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 Data::Dumper;
   8 $Data::Dumper::Useqq= 1;
   9 our $hex_fmt= "0x%02X";
  10
  11 sub DEBUG () { 0 }
  12 $|=1 if DEBUG;
  13
  14 require './regen/regen_lib.pl';
  15 require './regen/charset_translations.pl';
  16 require "./regen/regcharclass_multi_char_folds.pl";
  17
  18 =head1 NAME
  19
  20 CharClass::Matcher -- Generate C macros that match character classes efficiently
  21
  22 =head1 SYNOPSIS
  23
  24     perl regen/regcharclass.pl
  25
  26 =head1 DESCRIPTION
  27
  28 Dynamically generates macros for detecting special charclasses
  29 in latin-1, utf8, and codepoint forms. Macros can be set to return
  30 the length (in bytes) of the matched codepoint, and/or the codepoint itself.
  31
  32 To regenerate F<regcharclass.h>, run this script from perl-root. No arguments
  33 are necessary.
  34
  35 Using WHATEVER as an example the following macros can be produced, depending
  36 on the input parameters (how to get each is described by internal comments at
  37 the C<__DATA__> line):
  38
  39 =over 4
  40
  41 =item C<is_WHATEVER(s,is_utf8)>
  42
  43 =item C<is_WHATEVER_safe(s,e,is_utf8)>
  44
  45 Do a lookup as appropriate based on the C<is_utf8> flag. When possible
  46 comparisons involving octet<128 are done before checking the C<is_utf8>
  47 flag, hopefully saving time.
  48
  49 The version without the C<_safe> suffix should be used only when the input is
  50 known to be well-formed.
  51
  52 =item C<is_WHATEVER_utf8(s)>
  53
  54 =item C<is_WHATEVER_utf8_safe(s,e)>
  55
  56 Do a lookup assuming the string is encoded in (normalized) UTF8.
  57
  58 The version without the C<_safe> suffix should be used only when the input is
  59 known to be well-formed.
  60
  61 =item C<is_WHATEVER_latin1(s)>
  62
  63 =item C<is_WHATEVER_latin1_safe(s,e)>
  64
  65 Do a lookup assuming the string is encoded in latin-1 (aka plan octets).
  66
  67 The version without the C<_safe> suffix should be used only when it is known
  68 that C<s> contains at least one character.
  69
  70 =item C<is_WHATEVER_cp(cp)>
  71
  72 Check to see if the string matches a given codepoint (hypothetically a
  73 U32). The condition is constructed as to "break out" as early as
  74 possible if the codepoint is out of range of the condition.
  75
  76 IOW:
  77
  78   (cp==X || (cp>X && (cp==Y || (cp>Y && ...))))
  79
  80 Thus if the character is X+1 only two comparisons will be done. Making
  81 matching lookups slower, but non-matching faster.
  82
  83 =item C<what_len_WHATEVER_FOO(arg1, ..., len)>
  84
  85 A variant form of each of the macro types described above can be generated, in
  86 which the code point is returned by the macro, and an extra parameter (in the
  87 final position) is added, which is a pointer for the macro to set the byte
  88 length of the returned code point.
  89
  90 These forms all have a C<what_len> prefix instead of the C<is_>, for example
  91 C<what_len_WHATEVER_safe(s,e,is_utf8,len)> and
  92 C<what_len_WHATEVER_utf8(s,len)>.
  93
  94 These forms should not be used I<except> on small sets of mostly widely
  95 separated code points; otherwise the code generated is inefficient.  For these
  96 cases, it is best to use the C<is_> forms, and then find the code point with
  97 C<utf8_to_uvchr_buf>().  This program can fail with a "deep recursion"
  98 message on the worst of the inappropriate sets.  Examine the generated macro
  99 to see if it is acceptable.
 100
 101 =item C<what_WHATEVER_FOO(arg1, ...)>
 102
 103 A variant form of each of the C<is_> macro types described above can be generated, in
 104 which the code point and not the length is returned by the macro.  These have
 105 the same caveat as L</what_len_WHATEVER_FOO(arg1, ..., len)>, plus they should
 106 not be used where the set contains a NULL, as 0 is returned for two different
 107 cases: a) the set doesn't include the input code point; b) the set does
 108 include it, and it is a NULL.
 109
 110 =back
 111
 112 The above isn't quite complete, as for specialized purposes one can get a
 113 macro like C<is_WHATEVER_utf8_no_length_checks(s)>, which assumes that it is
 114 already known that there is enough space to hold the character starting at
 115 C<s>, but otherwise checks that it is well-formed.  In other words, this is
 116 intermediary in checking between C<is_WHATEVER_utf8(s)> and
 117 C<is_WHATEVER_utf8_safe(s,e)>.
 118
 119 =head2 CODE FORMAT
 120
 121 perltidy  -st -bt=1 -bbt=0 -pt=0 -sbt=1 -ce -nwls== "%f"
 122
 123
 124 =head1 AUTHOR
 125
 126 Author: Yves Orton (demerphq) 2007.  Maintained by Perl5 Porters.
 127
 128 =head1 BUGS
 129
 130 No tests directly here (although the regex engine will fail tests
 131 if this code is broken). Insufficient documentation and no Getopts
 132 handler for using the module as a script.
 133
 134 =head1 LICENSE
 135
 136 You may distribute under the terms of either the GNU General Public
 137 License or the Artistic License, as specified in the README file.
 138
 139 =cut
 140
 141 # Sub naming convention:
 142 # __func : private subroutine, can not be called as a method
 143 # _func  : private method, not meant for external use
 144 # func   : public method.
 145
 146 # private subs
 147 #-------------------------------------------------------------------------------
 148 #
 149 # ($cp,$n,$l,$u)=__uni_latin($str);
 150 #
 151 # Return a list of arrays, each of which when interpreted correctly
 152 # represent the string in some given encoding with specific conditions.
 153 #
 154 # $cp - list of codepoints that make up the string.
 155 # $n  - list of octets that make up the string if all codepoints are invariant
 156 #       regardless of if the string is in UTF-8 or not.
 157 # $l  - list of octets that make up the string in latin1 encoding if all
 158 #       codepoints < 256, and at least one codepoint is UTF-8 variant.
 159 # $u  - list of octets that make up the string in utf8 if any codepoint is
 160 #       UTF-8 variant
 161 #
 162 #   High CP | Defined
 163 #-----------+----------
 164 #   0 - 127 : $n            (127/128 are the values for ASCII platforms)
 165 # 128 - 255 : $l, $u
 166 # 256 - ... : $u
 167 #
 168
 169 sub __uni_latin1 {
 170     my $charset= shift;
 171     my $str= shift;
 172     my $max= 0;
 173     my @cp;
 174     my @cp_high;
 175     my $only_has_invariants = 1;
 176     my $a2n = get_a2n($charset);
 177     for my $ch ( split //, $str ) {
 178         my $cp= ord $ch;
 179         $max= $cp if $max < $cp;
 180         if ($cp > 255) {
 181             push @cp, $cp;
 182             push @cp_high, $cp;
 183         }
 184         else {
 185             push @cp, $a2n->[$cp];
 186         }
 187     }
 188     my ( $n, $l, $u );
 189     $only_has_invariants = ($charset =~ /ascii/i) ? $max < 128 : $max < 160;
 190     if ($only_has_invariants) {
 191         $n= [@cp];
 192     } else {
 193         $l= [@cp] if $max && $max < 256;
 194
 195         my @u;
 196         for my $ch ( split //, $str ) {
 197             push @u, map { ord } split //, cp_2_utfbytes(ord $ch, $charset);
 198         }
 199         $u = \@u;
 200     }
 201     return ( \@cp, \@cp_high, $n, $l, $u );
 202 }
 203
 204 #
 205 # $clean= __clean($expr);
 206 #
 207 # Cleanup a ternary expression, removing unnecessary parens and apply some
 208 # simplifications using regexes.
 209 #
 210
 211 sub __clean {
 212     my ( $expr )= @_;
 213
 214     #return $expr;
 215
 216     our $parens;
 217     $parens= qr/ (?> \( (?> (?: (?> [^()]+ ) | (??{ $parens }) )* ) \) ) /x;
 218
 219     ## remove redundant parens
 220     1 while $expr =~ s/ \( \s* ( $parens ) \s* \) /$1/gx;
 221
 222
 223     # repeatedly simplify conditions like
 224     #       ( (cond1) ? ( (cond2) ? X : Y ) : Y )
 225     # into
 226     #       ( ( (cond1) && (cond2) ) ? X : Y )
 227     # Also similarly handles expressions like:
 228     #       : (cond1) ? ( (cond2) ? X : Y ) : Y )
 229     # Note the inclusion of the close paren in ([:()]) and the open paren in ([()]) is
 230     # purely to ensure we have a balanced set of parens in the expression which makes
 231     # it easier to understand the pattern in an editor that understands paren's, we do
 232     # not expect either of these cases to actually fire. - Yves
 233     1 while $expr =~ s/
 234         ([:()])  \s*
 235             ($parens) \s*
 236             \? \s*
 237                 \( \s* ($parens) \s*
 238                     \? \s* ($parens|[^()?:\s]+?) \s*
 239                     :  \s* ($parens|[^()?:\s]+?) \s*
 240                 \) \s*
 241             : \s* \5 \s*
 242         ([()])
 243     /$1 ( $2 && $3 ) ? $4 : $5 $6/gx;
 244     #$expr=~s/\(\(U8\*\)s\)\[(\d+)\]/S$1/g if length $expr > 8000;
 245     #$expr=~s/\s+//g if length $expr > 8000;
 246
 247     die "Expression too long" if length $expr > 8000;
 248
 249     return $expr;
 250 }
 251
 252 #
 253 # $text= __macro(@args);
 254 # Join args together by newlines, and then neatly add backslashes to the end
 255 # of every  line as expected by the C pre-processor for #define's.
 256 #
 257
 258 sub __macro {
 259     my $str= join "\n", @_;
 260     $str =~ s/\s*$//;
 261     my @lines= map { s/\s+$//; s/\t/        /g; $_ } split /\n/, $str;
 262     my $last= pop @lines;
 263     $str= join "\n", ( map { sprintf "%-76s\\", $_ } @lines ), $last;
 264     1 while $str =~ s/^(\t*) {8}/$1\t/gm;
 265     return $str . "\n";
 266 }
 267
 268 #
 269 # my $op=__incrdepth($op);
 270 #
 271 # take an 'op' hashref and add one to it and all its childrens depths.
 272 #
 273
 274 sub __incrdepth {
 275     my $op= shift;
 276     return unless ref $op;
 277     $op->{depth} += 1;
 278     __incrdepth( $op->{yes} );
 279     __incrdepth( $op->{no} );
 280     return $op;
 281 }
 282
 283 # join two branches of an opcode together with a condition, incrementing
 284 # the depth on the yes branch when we do so.
 285 # returns the new root opcode of the tree.
 286 sub __cond_join {
 287     my ( $cond, $yes, $no )= @_;
 288     if (ref $yes) {
 289         return {
 290             test  => $cond,
 291             yes   => __incrdepth( $yes ),
 292             no    => $no,
 293             depth => 0,
 294         };
 295     }
 296     else {
 297         return {
 298             test  => $cond,
 299             yes   => $yes,
 300             no    => __incrdepth($no),
 301             depth => 0,
 302         };
 303     }
 304 }
 305
 306 # Methods
 307
 308 # constructor
 309 #
 310 # my $obj=CLASS->new(op=>'SOMENAME',title=>'blah',txt=>[..]);
 311 #
 312 # Create a new CharClass::Matcher object by parsing the text in
 313 # the txt array. Currently applies the following rules:
 314 #
 315 # Element starts with C<0x>, line is evaled the result treated as
 316 # a number which is passed to chr().
 317 #
 318 # Element starts with C<">, line is evaled and the result treated
 319 # as a string.
 320 #
 321 # Each string is then stored in the 'strs' subhash as a hash record
 322 # made up of the results of __uni_latin1, using the keynames
 323 # 'low','latin1','utf8', as well as the synthesized 'LATIN1', 'high', and
 324 # 'UTF8' which hold a merge of 'low' and their lowercase equivalents.
 325 #
 326 # Size data is tracked per type in the 'size' subhash.
 327 #
 328 # Return an object
 329 #
 330 sub new {
 331     my $class= shift;
 332     my %opt= @_;
 333     for ( qw(op txt) ) {
 334         die "in " . __PACKAGE__ . " constructor '$_;' is a mandatory field"
 335           if !exists $opt{$_};
 336     }
 337
 338     my $self= bless {
 339         op    => $opt{op},
 340         title => $opt{title} || '',
 341     }, $class;
 342     foreach my $txt ( @{ $opt{txt} } ) {
 343         my $str= $txt;
 344         if ( $str =~ /^[""]/ ) {
 345             $str= eval $str;
 346         } elsif ($str =~ / - /x ) { # A range:  Replace this element on the
 347                                     # list with its expansion
 348             my ($lower, $upper) = $str =~ / 0x (.+?) \s* - \s* 0x (.+) /x;
 349             die "Format must be like '0xDEAD - 0xBEAF'; instead was '$str'" if ! defined $lower || ! defined $upper;
 350             foreach my $cp (hex $lower .. hex $upper) {
 351                 push @{$opt{txt}}, sprintf "0x%X", $cp;
 352             }
 353             next;
 354         } elsif ($str =~ s/ ^ N (?= 0x ) //x ) {
 355             # Otherwise undocumented, a leading N means is already in the
 356             # native character set; don't convert.
 357             $str= chr eval $str;
 358         } elsif ( $str =~ /^0x/ ) {
 359             $str= eval $str;
 360             $str = chr $str;
 361         } elsif ( $str =~ / \s* \\p \{ ( .*? ) \} /x) {
 362             my $property = $1;
 363             use Unicode::UCD qw(prop_invlist);
 364
 365             my @invlist = prop_invlist($property, '_perl_core_internal_ok');
 366             if (! @invlist) {
 367
 368                 # An empty return could mean an unknown property, or merely
 369                 # that it is empty.  Call in scalar context to differentiate
 370                 my $count = prop_invlist($property, '_perl_core_internal_ok');
 371                 die "$property not found" unless defined $count;
 372             }
 373
 374             # Replace this element on the list with the property's expansion
 375             for (my $i = 0; $i < @invlist; $i += 2) {
 376                 foreach my $cp ($invlist[$i] .. $invlist[$i+1] - 1) {
 377
 378                     # prop_invlist() returns native values; add leading 'N'
 379                     # to indicate that.
 380                     push @{$opt{txt}}, sprintf "N0x%X", $cp;
 381                 }
 382             }
 383             next;
 384         } elsif ($str =~ / ^ do \s+ ( .* ) /x) {
 385             die "do '$1' failed: $!$@" if ! do $1 or $@;
 386             next;
 387         } elsif ($str =~ / ^ & \s* ( .* ) /x) { # user-furnished sub() call
 388             my @results = eval "$1";
 389             die "eval '$1' failed: $@" if $@;
 390             push @{$opt{txt}}, @results;
 391             next;
 392         } else {
 393             die "Unparsable line: $txt\n";
 394         }
 395         my ( $cp, $cp_high, $low, $latin1, $utf8 )= __uni_latin1( $opt{charset}, $str );
 396         my $UTF8= $low   || $utf8;
 397         my $LATIN1= $low || $latin1;
 398         my $high = (scalar grep { $_ < 256 } @$cp) ? 0 : $utf8;
 399         #die Dumper($txt,$cp,$low,$latin1,$utf8)
 400         #    if $txt=~/NEL/ or $utf8 and @$utf8>3;
 401
 402         @{ $self->{strs}{$str} }{qw( str txt low utf8 latin1 high cp cp_high UTF8 LATIN1 )}=
 403           ( $str, $txt, $low, $utf8, $latin1, $high, $cp, $cp_high, $UTF8, $LATIN1 );
 404         my $rec= $self->{strs}{$str};
 405         foreach my $key ( qw(low utf8 latin1 high cp cp_high UTF8 LATIN1) ) {
 406             $self->{size}{$key}{ 0 + @{ $self->{strs}{$str}{$key} } }++
 407               if $self->{strs}{$str}{$key};
 408         }
 409         $self->{has_multi} ||= @$cp > 1;
 410         $self->{has_ascii} ||= $latin1 && @$latin1;
 411         $self->{has_low}   ||= $low && @$low;
 412         $self->{has_high}  ||= !$low && !$latin1;
 413     }
 414     $self->{val_fmt}= $hex_fmt;
 415     $self->{count}= 0 + keys %{ $self->{strs} };
 416     return $self;
 417 }
 418
 419 # my $trie = make_trie($type,$maxlen);
 420 #
 421 # using the data stored in the object build a trie of a specific type,
 422 # and with specific maximum depth. The trie is made up the elements of
 423 # the given types array for each string in the object (assuming it is
 424 # not too long.)
 425 #
 426 # returns the trie, or undef if there was no relevant data in the object.
 427 #
 428
 429 sub make_trie {
 430     my ( $self, $type, $maxlen )= @_;
 431
 432     my $strs= $self->{strs};
 433     my %trie;
 434     foreach my $rec ( values %$strs ) {
 435         die "panic: unknown type '$type'"
 436           if !exists $rec->{$type};
 437         my $dat= $rec->{$type};
 438         next unless $dat;
 439         next if $maxlen && @$dat > $maxlen;
 440         my $node= \%trie;
 441         foreach my $elem ( @$dat ) {
 442             $node->{$elem} ||= {};
 443             $node= $node->{$elem};
 444         }
 445         $node->{''}= $rec->{str};
 446     }
 447     return 0 + keys( %trie ) ? \%trie : undef;
 448 }
 449
 450 sub pop_count ($) {
 451     my $word = shift;
 452
 453     # This returns a list of the positions of the bits in the input word that
 454     # are 1.
 455
 456     my @positions;
 457     my $position = 0;
 458     while ($word) {
 459         push @positions, $position if $word & 1;
 460         $position++;
 461         $word >>= 1;
 462     }
 463     return @positions;
 464 }
 465
 466 # my $optree= _optree()
 467 #
 468 # recursively convert a trie to an optree where every node represents
 469 # an if else branch.
 470 #
 471 #
 472
 473 sub _optree {
 474     my ( $self, $trie, $test_type, $ret_type, $else, $depth )= @_;
 475     return unless defined $trie;
 476     if ( $self->{has_multi} and $ret_type =~ /cp|both/ ) {
 477         die "Can't do 'cp' optree from multi-codepoint strings";
 478     }
 479     $ret_type ||= 'len';
 480     $else= 0  unless defined $else;
 481     $depth= 0 unless defined $depth;
 482
 483     # if we have an empty string as a key it means we are in an
 484     # accepting state and unless we can match further on should
 485     # return the value of the '' key.
 486     if (exists $trie->{''} ) {
 487         # we can now update the "else" value, anything failing to match
 488         # after this point should return the value from this.
 489         if ( $ret_type eq 'cp' ) {
 490             $else= $self->{strs}{ $trie->{''} }{cp}[0];
 491             $else= sprintf "$self->{val_fmt}", $else if $else > 9;
 492         } elsif ( $ret_type eq 'len' ) {
 493             $else= $depth;
 494         } elsif ( $ret_type eq 'both') {
 495             $else= $self->{strs}{ $trie->{''} }{cp}[0];
 496             $else= sprintf "$self->{val_fmt}", $else if $else > 9;
 497             $else= "len=$depth, $else";
 498         }
 499     }
 500     # extract the meaningful keys from the trie, filter out '' as
 501     # it means we are an accepting state (end of sequence).
 502     my @conds= sort { $a <=> $b } grep { length $_ } keys %$trie;
 503
 504     # if we haven't any keys there is no further we can match and we
 505     # can return the "else" value.
 506     return $else if !@conds;
 507
 508     my $test = $test_type =~ /^cp/ ? "cp" : "((const U8*)s)[$depth]";
 509
 510     # First we loop over the possible keys/conditions and find out what they
 511     # look like; we group conditions with the same optree together.
 512     my %dmp_res;
 513     my @res_order;
 514     local $Data::Dumper::Sortkeys=1;
 515     foreach my $cond ( @conds ) {
 516
 517         # get the optree for this child/condition
 518         my $res= $self->_optree( $trie->{$cond}, $test_type, $ret_type, $else, $depth + 1 );
 519         # convert it to a string with Dumper
 520         my $res_code= Dumper( $res );
 521
 522         push @{$dmp_res{$res_code}{vals}}, $cond;
 523         if (!$dmp_res{$res_code}{optree}) {
 524             $dmp_res{$res_code}{optree}= $res;
 525             push @res_order, $res_code;
 526         }
 527     }
 528
 529     # now that we have deduped the optrees we construct a new optree containing the merged
 530     # results.
 531     my %root;
 532     my $node= \%root;
 533     foreach my $res_code_idx (0 .. $#res_order) {
 534         my $res_code= $res_order[$res_code_idx];
 535         $node->{vals}= $dmp_res{$res_code}{vals};
 536         $node->{test}= $test;
 537         $node->{yes}= $dmp_res{$res_code}{optree};
 538         $node->{depth}= $depth;
 539         if ($res_code_idx < $#res_order) {
 540             $node= $node->{no}= {};
 541         } else {
 542             $node->{no}= $else;
 543         }
 544     }
 545
 546     # return the optree.
 547     return \%root;
 548 }
 549
 550 # my $optree= optree(%opts);
 551 #
 552 # Convert a trie to an optree, wrapper for _optree
 553
 554 sub optree {
 555     my $self= shift;
 556     my %opt= @_;
 557     my $trie= $self->make_trie( $opt{type}, $opt{max_depth} );
 558     $opt{ret_type} ||= 'len';
 559     my $test_type= $opt{type} =~ /^cp/ ? 'cp' : 'depth';
 560     return $self->_optree( $trie, $test_type, $opt{ret_type}, $opt{else}, 0 );
 561 }
 562
 563 # my $optree= generic_optree(%opts);
 564 #
 565 # build a "generic" optree out of the three 'low', 'latin1', 'utf8'
 566 # sets of strings, including a branch for handling the string type check.
 567 #
 568
 569 sub generic_optree {
 570     my $self= shift;
 571     my %opt= @_;
 572
 573     $opt{ret_type} ||= 'len';
 574     my $test_type= 'depth';
 575     my $else= $opt{else} || 0;
 576
 577     my $latin1= $self->make_trie( 'latin1', $opt{max_depth} );
 578     my $utf8= $self->make_trie( 'utf8',     $opt{max_depth} );
 579
 580     $_= $self->_optree( $_, $test_type, $opt{ret_type}, $else, 0 )
 581       for $latin1, $utf8;
 582
 583     if ( $utf8 ) {
 584         $else= __cond_join( "( is_utf8 )", $utf8, $latin1 || $else );
 585     } elsif ( $latin1 ) {
 586         $else= __cond_join( "!( is_utf8 )", $latin1, $else );
 587     }
 588     if ($opt{type} eq 'generic') {
 589         my $low= $self->make_trie( 'low', $opt{max_depth} );
 590         if ( $low ) {
 591             $else= $self->_optree( $low, $test_type, $opt{ret_type}, $else, 0 );
 592         }
 593     }
 594
 595     return $else;
 596 }
 597
 598 # length_optree()
 599 #
 600 # create a string length guarded optree.
 601 #
 602
 603 sub length_optree {
 604     my $self= shift;
 605     my %opt= @_;
 606     my $type= $opt{type};
 607
 608     die "Can't do a length_optree on type 'cp', makes no sense."
 609       if $type =~ /^cp/;
 610
 611     my $else= ( $opt{else} ||= 0 );
 612
 613     return $else if $self->{count} == 0;
 614
 615     my $method = $type =~ /generic/ ? 'generic_optree' : 'optree';
 616     if ($method eq 'optree' && scalar keys %{$self->{size}{$type}} == 1) {
 617
 618         # Here is non-generic output (meaning that we are only generating one
 619         # type), and all things that match have the same number ('size') of
 620         # bytes.  The length guard is simply that we have that number of
 621         # bytes.
 622         my @size = keys %{$self->{size}{$type}};
 623         my $cond= "((e) - (s)) >= $size[0]";
 624         my $optree = $self->$method(%opt);
 625         $else= __cond_join( $cond, $optree, $else );
 626     }
 627     elsif ($self->{has_multi}) {
 628         my @size;
 629
 630         # Here, there can be a match of a multiple character string.  We use
 631         # the traditional method which is to have a branch for each possible
 632         # size (longest first) and test for the legal values for that size.
 633         my %sizes= (
 634             %{ $self->{size}{low}    || {} },
 635             %{ $self->{size}{latin1} || {} },
 636             %{ $self->{size}{utf8}   || {} }
 637         );
 638         if ($method eq 'generic_optree') {
 639             @size= sort { $a <=> $b } keys %sizes;
 640         } else {
 641             @size= sort { $a <=> $b } keys %{ $self->{size}{$type} };
 642         }
 643         for my $size ( @size ) {
 644             my $optree= $self->$method( %opt, type => $type, max_depth => $size );
 645             my $cond= "((e)-(s) > " . ( $size - 1 ).")";
 646             $else= __cond_join( $cond, $optree, $else );
 647         }
 648     }
 649     else {
 650         my $utf8;
 651
 652         # Here, has more than one possible size, and only matches a single
 653         # character.  For non-utf8, the needed length is 1; for utf8, it is
 654         # found by array lookup 'UTF8SKIP'.
 655
 656         # If want just the code points above 255, set up to look for those;
 657         # otherwise assume will be looking for all non-UTF-8-invariant code
 658         # poiints.
 659         my $trie_type = ($type eq 'high') ? 'high' : 'utf8';
 660
 661         # If we do want more than the 0-255 range, find those, and if they
 662         # exist...
 663         if ($opt{type} !~ /latin1/i && ($utf8 = $self->make_trie($trie_type, 0))) {
 664
 665             # ... get them into an optree, and set them up as the 'else' clause
 666             $utf8 = $self->_optree( $utf8, 'depth', $opt{ret_type}, 0, 0 );
 667
 668             # We could make this
 669             #   UTF8_IS_START(*s) && ((e) - (s)) >= UTF8SKIP(s))";
 670             # to avoid doing the UTF8SKIP and subsequent branches for invariants
 671             # that don't match.  But the current macros that get generated
 672             # have only a few things that can match past this, so I (khw)
 673             # don't think it is worth it.  (Even better would be to use
 674             # calculate_mask(keys %$utf8) instead of UTF8_IS_START, and use it
 675             # if it saves a bunch.  We assume that input text likely to be
 676             # well-formed .
 677             my $cond = "LIKELY(((e) - (s)) >= UTF8SKIP(s))";
 678             $else = __cond_join($cond, $utf8, $else);
 679
 680             # For 'generic', we also will want the latin1 UTF-8 variants for
 681             # the case where the input isn't UTF-8.
 682             my $latin1;
 683             if ($method eq 'generic_optree') {
 684                 $latin1 = $self->make_trie( 'latin1', 1);
 685                 $latin1= $self->_optree( $latin1, 'depth', $opt{ret_type}, 0, 0 );
 686             }
 687
 688             # If we want the UTF-8 invariants, get those.
 689             my $low;
 690             if ($opt{type} !~ /non_low|high/
 691                 && ($low= $self->make_trie( 'low', 1)))
 692             {
 693                 $low= $self->_optree( $low, 'depth', $opt{ret_type}, 0, 0 );
 694
 695                 # Expand out the UTF-8 invariants as a string so that we
 696                 # can use them as the conditional
 697                 $low = $self->_cond_as_str( $low, 0, \%opt);
 698
 699                 # If there are Latin1 variants, add a test for them.
 700                 if ($latin1) {
 701                     $else = __cond_join("(! is_utf8 )", $latin1, $else);
 702                 }
 703                 elsif ($method eq 'generic_optree') {
 704
 705                     # Otherwise for 'generic' only we know that what
 706                     # follows must be valid for just UTF-8 strings,
 707                     $else->{test} = "( is_utf8 && $else->{test} )";
 708                 }
 709
 710                 # If the invariants match, we are done; otherwise we have
 711                 # to go to the 'else' clause.
 712                 $else = __cond_join($low, 1, $else);
 713             }
 714             elsif ($latin1) {   # Here, didn't want or didn't have invariants,
 715                                 # but we do have latin variants
 716                 $else = __cond_join("(! is_utf8)", $latin1, $else);
 717             }
 718
 719             # We need at least one byte available to start off the tests
 720             $else = __cond_join("LIKELY((e) > (s))", $else, 0);
 721         }
 722         else {  # Here, we don't want or there aren't any variants.  A single
 723                 # byte available is enough.
 724             my $cond= "((e) > (s))";
 725             my $optree = $self->$method(%opt);
 726             $else= __cond_join( $cond, $optree, $else );
 727         }
 728     }
 729
 730     return $else;
 731 }
 732
 733 sub calculate_mask(@) {
 734     # Look at the input list of byte values.  This routine returns an array of
 735     # mask/base pairs to generate that list.
 736
 737     my @list = @_;
 738     my $list_count = @list;
 739
 740     # Consider a set of byte values, A, B, C ....  If we want to determine if
 741     # <c> is one of them, we can write c==A || c==B || c==C ....  If the
 742     # values are consecutive, we can shorten that to inRANGE(c, 'A', 'Z'),
 743     # which uses far fewer branches.  If only some of them are consecutive we
 744     # can still save some branches by creating range tests for just those that
 745     # are consecutive. _cond_as_str() does this work for looking for ranges.
 746     #
 747     # Another approach is to look at the bit patterns for A, B, C .... and see
 748     # if they have some commonalities.  That's what this function does.  For
 749     # example, consider a set consisting of the bytes
 750     # 0x42, 0x43, 0x62, and 0x63.  We could write:
 751     #   inRANGE(c, 0x42, 0x43) || inRANGE(c, 0x62, 0x63)
 752     # which through the magic of casting has not 4, but 2 tests.  But the
 753     # following mask/compare also works, and has just one test:
 754     #   (c & 0xDE) == 0x42
 755     # The reason it works is that the set consists of exactly the 4 bit
 756     # patterns which have either 0 or 1 in the two bit positions that are 0 in
 757     # the mask.  They have the same value in each bit position where the mask
 758     # is 1.  The comparison makes sure that the result matches all bytes which
 759     # match those six 1 bits exactly.  This can be applied to bytes that
 760     # differ in 1 through all 8 bit positions.  In order to be a candidate for
 761     # this optimization, the number of bytes in the set must be a power of 2.
 762     #
 763     # It may be that the bytes needing to be matched can't be done with a
 764     # single mask.  But it may be possible to have two (or more) sets, each
 765     # with a separate mask.  This function attempts to find some way to save
 766     # some branches using the mask technique.  If not, it returns an empty
 767     # list; if so, it returns a list consisting of
 768     #   [ [compare1, mask1], [compare2, mask2], ...
 769     #     [compare_n, undef], [compare_m, undef], ...
 770     #   ]
 771     # The <mask> is undef in the above for those bytes that must be tested
 772     # for individually.
 773     #
 774     # This function does not attempt to find the optimal set.  To do so would
 775     # probably require testing all possible combinations, and keeping track of
 776     # the current best one.
 777     #
 778     # There are probably much better algorithms, but this is the one I (khw)
 779     # came up with.  We start with doing a bit-wise compare of every byte in
 780     # the set with every other byte.  The results are sorted into arrays of
 781     # all those that differ by the same bit positions.  These are stored in a
 782     # hash with the each key being the bits they differ in.  Here is the hash
 783     # for the 0x53, 0x54, 0x73, 0x74 set:
 784     # {
 785     #    4 => {
 786     #            "0,1,2,5" => [
 787     #                            83,
 788     #                            116,
 789     #                            84,
 790     #                            115
 791     #                        ]
 792     #        },
 793     #    3 => {
 794     #            "0,1,2" => [
 795     #                        83,
 796     #                        84,
 797     #                        115,
 798     #                        116
 799     #                        ]
 800     #        }
 801     #    1 => {
 802     #            5 => [
 803     #                    83,
 804     #                    115,
 805     #                    84,
 806     #                    116
 807     #                ]
 808     #        },
 809     # }
 810     #
 811     # The set consisting of values which differ in the 4 bit positions 0, 1,
 812     # 2, and 5 from some other value in the set consists of all 4 values.
 813     # Likewise all 4 values differ from some other value in the 3 bit
 814     # positions 0, 1, and 2; and all 4 values differ from some other value in
 815     # the single bit position 5.  The keys at the uppermost level in the above
 816     # hash, 1, 3, and 4, give the number of bit positions that each sub-key
 817     # below it has.  For example, the 4 key could have as its value an array
 818     # consisting of "0,1,2,5", "0,1,2,6", and "3,4,6,7", if the inputs were
 819     # such.  The best optimization will group the most values into a single
 820     # mask.  The most values will be the ones that differ in the most
 821     # positions, the ones with the largest value for the topmost key.  These
 822     # keys, are thus just for convenience of sorting by that number, and do
 823     # not have any bearing on the core of the algorithm.
 824     #
 825     # We start with an element from largest number of differing bits.  The
 826     # largest in this case is 4 bits, and there is only one situation in this
 827     # set which has 4 differing bits, "0,1,2,5".  We look for any subset of
 828     # this set which has 16 values that differ in these 4 bits.  There aren't
 829     # any, because there are only 4 values in the entire set.  We then look at
 830     # the next possible thing, which is 3 bits differing in positions "0,1,2".
 831     # We look for a subset that has 8 values that differ in these 3 bits.
 832     # Again there are none.  So we go to look for the next possible thing,
 833     # which is a subset of 2**1 values that differ only in bit position 5.  83
 834     # and 115 do, so we calculate a mask and base for those and remove them
 835     # from every set.  Since there is only the one set remaining, we remove
 836     # them from just this one.  We then look to see if there is another set of
 837     # 2 values that differ in bit position 5.  84 and 116 do, so we calculate
 838     # a mask and base for those and remove them from every set (again only
 839     # this set remains in this example).  The set is now empty, and there are
 840     # no more sets to look at, so we are done.
 841
 842     if ($list_count == 256) {   # All 256 is trivially masked
 843         return (0, 0);
 844     }
 845
 846     my %hash;
 847
 848     # Generate bits-differing lists for each element compared against each
 849     # other element
 850     for my $i (0 .. $list_count - 2) {
 851         for my $j ($i + 1 .. $list_count - 1) {
 852             my @bits_that_differ = pop_count($list[$i] ^ $list[$j]);
 853             my $differ_count = @bits_that_differ;
 854             my $key = join ",", @bits_that_differ;
 855             push @{$hash{$differ_count}{$key}}, $list[$i] unless grep { $_ == $list[$i] } @{$hash{$differ_count}{$key}};
 856             push @{$hash{$differ_count}{$key}}, $list[$j];
 857         }
 858     }
 859
 860     print STDERR __LINE__, ": calculate_mask() called:  List of values grouped by differing bits: ", Dumper \%hash if DEBUG;
 861
 862     my @final_results;
 863     foreach my $count (reverse sort { $a <=> $b } keys %hash) {
 864         my $need = 2 ** $count;     # Need 8 values for 3 differing bits, etc
 865         foreach my $bits (sort keys $hash{$count}->%*) {
 866
 867             print STDERR __LINE__, ": For $count bit(s) difference ($bits), need $need; have ", scalar @{$hash{$count}{$bits}}, "\n" if DEBUG;
 868
 869             # Look only as long as there are at least as many elements in the
 870             # subset as are needed
 871             while ((my $cur_count = @{$hash{$count}{$bits}}) >= $need) {
 872
 873                 print STDERR __LINE__, ": Looking at bit positions ($bits): ", Dumper $hash{$count}{$bits} if DEBUG;
 874
 875                 # Start with the first element in it
 876                 my $try_base = $hash{$count}{$bits}[0];
 877                 my @subset = $try_base;
 878
 879                 # If it succeeds, we return a mask and a base to compare
 880                 # against the masked value.  That base will be the AND of
 881                 # every element in the subset.  Initialize to the one element
 882                 # we have so far.
 883                 my $compare = $try_base;
 884
 885                 # We are trying to find a subset of this that has <need>
 886                 # elements that differ in the bit positions given by the
 887                 # string $bits, which is comma separated.
 888                 my @bits = split ",", $bits;
 889
 890                 TRY: # Look through the remainder of the list for other
 891                      # elements that differ only by these bit positions.
 892
 893                 for (my $i = 1; $i < $cur_count; $i++) {
 894                     my $try_this = $hash{$count}{$bits}[$i];
 895                     my @positions = pop_count($try_base ^ $try_this);
 896
 897                     print STDERR __LINE__, ": $try_base vs $try_this: is (", join(',', @positions), ") a subset of ($bits)?" if DEBUG;;
 898
 899                     foreach my $pos (@positions) {
 900                         unless (grep { $pos == $_ } @bits) {
 901                             print STDERR "  No\n" if DEBUG;
 902                             my $remaining = $cur_count - $i - 1;
 903                             if ($remaining && @subset + $remaining < $need) {
 904                                 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;
 905                                 last TRY;
 906                             }
 907                             next TRY;
 908                         }
 909                     }
 910
 911                     print STDERR "  Yes\n" if DEBUG;
 912                     push @subset, $try_this;
 913
 914                     # Add this to the mask base, in case it ultimately
 915                     # succeeds,
 916                     $compare &= $try_this;
 917                 }
 918
 919                 print STDERR __LINE__, ": subset (", join(", ", @subset), ") has ", scalar @subset, " elements; needs $need\n" if DEBUG;
 920
 921                 if (@subset < $need) {
 922                     shift @{$hash{$count}{$bits}};
 923                     next;   # Try with next value
 924                 }
 925
 926                 # Create the mask
 927                 my $mask = 0;
 928                 foreach my $position (@bits) {
 929                     $mask |= 1 << $position;
 930                 }
 931                 $mask = ~$mask & 0xFF;
 932                 push @final_results, [$compare, $mask];
 933
 934                 printf STDERR "%d: Got it: compare=%d=0x%X; mask=%X\n", __LINE__, $compare, $compare, $mask if DEBUG;
 935
 936                 # These values are now spoken for.  Remove them from future
 937                 # consideration
 938                 foreach my $remove_count (sort keys %hash) {
 939                     foreach my $bits (sort keys %{$hash{$remove_count}}) {
 940                         foreach my $to_remove (@subset) {
 941                             @{$hash{$remove_count}{$bits}} = grep { $_ != $to_remove } @{$hash{$remove_count}{$bits}};
 942                         }
 943                     }
 944                 }
 945             }
 946         }
 947     }
 948
 949     # Any values that remain in the list are ones that have to be tested for
 950     # individually.
 951     my @individuals;
 952     foreach my $count (reverse sort { $a <=> $b } keys %hash) {
 953         foreach my $bits (sort keys $hash{$count}->%*) {
 954             foreach my $remaining (@{$hash{$count}{$bits}}) {
 955
 956                 # If we already know about this value, just ignore it.
 957                 next if grep { $remaining == $_ } @individuals;
 958
 959                 # Otherwise it needs to be returned as something to match
 960                 # individually
 961                 push @final_results, [$remaining, undef];
 962                 push @individuals, $remaining;
 963             }
 964         }
 965     }
 966
 967     # Sort by increasing numeric value
 968     @final_results = sort { $a->[0] <=> $b->[0] } @final_results;
 969
 970     print STDERR __LINE__, ": Final return: ", Dumper \@final_results if DEBUG;
 971
 972     return @final_results;
 973 }
 974
 975 # _cond_as_str
 976 # turn a list of conditions into a text expression
 977 # - merges ranges of conditions, and joins the result with ||
 978 sub _cond_as_str {
 979     my ( $self, $op, $combine, $opts_ref )= @_;
 980     my $cond= $op->{vals};
 981     my $test= $op->{test};
 982     my $is_cp_ret = $opts_ref->{ret_type} eq "cp";
 983     return "( $test )" if !defined $cond;
 984
 985     # rangify the list.
 986     my @ranges;
 987     my $Update= sub {
 988         # We skip this if there are optimizations that
 989         # we can apply (below) to the individual ranges
 990         if ( ($is_cp_ret || $combine) && @ranges && ref $ranges[-1]) {
 991             if ( $ranges[-1][0] == $ranges[-1][1] ) {
 992                 $ranges[-1]= $ranges[-1][0];
 993             } elsif ( $ranges[-1][0] + 1 == $ranges[-1][1] ) {
 994                 $ranges[-1]= $ranges[-1][0];
 995                 push @ranges, $ranges[-1] + 1;
 996             }
 997         }
 998     };
 999     for my $condition ( @$cond ) {
1000         if ( !@ranges || $condition != $ranges[-1][1] + 1 ) {
1001             $Update->();
1002             push @ranges, [ $condition, $condition ];
1003         } else {
1004             $ranges[-1][1]++;
1005         }
1006     }
1007     $Update->();
1008
1009     return $self->_combine( $test, @ranges )
1010       if $combine;
1011
1012     if ($is_cp_ret) {
1013         @ranges= map {
1014             ref $_
1015             ? sprintf(
1016                 "isRANGE( $test, $self->{val_fmt}, $self->{val_fmt} )",
1017                 @$_ )
1018             : sprintf( "$self->{val_fmt} == $test", $_ );
1019         } @ranges;
1020
1021         return "( " . join( " || ", @ranges ) . " )";
1022     }
1023
1024     # If the input set has certain characteristics, we can optimize tests
1025     # for it.  This doesn't apply if returning the code point, as we want
1026     # each element of the set individually.  The code above is for this
1027     # simpler case.
1028
1029     return 1 if @$cond == 256;  # If all bytes match, is trivially true
1030
1031     my @masks;
1032     if (@ranges > 1) {
1033
1034         # See if the entire set shares optimizable characteristics, and if so,
1035         # return the optimization.  There is no need to do this on sets with
1036         # just a single range, as that can be expressed with a single
1037         # conditional.
1038         @masks = calculate_mask(@$cond);
1039
1040         # Stringify the output of calculate_mask()
1041         if (@masks) {
1042             my @return;
1043             foreach my $mask_ref (@masks) {
1044                 if (defined $mask_ref->[1]) {
1045                     push @return, sprintf "( ( $test & $self->{val_fmt} ) == $self->{val_fmt} )", $mask_ref->[1], $mask_ref->[0];
1046                 }
1047                 else {  # An undefined mask means to use the value as-is
1048                     push @return, sprintf "$test == $self->{val_fmt}", $mask_ref->[0];
1049                 }
1050             }
1051
1052             # The best possible case below for specifying this set of values via
1053             # ranges is 1 branch per range.  If our mask method yielded better
1054             # results, there is no sense trying something that is bound to be
1055             # worse.
1056             if (@return < @ranges) {
1057                 return "( " . join( " || ", @return ) . " )";
1058             }
1059
1060             @masks = @return;
1061         }
1062     }
1063
1064     # Here, there was no entire-class optimization that was clearly better
1065     # than doing things by ranges.  Look at each range.
1066     my $range_count_extra = 0;
1067     for (my $i = 0; $i < @ranges; $i++) {
1068         if (! ref $ranges[$i]) {    # Trivial case: no range
1069             $ranges[$i] = sprintf "$self->{val_fmt} == $test", $ranges[$i];
1070         }
1071         elsif ($ranges[$i]->[0] == $ranges[$i]->[1]) {
1072             $ranges[$i] =           # Trivial case: single element range
1073                     sprintf "$self->{val_fmt} == $test", $ranges[$i]->[0];
1074         }
1075         elsif ($ranges[$i]->[0] == 0) {
1076             # If the range matches all 256 possible bytes, it is trivially
1077             # true.
1078             return 1 if $ranges[0]->[1] == 0xFF;    # @ranges must be 1 in
1079                                                     # this case
1080             $ranges[$i] = sprintf "( $test <= $self->{val_fmt} )",
1081                                                                $ranges[$i]->[1];
1082         }
1083         elsif ($ranges[$i]->[1] == 255) {
1084
1085             # Similarly the max possible is 255, so can omit an upper bound
1086             # test if the calculated max is the max possible one.
1087             $ranges[$i] = sprintf "( $test >= $self->{val_fmt} )",
1088                                                                 $ranges[0]->[0];
1089         }
1090         else {
1091             my $output = "";
1092
1093             # Well-formed UTF-8 continuation bytes on ascii platforms must be
1094             # in the range 0x80 .. 0xBF.  If we know that the input is
1095             # well-formed (indicated by not trying to be 'safe'), we can omit
1096             # tests that verify that the input is within either of these
1097             # bounds.  (No legal UTF-8 character can begin with anything in
1098             # this range, so we don't have to worry about this being a
1099             # continuation byte or not.)
1100             if ($opts_ref->{charset} =~ /ascii/i
1101                 && (! $opts_ref->{safe} && ! $opts_ref->{no_length_checks})
1102                 && $opts_ref->{type} =~ / ^ (?: utf8 | high ) $ /xi)
1103             {
1104                 # If the range is the entire legal range, it matches any legal
1105                 # byte, so we can omit both tests.  (This should happen only
1106                 # if the number of ranges is 1.)
1107                 if ($ranges[$i]->[0] == 0x80 && $ranges[$i]->[1] == 0xBF) {
1108                     return 1;
1109                 }
1110             }
1111
1112             # Here, it isn't the full range of legal continuation bytes.  We
1113             # could just assume that there's nothing outside of the legal
1114             # bounds.  But inRANGE() allows us to have a single conditional,
1115             # so the only cost of making sure it's a legal UTF-8 continuation
1116             # byte is an extra subtraction instruction, a trivial expense.
1117             $ranges[$i] = sprintf("inRANGE($test, $self->{val_fmt},"
1118                                                 . " $self->{val_fmt} )",
1119                                         $ranges[$i]->[0], $ranges[$i]->[1]);
1120         }
1121     }
1122
1123     # We have generated the list of bytes in two ways; one trying to use masks
1124     # to cut the number of branches down, and the other to look at individual
1125     # ranges (some of which could be cut down by using a mask for just it).
1126     # We return whichever method uses the fewest branches.
1127     return "( "
1128            . join( " || ", (@masks && @masks < @ranges + $range_count_extra)
1129                             ? @masks
1130                             : @ranges)
1131            . " )";
1132 }
1133
1134 # _combine
1135 # recursively turn a list of conditions into a fast break-out condition
1136 # used by _cond_as_str() for 'cp' type macros.
1137 sub _combine {
1138     my ( $self, $test, @cond )= @_;
1139     return if !@cond;
1140     my $item= shift @cond;
1141     my ( $cstr, $gtv );
1142     if ( ref $item ) {  # @item should be a 2-element array giving range start
1143                         # and end
1144         if ($item->[0] == 0) {  # UV's are never negative, so skip "0 <= "
1145                                 # test which could generate a compiler warning
1146                                 # that test is always true
1147             $cstr= sprintf( "$test <= $self->{val_fmt}", $item->[1] );
1148         }
1149         else {
1150             $cstr=
1151           sprintf( "inRANGE($test, $self->{val_fmt}, $self->{val_fmt})",
1152                    @$item );
1153         }
1154         $gtv= sprintf "$self->{val_fmt}", $item->[1];
1155     } else {
1156         $cstr= sprintf( "$self->{val_fmt} == $test", $item );
1157         $gtv= sprintf "$self->{val_fmt}", $item;
1158     }
1159     if ( @cond ) {
1160         my $combine= $self->_combine( $test, @cond );
1161         if (@cond >1) {
1162             return "( $cstr || ( $gtv < $test &&\n"
1163                    . $combine . " ) )";
1164         } else {
1165             return "( $cstr || $combine )";
1166         }
1167     } else {
1168         return $cstr;
1169     }
1170 }
1171
1172 # _render()
1173 # recursively convert an optree to text with reasonably neat formatting
1174 sub _render {
1175     my ( $self, $op, $combine, $brace, $opts_ref, $def, $submacros )= @_;
1176     return 0 if ! defined $op;  # The set is empty
1177     if ( !ref $op ) {
1178         return $op;
1179     }
1180     my $cond= $self->_cond_as_str( $op, $combine, $opts_ref );
1181     #no warnings 'recursion';   # This would allow really really inefficient
1182                                 # code to be generated.  See pod
1183     my $yes= $self->_render( $op->{yes}, $combine, 1, $opts_ref, $def, $submacros );
1184     return $yes if $cond eq '1';
1185
1186     my $no= $self->_render( $op->{no},   $combine, 0, $opts_ref, $def, $submacros );
1187     return "( $cond )" if $yes eq '1' and $no eq '0';
1188     my ( $lb, $rb )= $brace ? ( "( ", " )" ) : ( "", "" );
1189     return "$lb$cond ? $yes : $no$rb"
1190       if !ref( $op->{yes} ) && !ref( $op->{no} );
1191     my $ind1= " " x 4;
1192     my $ind= "\n" . ( $ind1 x $op->{depth} );
1193
1194     if ( ref $op->{yes} ) {
1195         $yes= $ind . $ind1 . $yes;
1196     } else {
1197         $yes= " " . $yes;
1198     }
1199
1200     my $str= "$lb$cond ?$yes$ind: $no$rb";
1201     if (length $str > 6000) {
1202         push @$submacros, sprintf "#define $def\n( %s )", "_part" . (my $yes_idx= 0+@$submacros), $yes;
1203         push @$submacros, sprintf "#define $def\n( %s )", "_part" . (my $no_idx= 0+@$submacros), $no;
1204         return sprintf "%s%s ? $def : $def%s", $lb, $cond, "_part$yes_idx", "_part$no_idx", $rb;
1205     }
1206     return $str;
1207 }
1208
1209 # $expr=render($op,$combine)
1210 #
1211 # convert an optree to text with reasonably neat formatting. If $combine
1212 # is true then the condition is created using "fast breakouts" which
1213 # produce uglier expressions that are more efficient for common case,
1214 # longer lists such as that resulting from type 'cp' output.
1215 # Currently only used for type 'cp' macros.
1216 sub render {
1217     my ( $self, $op, $combine, $opts_ref, $def_fmt )= @_;
1218
1219     my @submacros;
1220     my $macro= sprintf "#define $def_fmt\n( %s )", "", $self->_render( $op, $combine, 0, $opts_ref, $def_fmt, \@submacros );
1221
1222     return join "\n\n", map { "/*** GENERATED CODE ***/\n" . __macro( __clean( $_ ) ) } @submacros, $macro;
1223 }
1224
1225 # make_macro
1226 # make a macro of a given type.
1227 # calls into make_trie and (generic_|length_)optree as needed
1228 # Opts are:
1229 # type             : 'cp','cp_high', 'generic','high','low','latin1','utf8','LATIN1','UTF8'
1230 # ret_type         : 'cp' or 'len'
1231 # safe             : don't assume is well-formed UTF-8, so don't skip any range
1232 #                    checks, and add length guards to macro
1233 # no_length_checks : like safe, but don't add length guards.
1234 #
1235 # type defaults to 'generic', and ret_type to 'len' unless type is 'cp'
1236 # in which case it defaults to 'cp' as well.
1237 #
1238 # It is illegal to do a type 'cp' macro on a pattern with multi-codepoint
1239 # sequences in it, as the generated macro will accept only a single codepoint
1240 # as an argument.
1241 #
1242 # It is also illegal to do a non-safe macro on a pattern with multi-codepoint
1243 # sequences in it, as even if it is known to be well-formed, we need to not
1244 # run off the end of the buffer when, say, the buffer ends with the first two
1245 # characters, but three are looked at by the macro.
1246 #
1247 # returns the macro.
1248
1249
1250 sub make_macro {
1251     my $self= shift;
1252     my %opts= @_;
1253     my $type= $opts{type} || 'generic';
1254     if ($self->{has_multi}) {
1255         if ($type =~ /^cp/) {
1256             die "Can't do a 'cp' on multi-codepoint character class '$self->{op}'"
1257         }
1258         elsif (! $opts{safe}) {
1259             die "'safe' is required on multi-codepoint character class '$self->{op}'"
1260         }
1261     }
1262     my $ret_type= $opts{ret_type} || ( $opts{type} =~ /^cp/ ? 'cp' : 'len' );
1263     my $method;
1264     if ( $opts{safe} ) {
1265         $method= 'length_optree';
1266     } elsif ( $type =~ /generic/ ) {
1267         $method= 'generic_optree';
1268     } else {
1269         $method= 'optree';
1270     }
1271     my @args= $type =~ /^cp/ ? 'cp' : 's';
1272     push @args, "e" if $opts{safe};
1273     push @args, "is_utf8" if $type =~ /generic/;
1274     push @args, "len" if $ret_type eq 'both';
1275     my $pfx= $ret_type eq 'both'    ? 'what_len_' :
1276              $ret_type eq 'cp'      ? 'what_'     : 'is_';
1277     my $ext= $type     =~ /generic/ ? ''          : '_' . lc( $type );
1278     $ext .= '_non_low' if $type eq 'generic_non_low';
1279     $ext .= "_safe" if $opts{safe};
1280     $ext .= "_no_length_checks" if $opts{no_length_checks};
1281     my $argstr= join ",", @args;
1282     my $def_fmt="$pfx$self->{op}$ext%s($argstr)";
1283     my $optree= $self->$method( %opts, type => $type, ret_type => $ret_type );
1284     return $self->render( $optree, ($type =~ /^cp/) ? 1 : 0, \%opts, $def_fmt );
1285 }
1286
1287 # if we aren't being used as a module (highly likely) then process
1288 # the __DATA__ below and produce macros in regcharclass.h
1289 # if an argument is provided to the script then it is assumed to
1290 # be the path of the file to output to, if the arg is '-' outputs
1291 # to STDOUT.
1292 if ( !caller ) {
1293     $|++;
1294     my $path= shift @ARGV || "regcharclass.h";
1295     my $out_fh;
1296     if ( $path eq '-' ) {
1297         $out_fh= \*STDOUT;
1298     } else {
1299         $out_fh = open_new( $path );
1300     }
1301     print $out_fh read_only_top( lang => 'C', by => $0,
1302                                  file => 'regcharclass.h', style => '*',
1303                                  copyright => [2007, 2011],
1304                                  final => <<EOF,
1305 WARNING: These macros are for internal Perl core use only, and may be
1306 changed or removed without notice.
1307 EOF
1308     );
1309     print $out_fh "\n#ifndef PERL_REGCHARCLASS_H_ /* Guard against nested #includes */\n#define PERL_REGCHARCLASS_H_\n";
1310
1311     my ( $op, $title, @txt, @types, %mods );
1312     my $doit= sub ($) {
1313         return unless $op;
1314
1315         my $charset = shift;
1316
1317         # Skip if to compile on a different platform.
1318         return if delete $mods{only_ascii_platform} && $charset !~ /ascii/i;
1319         return if delete $mods{only_ebcdic_platform} && $charset !~ /ebcdic/i;
1320
1321         print $out_fh "/*\n\t$op: $title\n\n";
1322         print $out_fh join "\n", ( map { "\t$_" } @txt ), "*/", "";
1323         my $obj= __PACKAGE__->new( op => $op, title => $title, txt => \@txt, charset => $charset);
1324
1325         #die Dumper(\@types,\%mods);
1326
1327         my @mods;
1328         push @mods, 'safe' if delete $mods{safe};
1329         push @mods, 'no_length_checks' if delete $mods{no_length_checks};
1330         unshift @mods, 'fast' if delete $mods{fast} || ! @mods; # Default to 'fast'
1331                                                                 # do this one
1332                                                                 # first, as
1333                                                                 # traditional
1334         if (%mods) {
1335             die "Unknown modifiers: ", join ", ", map { "'$_'" } sort keys %mods;
1336         }
1337
1338         foreach my $type_spec ( @types ) {
1339             my ( $type, $ret )= split /-/, $type_spec;
1340             $ret ||= 'len';
1341             foreach my $mod ( @mods ) {
1342
1343                 # 'safe' is irrelevant with code point macros, so skip if
1344                 # there is also a 'fast', but don't skip if this is the only
1345                 # way a cp macro will get generated.  Below we convert 'safe'
1346                 # to 'fast' in this instance
1347                 next if $type =~ /^cp/
1348                         && ($mod eq 'safe' || $mod eq 'no_length_checks')
1349                         && grep { 'fast' =~ $_ } @mods;
1350                 delete $mods{$mod};
1351                 my $macro= $obj->make_macro(
1352                     type     => $type,
1353                     ret_type => $ret,
1354                     safe     => $mod eq 'safe' && $type !~ /^cp/,
1355                     charset  => $charset,
1356                     no_length_checks => $mod eq 'no_length_checks' && $type !~ /^cp/,
1357                 );
1358                 print $out_fh $macro, "\n";
1359             }
1360         }
1361     };
1362
1363     my @data = <DATA>;
1364     foreach my $charset (get_supported_code_pages()) {
1365         my $first_time = 1;
1366         undef $op;
1367         undef $title;
1368         undef @txt;
1369         undef @types;
1370         undef %mods;
1371         print $out_fh "\n", get_conditional_compile_line_start($charset);
1372         my @data_copy = @data;
1373         for (@data_copy) {
1374             s/^ \s* (?: \# .* ) ? $ //x;    # squeeze out comment and blanks
1375             next unless /\S/;
1376             chomp;
1377             if ( /^[A-Z]/ ) {
1378                 $doit->($charset) unless $first_time;  # This starts a new
1379                                                        # definition; do the
1380                                                        # previous one
1381                 $first_time = 0;
1382                 ( $op, $title )= split /\s*:\s*/, $_, 2;
1383                 @txt= ();
1384             } elsif ( s/^=>// ) {
1385                 my ( $type, $modifier )= split /:/, $_;
1386                 @types= split ' ', $type;
1387                 undef %mods;
1388                 map { $mods{$_} = 1 } split ' ',  $modifier;
1389             } else {
1390                 push @txt, "$_";
1391             }
1392         }
1393         $doit->($charset);
1394         print $out_fh get_conditional_compile_line_end();
1395     }
1396
1397     print $out_fh "\n#endif /* PERL_REGCHARCLASS_H_ */\n";
1398
1399     if($path eq '-') {
1400         print $out_fh "/* ex: set ro: */\n";
1401     } else {
1402         # Some of the sources for these macros come from Unicode tables
1403         my $sources_list = "lib/unicore/mktables.lst";
1404         my @sources = ($0, qw(lib/unicore/mktables
1405                               lib/Unicode/UCD.pm
1406                               regen/regcharclass_multi_char_folds.pl
1407                               regen/charset_translations.pl
1408                              ));
1409         {
1410             # Depend on mktables’ own sources.  It’s a shorter list of files than
1411             # those that Unicode::UCD uses.
1412             if (! open my $mktables_list, '<', $sources_list) {
1413
1414                 # This should force a rebuild once $sources_list exists
1415                 push @sources, $sources_list;
1416             }
1417             else {
1418                 while(<$mktables_list>) {
1419                     last if /===/;
1420                     chomp;
1421                     push @sources, "lib/unicore/$_" if /^[^#]/;
1422                 }
1423             }
1424         }
1425         read_only_bottom_close_and_rename($out_fh, \@sources)
1426     }
1427 }
1428
1429 # The form of the input is a series of definitions to make macros for.
1430 # The first line gives the base name of the macro, followed by a colon, and
1431 # then text to be used in comments associated with the macro that are its
1432 # title or description.  In all cases the first (perhaps only) parameter to
1433 # the macro is a pointer to the first byte of the code point it is to test to
1434 # see if it is in the class determined by the macro.  In the case of non-UTF8,
1435 # the code point consists only of a single byte.
1436 #
1437 # The second line must begin with a '=>' and be followed by the types of
1438 # macro(s) to be generated; these are specified below.  A colon follows the
1439 # types, followed by the modifiers, also specified below.  At least one
1440 # modifier is required.
1441 #
1442 # The subsequent lines give what code points go into the class defined by the
1443 # macro.  Multiple characters may be specified via a string like "\x0D\x0A",
1444 # enclosed in quotes.  Otherwise the lines consist of one of:
1445 #   1)  a single Unicode code point, prefaced by 0x
1446 #   2)  a single range of Unicode code points separated by a minus (and
1447 #       optional space)
1448 #   3)  a single Unicode property specified in the standard Perl form
1449 #       "\p{...}"
1450 #   4)  a line like 'do path'.  This will do a 'do' on the file given by
1451 #       'path'.  It is assumed that this does nothing but load subroutines
1452 #       (See item 5 below).  The reason 'require path' is not used instead is
1453 #       because 'do' doesn't assume that path is in @INC.
1454 #   5)  a subroutine call
1455 #           &pkg::foo(arg1, ...)
1456 #       where pkg::foo was loaded by a 'do' line (item 4).  The subroutine
1457 #       returns an array of entries of forms like items 1-3 above.  This
1458 #       allows more complex inputs than achievable from the other input types.
1459 #
1460 # A blank line or one whose first non-blank character is '#' is a comment.
1461 # The definition of the macro is terminated by a line unlike those described.
1462 #
1463 # Valid types:
1464 #   low         generate a macro whose name is 'is_BASE_low' and defines a
1465 #               class that includes only ASCII-range chars.  (BASE is the
1466 #               input macro base name.)
1467 #   latin1      generate a macro whose name is 'is_BASE_latin1' and defines a
1468 #               class that includes only upper-Latin1-range chars.  It is not
1469 #               designed to take a UTF-8 input parameter.
1470 #   high        generate a macro whose name is 'is_BASE_high' and defines a
1471 #               class that includes all relevant code points that are above
1472 #               the Latin1 range.  This is for very specialized uses only.
1473 #               It is designed to take only an input UTF-8 parameter.
1474 #   utf8        generate a macro whose name is 'is_BASE_utf8' and defines a
1475 #               class that includes all relevant characters that aren't ASCII.
1476 #               It is designed to take only an input UTF-8 parameter.
1477 #   LATIN1      generate a macro whose name is 'is_BASE_latin1' and defines a
1478 #               class that includes both ASCII and upper-Latin1-range chars.
1479 #               It is not designed to take a UTF-8 input parameter.
1480 #   UTF8        generate a macro whose name is 'is_BASE_utf8' and defines a
1481 #               class that can include any code point, adding the 'low' ones
1482 #               to what 'utf8' works on.  It is designed to take only an input
1483 #               UTF-8 parameter.
1484 #   generic     generate a macro whose name is 'is_BASE".  It has a 2nd,
1485 #               boolean, parameter which indicates if the first one points to
1486 #               a UTF-8 string or not.  Thus it works in all circumstances.
1487 #   generic_non_low generate a macro whose name is 'is_BASE_non_low".  It has
1488 #               a 2nd, boolean, parameter which indicates if the first one
1489 #               points to a UTF-8 string or not.  It excludes any ASCII-range
1490 #               matches, but otherwise it works in all circumstances.
1491 #   cp          generate a macro whose name is 'is_BASE_cp' and defines a
1492 #               class that returns true if the UV parameter is a member of the
1493 #               class; false if not.
1494 #   cp_high     like cp, but it is assumed that it is known that the UV
1495 #               parameter is above Latin1.  The name of the generated macro is
1496 #               'is_BASE_cp_high'.  This is different from high-cp, derived
1497 #               below.
1498 # A macro of the given type is generated for each type listed in the input.
1499 # The default return value is the number of octets read to generate the match.
1500 # Append "-cp" to the type to have it instead return the matched codepoint.
1501 #               The macro name is changed to 'what_BASE...'.  See pod for
1502 #               caveats
1503 # Appending '-both" instead adds an extra parameter to the end of the argument
1504 #               list, which is a pointer as to where to store the number of
1505 #               bytes matched, while also returning the code point.  The macro
1506 #               name is changed to 'what_len_BASE...'.  See pod for caveats
1507 #
1508 # Valid modifiers:
1509 #   safe        The input string is not necessarily valid UTF-8.  In
1510 #               particular an extra parameter (always the 2nd) to the macro is
1511 #               required, which points to one beyond the end of the string.
1512 #               The macro will make sure not to read off the end of the
1513 #               string.  In the case of non-UTF8, it makes sure that the
1514 #               string has at least one byte in it.  The macro name has
1515 #               '_safe' appended to it.
1516 #   no_length_checks  The input string is not necessarily valid UTF-8, but it
1517 #               is to be assumed that the length has already been checked and
1518 #               found to be valid
1519 #   fast        The input string is valid UTF-8.  No bounds checking is done,
1520 #               and the macro can make assumptions that lead to faster
1521 #               execution.
1522 #   only_ascii_platform   Skip this definition if the character set is for
1523 #               a non-ASCII platform.
1524 #   only_ebcdic_platform  Skip this definition if the character set is for
1525 #               a non-EBCDIC platform.
1526 # No modifier need be specified; fast is assumed for this case.  If both
1527 # 'fast', and 'safe' are specified, two macros will be created for each
1528 # 'type'.
1529 #
1530 # If run on a non-ASCII platform will automatically convert the Unicode input
1531 # to native.  The documentation above is slightly wrong in this case.  'low'
1532 # actually refers to code points whose UTF-8 representation is the same as the
1533 # non-UTF-8 version (invariants); and 'latin1' refers to all the rest of the
1534 # code points less than 256.
1535
1536 1; # in the unlikely case we are being used as a module
1537
1538 __DATA__
1539 # This is no longer used, but retained in case it is needed some day.
1540 # TRICKYFOLD: Problematic fold case letters.  When adding to this list, also should add them to regcomp.c and fold_grind.t
1541 # => generic cp generic-cp generic-both :fast safe
1542 # 0x00DF        # LATIN SMALL LETTER SHARP S
1543 # 0x0390        # GREEK SMALL LETTER IOTA WITH DIALYTIKA AND TONOS
1544 # 0x03B0        # GREEK SMALL LETTER UPSILON WITH DIALYTIKA AND TONOS
1545 # 0x1E9E  # LATIN CAPITAL LETTER SHARP S, because maps to same as 00DF
1546 # 0x1FD3  # GREEK SMALL LETTER IOTA WITH DIALYTIKA AND OXIA; maps same as 0390
1547 # 0x1FE3  # GREEK SMALL LETTER UPSILON WITH DIALYTIKA AND OXIA; maps same as 03B0
1548
1549 LNBREAK: Line Break: \R
1550 => generic UTF8 LATIN1 : safe
1551 "\x0D\x0A"      # CRLF - Network (Windows) line ending
1552 \p{VertSpace}
1553
1554 HORIZWS: Horizontal Whitespace: \h \H
1555 => high cp_high : fast
1556 \p{HorizSpace}
1557
1558 VERTWS: Vertical Whitespace: \v \V
1559 => high cp_high : fast
1560 \p{VertSpace}
1561
1562 XDIGIT: Hexadecimal digits
1563 => high cp_high : fast
1564 \p{XDigit}
1565
1566 XPERLSPACE: \p{XPerlSpace}
1567 => high cp_high : fast
1568 \p{XPerlSpace}
1569
1570 NONCHAR: Non character code points
1571 => UTF8 :safe
1572 \p{_Perl_Nchar}
1573
1574 SURROGATE: Surrogate code points
1575 => UTF8 :safe
1576 \p{_Perl_Surrogate}
1577
1578 QUOTEMETA: Meta-characters that \Q should quote
1579 => high :fast
1580 \p{_Perl_Quotemeta}
1581
1582 MULTI_CHAR_FOLD: multi-char strings that are folded to by a single character
1583 => UTF8 :safe
1584
1585 # 1 => All folds
1586 &regcharclass_multi_char_folds::multi_char_folds(1)
1587
1588 MULTI_CHAR_FOLD: multi-char strings that are folded to by a single character
1589 => LATIN1 : safe
1590
1591 &regcharclass_multi_char_folds::multi_char_folds(0)
1592 # 0 => Latin1-only
1593
1594 FOLDS_TO_MULTI: characters that fold to multi-char strings
1595 => UTF8 :fast
1596 \p{_Perl_Folds_To_Multi_Char}
1597
1598 PROBLEMATIC_LOCALE_FOLD : characters whose fold is problematic under locale
1599 => UTF8 cp :fast
1600 \p{_Perl_Problematic_Locale_Folds}
1601
1602 PROBLEMATIC_LOCALE_FOLDEDS_START : The first folded character of folds which are problematic under locale
1603 => UTF8 cp :fast
1604 \p{_Perl_Problematic_Locale_Foldeds_Start}
1605
1606 PATWS: pattern white space
1607 => generic cp : safe
1608 \p{_Perl_PatWS}
1609
1610 HANGUL_ED: Hangul syllables whose first character is \xED
1611 => UTF8 :only_ascii_platform safe
1612 0xD000 - 0xD7FF