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 my $IS_EBCDIC = ord ('A') == 193;
  12
  13 sub run_tests;
  14
  15 #
  16 # This is the data to test.
  17 #
  18 # This is a hash; keys are the property to test.
  19 # Values are arrays containing characters to test. The characters can
  20 # have the following formats:
  21 #   '\N{CHARACTER NAME}'  -  Use character with that name
  22 #   '\x{1234}'            -  Use character with that hex escape
  23 #   '0x1234'              -  Use chr() to get that character
  24 #   "a"                   -  Character to use
  25 #
  26 # If a character entry starts with ! the character does not belong to the class
  27 #
  28 # If the class is just single letter, we use both \pL and \p{L}
  29 #
  30
  31 use charnames ':full';
  32
  33 my @CLASSES = (
  34     L                         => ["a", "A"],
  35     Ll                        => ["b", "!B"],
  36     Lu                        => ["!c", "C"],
  37     IsLl                      => ["d", "!D"],
  38     IsLu                      => ["!e", "E"],
  39     LC                        => ["f", "!1"],
  40    'L&'                       => ["g", "!2"],
  41    'Lowercase Letter'         => ["h", "!H"],
  42
  43     Common                    => ["!i", "3"],
  44     Inherited                 => ["!j", '\x{300}'],
  45
  46     InBasicLatin              => ['\N{LATIN CAPITAL LETTER A}'],
  47     InLatin1Supplement        => ['\N{LATIN CAPITAL LETTER A WITH GRAVE}'],
  48     InLatinExtendedA          => ['\N{LATIN CAPITAL LETTER A WITH MACRON}'],
  49     InLatinExtendedB          => ['\N{LATIN SMALL LETTER B WITH STROKE}'],
  50     InKatakana                => ['\N{KATAKANA LETTER SMALL A}'],
  51     IsLatin                   => ["0x100", "0x212b"],
  52     IsHebrew                  => ["0x5d0", "0xfb4f"],
  53     IsGreek                   => ["0x37a", "0x386", "!0x387", "0x388",
  54                                   "0x38a", "!0x38b", "0x38c"],
  55     HangulSyllables           => ['\x{AC00}'],
  56    'Script=Latin'             => ['\x{0100}'],
  57    'Block=LatinExtendedA'     => ['\x{0100}'],
  58    'Category=UppercaseLetter' => ['\x{0100}'],
  59
  60     #
  61     # It's ok to repeat class names.
  62     #
  63     InLatin1Supplement        =>
  64                $IS_EBCDIC ? ['!\x{7f}',  '\x{80}',            '!\x{100}']
  65                           : ['!\x{7f}',  '\x{80}',  '\x{ff}', '!\x{100}'],
  66     InLatinExtendedA          =>
  67                             ['!\x{7f}', '!\x{80}', '!\x{ff}',  '\x{100}'],
  68
  69     #
  70     # Properties are case-insensitive, and may have whitespace,
  71     # dashes and underscores.
  72     #
  73    'in-latin1_SUPPLEMENT'     => ['\x{80}',
  74                                   '\N{LATIN SMALL LETTER Y WITH DIAERESIS}'],
  75    '  ^  In Latin 1 Supplement  '
  76                               => ['!\x{80}', '\N{COFFIN}'],
  77    'latin-1   supplement'     => ['\x{80}', "0xDF"],
  78
  79 );
  80
  81 my @USER_DEFINED_PROPERTIES = (
  82    #
  83    # User defined properties
  84    #
  85    InKana1                   => ['\x{3040}', '!\x{303F}'],
  86    InKana2                   => ['\x{3040}', '!\x{303F}'],
  87    InKana3                   => ['\x{3041}', '!\x{3040}'],
  88    InNotKana                 => ['\x{3040}', '!\x{3041}'],
  89    InConsonant               => ['d',        '!e'],
  90    IsSyriac1                 => ['\x{0712}', '!\x{072F}'],
  91    Syriac1                   => ['\x{0712}', '!\x{072F}'],
  92    '# User-defined character properties my lack \n at the end',
  93    InGreekSmall              => ['\N{GREEK SMALL LETTER PI}',
  94                                  '\N{GREEK SMALL LETTER FINAL SIGMA}'],
  95    InGreekCapital            => ['\N{GREEK CAPITAL LETTER PI}', '!\x{03A2}'],
  96    Dash                      => ['-'],
  97    ASCII_Hex_Digit           => ['!-', 'A'],
  98    AsciiHexAndDash           => ['-', 'A'],
  99 );
 100
 101
 102 #
 103 # From the short properties we populate POSIX-like classes.
 104 #
 105 my %SHORT_PROPERTIES = (
 106     'Ll'  => ['m', '\N{CYRILLIC SMALL LETTER A}'],
 107     'Lu'  => ['M', '\N{GREEK CAPITAL LETTER ALPHA}'],
 108     'Lo'  => ['\N{HIRAGANA LETTER SMALL A}'],
 109     # is also in other alphabetic
 110     'Mn'  => ['\N{HEBREW POINT RAFE}'],
 111     'Nd'  => ["0", '\N{ARABIC-INDIC DIGIT ZERO}'],
 112     'Pc'  => ["_"],
 113     'Po'  => ["!"],
 114     'Zs'  => [" "],
 115     'Cc'  => ['\x{00}'],
 116 );
 117
 118 #
 119 # Illegal properties
 120 #
 121 my @ILLEGAL_PROPERTIES = qw [q qrst];
 122
 123 my %d;
 124
 125 while (my ($class, $chars) = each %SHORT_PROPERTIES) {
 126     push @{$d {IsAlpha}} => map {$class =~ /^[LM]/   ? $_ : "!$_"} @$chars;
 127     push @{$d {IsAlnum}} => map {$class =~ /^[LMN]./ ? $_ : "!$_"} @$chars;
 128     push @{$d {IsASCII}} => map {length ($_) == 1 || $_ eq '\x{00}'
 129                                                      ? $_ : "!$_"} @$chars;
 130     push @{$d {IsCntrl}} => map {$class =~ /^C/      ? $_ : "!$_"} @$chars;
 131     push @{$d {IsBlank}} => map {$class =~ /^Z[lps]/ ? $_ : "!$_"} @$chars;
 132     push @{$d {IsDigit}} => map {$class =~ /^Nd$/    ? $_ : "!$_"} @$chars;
 133     push @{$d {IsGraph}} => map {$class =~ /^([LMNPS]|Co)/
 134                                                      ? $_ : "!$_"} @$chars;
 135     push @{$d {IsPrint}} => map {$class =~ /^([LMNPS]|Co|Zs)/
 136                                                      ? $_ : "!$_"} @$chars;
 137     push @{$d {IsLower}} => map {$class =~ /^Ll$/    ? $_ : "!$_"} @$chars;
 138     push @{$d {IsUpper}} => map {$class =~ /^L[ut]/  ? $_ : "!$_"} @$chars;
 139     push @{$d {IsPunct}} => map {$class =~ /^P/      ? $_ : "!$_"} @$chars;
 140     push @{$d {IsWord}}  => map {$class =~ /^[LMN]/ || $_ eq "_"
 141                                                      ? $_ : "!$_"} @$chars;
 142     push @{$d {IsSpace}} => map {$class =~ /^Z/ ||
 143                                  length ($_) == 1 && ord ($_) >= 0x09
 144                                                   && ord ($_) <= 0x0D
 145                                                      ? $_ : "!$_"} @$chars;
 146 }
 147
 148 delete $d {IsASCII} if $IS_EBCDIC;
 149
 150 push @CLASSES => "# Short properties"        => %SHORT_PROPERTIES,
 151                  "# POSIX like properties"   => %d,
 152                  "# User defined properties" => @USER_DEFINED_PROPERTIES;
 153
 154
 155 #
 156 # Calculate the number of tests.
 157 #
 158 my $count = 0;
 159 for (my $i = 0; $i < @CLASSES; $i += 2) {
 160     $i ++, redo if $CLASSES [$i] =~ /^\h*#\h*(.*)/;
 161     $count += (length $CLASSES [$i] == 1 ? 4 : 2) * @{$CLASSES [$i + 1]};
 162 }
 163 $count += 2 * @ILLEGAL_PROPERTIES;
 164 $count += 2 * grep {length $_ == 1} @ILLEGAL_PROPERTIES;
 165
 166 my $tests = 0;
 167
 168 say "1..$count";
 169
 170 run_tests unless caller ();
 171
 172 sub match {
 173     my ($char, $match, $nomatch) = @_;
 174
 175     my ($str, $name);
 176
 177     given ($char) {
 178         when (/^\\/) {
 179             $str  = eval qq ["$char"];
 180             $name =      qq ["$char"];
 181         }
 182         when (/^0x([0-9A-Fa-f]+)$/) {
 183             $str  =  chr hex $1;
 184             $name = "chr ($char)";
 185         }
 186         default {
 187             $str  =      $char;
 188             $name = qq ["$char"];
 189         }
 190     }
 191
 192     print "not " unless $str =~ /$match/;
 193     print "ok ", ++ $tests, " - $name =~ /$match/\n";
 194     print "not " unless $str !~ /$nomatch/;
 195     print "ok ", ++ $tests, " - $name !~ /$nomatch/\n";
 196 }
 197
 198 sub run_tests {
 199
 200     while (@CLASSES) {
 201         my $class = shift @CLASSES;
 202         if ($class =~ /^\h*#\h*(.*)/) {
 203             print "# $1\n";
 204             next;
 205         }
 206         last unless @CLASSES;
 207         my $chars   = shift @CLASSES;
 208         my @in      =                       grep {!/^!./} @$chars;
 209         my @out     = map {s/^!(?=.)//; $_} grep { /^!./} @$chars;
 210         my $in_pat  = eval qq ['\\p{$class}'];
 211         my $out_pat = eval qq ['\\P{$class}'];
 212
 213         match $_, $in_pat,  $out_pat for @in;
 214         match $_, $out_pat, $in_pat  for @out;
 215
 216         if (1 == length $class) {
 217             my $in_pat  = eval qq ['\\p$class'];
 218             my $out_pat = eval qq ['\\P$class'];
 219
 220             match $_, $in_pat,  $out_pat for @in;
 221             match $_, $out_pat, $in_pat  for @out;
 222         }
 223     }
 224
 225
 226     my $pat = qr /^Can't find Unicode property definition/;
 227     print "# Illegal properties\n";
 228     foreach my $p (@ILLEGAL_PROPERTIES) {
 229         undef $@;
 230         my $r = eval "'a' =~ /\\p{$p}/; 1";
 231         print "not " unless !$r && $@ && $@ =~ $pat;
 232         print "ok ", ++ $tests, " - Unknown Unicode property \\p{$p}\n";
 233         undef $@;
 234         my $s = eval "'a' =~ /\\P{$p}/; 1";
 235         print "not " unless !$s && $@ && $@ =~ $pat;
 236         print "ok ", ++ $tests, " - Unknown Unicode property \\P{$p}\n";
 237         if (length $p == 1) {
 238             undef $@;
 239             my $r = eval "'a' =~ /\\p$p/; 1";
 240             print "not " unless !$r && $@ && $@ =~ $pat;
 241             print "ok ", ++ $tests, " - Unknown Unicode property \\p$p\n";
 242             undef $@;
 243             my $s = eval "'a' =~ /\\P$p/; 1";
 244             print "not " unless !$s && $@ && $@ =~ $pat;
 245             print "ok ", ++ $tests, " - Unknown Unicode property \\P$p\n";
 246         }
 247     }
 248 }
 249
 250
 251 #
 252 # User defined properties
 253 #
 254
 255 sub InKana1 {<<'--'}
 256 3040    309F
 257 30A0    30FF
 258 --
 259
 260 sub InKana2 {<<'--'}
 261 +utf8::InHiragana
 262 +utf8::InKatakana
 263 --
 264
 265 sub InKana3 {<<'--'}
 266 +utf8::InHiragana
 267 +utf8::InKatakana
 268 -utf8::IsCn
 269 --
 270
 271 sub InNotKana {<<'--'}
 272 !utf8::InHiragana
 273 -utf8::InKatakana
 274 +utf8::IsCn
 275 --
 276
 277 sub InConsonant {<<'--'}   # Not EBCDIC-aware.
 278 0061 007f
 279 -0061
 280 -0065
 281 -0069
 282 -006f
 283 -0075
 284 --
 285
 286 sub IsSyriac1 {<<'--'}
 287 0712    072C
 288 0730    074A
 289 --
 290
 291 sub Syriac1 {<<'--'}
 292 0712    072C
 293 0730    074A
 294 --
 295
 296 sub InGreekSmall   {return "03B1\t03C9"}
 297 sub InGreekCapital {return "0391\t03A9\n-03A2"}
 298
 299 sub AsciiHexAndDash {<<'--'}
 300 +utf8::ASCII_Hex_Digit
 301 +utf8::Dash
 302 --
 303
 304 __END__