # Values are arrays containing characters to test. The characters can
  24 # have the following formats:
  25 #   '\N{CHARACTER NAME}'  -  Use character with that name
  26 #   '\x{1234}'            -  Use character with that hex escape
  27 #   '0x1234'              -  Use chr() to get that character
  28 #   "a"                   -  Character to use
  29 #
  30 # If a character entry starts with ! the character does not belong to the class
  31 #
  32 # If the class is just single letter, we use both \pL and \p{L}
  33 #
  34
  35 use charnames ':full';
  36
  37 my @CLASSES = (
  38     L                         => ["a", "A"],
  39     Ll                        => ["b", "!B"],
  40     Lu                        => ["!c", "C"],
  41     IsLl                      => ["d", "!D"],
  42     IsLu                      => ["!e", "E"],
  43     LC                        => ["f", "!1"],
  44    'L&'                       => ["g", "!2"],
  45    'Lowercase Letter'         => ["h", "!H"],
  46
  47     Common                    => ["!i", "3"],
  48     Inherited                 => ["!j", '\x{300}'],
  49
  50     InBasicLatin              => ['\N{LATIN CAPITAL LETTER A}'],
  51     InLatin1Supplement        => ['\N{LATIN CAPITAL LETTER A WITH GRAVE}'],
  52     InLatinExtendedA          => ['\N{LATIN CAPITAL LETTER A WITH MACRON}'],
  53     InLatinExtendedB          => ['\N{LATIN SMALL LETTER B WITH STROKE}'],
  54     InKatakana                => ['\N{KATAKANA LETTER SMALL A}'],
  55     IsLatin                   => ["0x100", "0x212b"],
  56     IsHebrew                  => ["0x5d0", "0xfb4f"],
  57     IsGreek                   => ["0x37a", "0x386", "!0x387", "0x388",
  58                                   "0x38a", "!0x38b", "0x38c"],
  59     HangulSyllables           => ['\x{AC00}'],
  60    'Script=Latin'             => ['\x{0100}'],
  61    'Block=LatinExtendedA'     => ['\x{0100}'],
  62    'Category=UppercaseLetter' => ['\x{0100}'],
  63
  64     #
  65     # It's ok to repeat class names.
  66     #
  67     InLatin1Supplement        =>
  68                             ['!\N{U+7f}',  '\N{U+80}',  '\N{U+ff}', '!\x{100}'],
  69     InLatinExtendedA          =>
  70                             ['!\N{U+7f}', '!\N{U+80}', '!\N{U+ff}',  '\x{100}'],
  71
  72     #
  73     # Properties are case-insensitive, and may have whitespace,
  74     # dashes and underscores.
  75     #
  76    'in-latin1_SUPPLEMENT'     => ['\N{U+80}',
  77                                   '\N{LATIN SMALL LETTER Y WITH DIAERESIS}'],
  78    '  ^  In Latin 1 Supplement  '
  79                               => ['!\N{U+80}', '\N{COFFIN}'],
  80    'latin-1   supplement'     => ['\N{U+80}', "0xDF"],
  81
  82 );
  83
  84 my @USER_DEFINED_PROPERTIES = (
  85    #
  86    # User defined properties
  87    #
  88    InKana1                   => ['\x{3040}', '!\x{303F}'],
  89    InKana2                   => ['\x{3040}', '!\x{303F}'],
  90    InKana3                   => ['\x{3041}', '!\x{3040}'],
  91    InNotKana                 => ['\x{3040}', '!\x{3041}'],
  92    InConsonant               => ['d',        '!e'],
  93    IsSyriac1                 => ['\x{0712}', '!\x{072F}'],
  94    IsSyriac1KanaMark         => ['\x{309A}', '!\x{3090}'],
  95    IsSyriac1KanaMark         => ['\x{0730}', '!\x{0712}'],
  96    '# User-defined character properties may lack \n at the end',
  97    InGreekSmall              => ['\N{GREEK SMALL LETTER PI}',
  98                                  '\N{GREEK SMALL LETTER FINAL SIGMA}'],
  99    InGreekCapital            => ['\N{GREEK CAPITAL LETTER PI}', '!\x{03A2}'],
 100    Dash                      => ['-'],
 101    ASCII_Hex_Digit           => ['!-', 'A'],
 102    IsAsciiHexAndDash         => ['-', 'A'],
 103 );
 104
 105 my @USER_CASELESS_PROPERTIES = (
 106    #
 107    # User defined properties which differ depending on /i.  Second entry is
 108    # false normally, true under /i
 109    #
 110    'IsMyUpper'                => ["M", "!m" ],
 111 );
 112
 113
 114 #
 115 # From the short properties we populate POSIX-like classes.
 116 #
 117 my %SHORT_PROPERTIES = (
 118     'Ll'  => ['m', '\N{CYRILLIC SMALL LETTER A}'],
 119     'Lu'  => ['M', '\N{GREEK CAPITAL LETTER ALPHA}'],
 120     'Lo'  => ['\N{HIRAGANA LETTER SMALL A}'],
 121     # is also in other alphabetic
 122     'Mn'  => ['\N{HEBREW POINT RAFE}'],
 123     'Nd'  => ["0", '\N{ARABIC-INDIC DIGIT ZERO}'],
 124     'Pc'  => ["_"],
 125     'Po'  => ["!"],
 126     'Zs'  => [" "],
 127     'Cc'  => ['\x{00}'],
 128 );
 129
 130 #
 131 # Illegal properties
 132 #
 133 my @ILLEGAL_PROPERTIES =
 134     qw[q qrst f foo isfoo infoo ISfoo INfoo Is::foo In::foo];
 135
 136 my %d;
 137
 138 while (my ($class, $chars) = each %SHORT_PROPERTIES) {
 139     push @{$d {IsAlpha}} => map {$class =~ /^[LM]/   ? $_ : "!$_"} @$chars;
 140     push @{$d {IsAlnum}} => map {$class =~ /^[LMN]./ ? $_ : "!$_"} @$chars;
 141     push @{$d {IsASCII}} => map {length ($_) == 1 || $_ eq '\x{00}'
 142                                                      ? $_ : "!$_"} @$chars;
 143     push @{$d {IsCntrl}} => map {$class =~ /^C/      ? $_ : "!$_"} @$chars;
 144     push @{$d {IsBlank}} => map {$class =~ /^Z[lps]/ ? $_ : "!$_"} @$chars;
 145     push @{$d {IsDigit}} => map {$class =~ /^Nd$/    ? $_ : "!$_"} @$chars;
 146     push @{$d {IsGraph}} => map {$class =~ /^([LMNPS]|Co)/
 147                                                      ? $_ : "!$_"} @$chars;
 148     push @{$d {IsPrint}} => map {$class =~ /^([LMNPS]|Co|Zs)/
 149                                                      ? $_ : "!$_"} @$chars;
 150     push @{$d {IsLower}} => map {$class =~ /^Ll$/    ? $_ : "!$_"} @$chars;
 151     push @{$d {IsUpper}} => map {$class =~ /^L[ut]/  ? $_ : "!$_"} @$chars;
 152     push @{$d {IsPunct}} => map {$class =~ /^P/      ? $_ : "!$_"} @$chars;
 153     push @{$d {IsWord}}  => map {$class =~ /^[LMN]/ || $_ eq "_"
 154                                                      ? $_ : "!$_"} @$chars;
 155     push @{$d {IsSpace}} => map {$class =~ /^Z/ ||
 156                                  length ($_) == 1 && utf8::native_to_unicode(ord ($_)) >= 0x09
 157                                                   && utf8::native_to_unicode(ord ($_)) <= 0x0D
 158                                                      ? $_ : "!$_"} @$chars;
 159 }
 160
 161 push @CLASSES => "# Short properties"        => %SHORT_PROPERTIES,
 162                  "# POSIX like properties"   => %d,
 163                  "# User defined properties" => @USER_DEFINED_PROPERTIES;
 164
 165
 166 #
 167 # Calculate the number of tests.
 168 #
 169 my $count = 0;
 170 for (my $i = 0; $i < @CLASSES; $i += 2) {
 171     $i ++, redo if $CLASSES [$i] =~ /^\h*#\h*(.*)/;
 172     $count += 2 * (length $CLASSES [$i] == 1 ? 4 : 2) * @{$CLASSES [$i + 1]};
 173 }
 174 $count += 4 * @ILLEGAL_PROPERTIES;
 175 $count += 4 * grep {length $_ == 1} @ILLEGAL_PROPERTIES;
 176 $count += 8 * @USER_CASELESS_PROPERTIES;
 177 $count += 1;    # Test for pkg:IsMyLower
 178
 179 plan(tests => $count);
 180
 181 run_tests unless caller ();
 182
 183 sub match {
 184     my ($char, $match, $nomatch, $caseless) = @_;
 185     $caseless = "" unless defined $caseless;
 186     $caseless = 'i' if $caseless;
 187
 188     my ($str, $name);
 189
 190     if ($char =~ /^\\/) {
 191         $str  = eval qq ["$char"];
 192         $name =      qq ["$char"];
 193     }
 194     elsif ($char =~ /^0x([0-9A-Fa-f]+)$/) {
 195         $str  =  chr hex $1;
 196         $name = "chr ($char)";
 197     }
 198     else {
 199         $str  =      $char;
 200         $name = qq ["$char"];
 201     }
 202
 203     undef $@;
 204     my $pat = "qr/$match/$caseless";
 205     my $match_pat = eval $pat;
 206     is($@, '', "$pat compiled correctly to a regexp: $@");
 207     like($str, $match_pat, "$name correctly matched");
 208
 209     undef $@;
 210     $pat = "qr/$nomatch/$caseless";
 211     my $nomatch_pat = eval $pat;
 212     is($@, '', "$pat compiled correctly to a regexp: $@");
 213     unlike($str, $nomatch_pat, "$name correctly did not match");
 214 }
 215
 216 sub run_tests {
 217
 218     while (@CLASSES) {
 219         my $class = shift @CLASSES;
 220         if ($class =~ /^\h*#\h*(.*)/) {
 221             print "# $1\n";
 222             next;
 223         }
 224         last unless @CLASSES;
 225         my $chars   = shift @CLASSES;
 226         my @in      =                       grep {!/^!./} @$chars;
 227         my @out     = map {s/^!(?=.)//; $_} grep { /^!./} @$chars;
 228         my $in_pat  = eval qq ['\\p{$class}'];
 229         my $out_pat = eval qq ['\\P{$class}'];
 230
 231         match $_, $in_pat,  $out_pat for @in;
 232         match $_, $out_pat, $in_pat  for @out;
 233
 234         if (1 == length $class) {   # Repeat without braces if name length 1
 235             my $in_pat  = eval qq ['\\p$class'];
 236             my $out_pat = eval qq ['\\P$class'];
 237
 238             match $_, $in_pat,  $out_pat for @in;
 239             match $_, $out_pat, $in_pat  for @out;
 240         }
 241     }
 242
 243
 244     print "# Illegal properties\n";
 245     foreach my $p (@ILLEGAL_PROPERTIES) {
 246         my $pat;
 247         if ($p =~ /::/) {
 248             $pat = qr /^Illegal user-defined property name/;
 249         }
 250         else {
 251             $pat = qr /^Can't find Unicode property definition/;
 252         }
 253
 254         undef $@;
 255         my $r = eval "'a' =~ /\\p{$p}/; 1";
 256         is($r, undef, "Unknown Unicode property \\p{$p}");
 257         like($@, $pat, "Unknown Unicode property \\p{$p}");
 258         undef $@;
 259         my $s = eval "'a' =~ /\\P{$p}/; 1";
 260         is($s, undef, "Unknown Unicode property \\p{$p}");
 261         like($@, $pat, "Unknown Unicode property \\p{$p}");
 262         if (length $p == 1) {
 263             undef $@;
 264             my $r = eval "'a' =~ /\\p$p/; 1";
 265             is($r, undef, "Unknown Unicode property \\p$p");
 266             like($@, $pat, "Unknown Unicode property \\p$p");
 267             undef $@;
 268             my $s = eval "'a' =~ /\\P$p/; 1";
 269             is($r, undef, "Unknown Unicode property \\P$p");
 270             like($@, $pat, "Unknown Unicode property \\P$p");
 271         }
 272     }
 273
 274     print "# User-defined properties with /i differences\n";
 275     while (my $class = shift @USER_CASELESS_PROPERTIES) {
 276         my $chars_ref = shift @USER_CASELESS_PROPERTIES;
 277         my @in      =                       grep {!/^!./} @$chars_ref;
 278         my @out     = map {s/^!(?=.)//; $_} grep { /^!./} @$chars_ref;
 279         my $in_pat  = eval qq ['\\p{$class}'];
 280         my $out_pat = eval qq ['\\P{$class}'];
 281
 282         # Verify works as regularly for not /i
 283         match $_, $in_pat,  $out_pat for @in;
 284         match $_, $out_pat, $in_pat  for @out;
 285
 286         # Verify that adding /i doesn't change the in set.
 287         match $_, $in_pat,  $out_pat, 'i' for @in;
 288
 289         # Verify that adding /i does change the out set to match.
 290         match $_, $in_pat,  $out_pat, 'i' for @out;
 291     }
 292 }
 293
 294
 295 #
 296 # User defined properties
 297 #
 298
 299 sub InKana1 {<<'--'}
 300 3040    309F
 301 30A0    30FF
 302 --
 303
 304 sub InKana2 {<<'--'}
 305 +utf8::InHiragana
 306 +utf8::InKatakana
 307 --
 308
 309 sub InKana3 {<<'--'}
 310 +utf8::InHiragana
 311 +utf8::InKatakana
 312 -utf8::IsCn
 313 --
 314
 315 sub InNotKana {<<'--'}
 316 !utf8::InHiragana
 317 -utf8::InKatakana
 318 +utf8::IsCn
 319 --
 320
 321 sub InConsonant {
 322
 323     my $return = "+utf8::Lowercase\n&utf8::ASCII\n";
 324     $return .= sprintf("-%X\n", ord "a");
 325     $return .= sprintf("-%X\n", ord "e");
 326     $return .= sprintf("-%X\n", ord "i");
 327     $return .= sprintf("-%X\n", ord "o");
 328     $return .= sprintf("-%X\n", ord "u");
 329     return $return;
 330 }
 331
 332 sub IsSyriac1 {<<'--'}
 333 0712    072C
 334 0730    074A
 335 --
 336
 337 sub InGreekSmall   {return "03B1\t03C9"}
 338 sub InGreekCapital {return "0391\t03A9\n-03A2"}
 339
 340 sub IsAsciiHexAndDash {<<'--'}
 341 +utf8::ASCII_Hex_Digit
 342 +utf8::Dash
 343 --
 344
 345 sub IsMyUpper {
 346     my $caseless = shift;
 347     return "+utf8::"
 348            . (($caseless)
 349                ? 'Alphabetic'
 350                : 'Uppercase')
 351            . "\n&utf8::ASCII";
 352 }
 353
 354 {   # This has to be done here and not like the others, because we have to
 355     # make sure that the property is not known until after the regex is
 356     # compiled.  It was previously getting confused about the pkg and /i
 357     # combination
 358
 359     my $mylower = qr/\p{pkg::IsMyLower}/i;
 360
 361     sub pkg::IsMyLower {
 362         my $caseless = shift;
 363         return "+utf8::"
 364             . (($caseless)
 365                 ? 'Alphabetic'
 366                 : 'Lowercase')
 367             . "\n&utf8::ASCII";
 368     }
 369
 370     like("A", $mylower, "Not available until runtime user-defined property with pkg:: and /i works");
 371
 372 }
 373
 374 # Verify that can use user-defined properties inside another one
 375 sub IsSyriac1KanaMark {<<'--'}
 376 +main::IsSyriac1
 377 +main::InKana3
 378 &utf8::IsMark
 379 --
 380
 381 # fake user-defined properties; these subs shouldn't be called, because
 382 # their names don't start with In or Is
 383
 384 sub f       { die }
 385 sub foo     { die }
 386 sub isfoo   { die }
 387 sub infoo   { die }
 388 sub ISfoo   { die }
 389 sub INfoo   { die }
 390 sub Is::foo { die }
 391 sub In::foo { die }
 392 __END__