This is a live mirror of the Perl 5 development currently hosted at https://github.com/perl/perl5
Test preamble: if requiring ./test.pl, needs chdir.
[perl5.git] / 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                $::IS_EBCDIC ? ['!\x{7f}',  '\x{80}',            '!\x{100}']
69                             : ['!\x{7f}',  '\x{80}',  '\x{ff}', '!\x{100}'],
70     InLatinExtendedA          =>
71                             ['!\x{7f}', '!\x{80}', '!\x{ff}',  '\x{100}'],
72
73     #
74     # Properties are case-insensitive, and may have whitespace,
75     # dashes and underscores.
76     #
77    'in-latin1_SUPPLEMENT'     => ['\x{80}', 
78                                   '\N{LATIN SMALL LETTER Y WITH DIAERESIS}'],
79    '  ^  In Latin 1 Supplement  '
80                               => ['!\x{80}', '\N{COFFIN}'],
81    'latin-1   supplement'     => ['\x{80}', "0xDF"],
82
83 );
84
85 my @USER_DEFINED_PROPERTIES = (
86    #
87    # User defined properties
88    #
89    InKana1                   => ['\x{3040}', '!\x{303F}'],
90    InKana2                   => ['\x{3040}', '!\x{303F}'],
91    InKana3                   => ['\x{3041}', '!\x{3040}'],
92    InNotKana                 => ['\x{3040}', '!\x{3041}'],
93    InConsonant               => ['d',        '!e'],
94    IsSyriac1                 => ['\x{0712}', '!\x{072F}'],
95    IsSyriac1KanaMark         => ['\x{309A}', '!\x{3090}'],
96    IsSyriac1KanaMark         => ['\x{0730}', '!\x{0712}'],
97    '# User-defined character properties may lack \n at the end',
98    InGreekSmall              => ['\N{GREEK SMALL LETTER PI}',
99                                  '\N{GREEK SMALL LETTER FINAL SIGMA}'],
100    InGreekCapital            => ['\N{GREEK CAPITAL LETTER PI}', '!\x{03A2}'],
101    Dash                      => ['-'],
102    ASCII_Hex_Digit           => ['!-', 'A'],
103    IsAsciiHexAndDash         => ['-', 'A'],
104 );
105
106 my @USER_CASELESS_PROPERTIES = (
107    #
108    # User defined properties which differ depending on /i.  Second entry is
109    # false regularly, true under /i
110    #
111    'IsMyUpper'                => ["M", "!m" ],
112 );
113
114
115 #
116 # From the short properties we populate POSIX-like classes.
117 #
118 my %SHORT_PROPERTIES = (
119     'Ll'  => ['m', '\N{CYRILLIC SMALL LETTER A}'],
120     'Lu'  => ['M', '\N{GREEK CAPITAL LETTER ALPHA}'],
121     'Lo'  => ['\N{HIRAGANA LETTER SMALL A}'],
122     # is also in other alphabetic
123     'Mn'  => ['\N{HEBREW POINT RAFE}'],
124     'Nd'  => ["0", '\N{ARABIC-INDIC DIGIT ZERO}'],
125     'Pc'  => ["_"],
126     'Po'  => ["!"],
127     'Zs'  => [" "],
128     'Cc'  => ['\x{00}'],
129 );
130
131 #
132 # Illegal properties
133 #
134 my @ILLEGAL_PROPERTIES =
135     qw[q qrst f foo isfoo infoo ISfoo INfoo Is::foo In::foo];
136
137 my %d;
138
139 while (my ($class, $chars) = each %SHORT_PROPERTIES) {
140     push @{$d {IsAlpha}} => map {$class =~ /^[LM]/   ? $_ : "!$_"} @$chars;
141     push @{$d {IsAlnum}} => map {$class =~ /^[LMN]./ ? $_ : "!$_"} @$chars;
142     push @{$d {IsASCII}} => map {length ($_) == 1 || $_ eq '\x{00}'
143                                                      ? $_ : "!$_"} @$chars;
144     push @{$d {IsCntrl}} => map {$class =~ /^C/      ? $_ : "!$_"} @$chars;
145     push @{$d {IsBlank}} => map {$class =~ /^Z[lps]/ ? $_ : "!$_"} @$chars;
146     push @{$d {IsDigit}} => map {$class =~ /^Nd$/    ? $_ : "!$_"} @$chars;
147     push @{$d {IsGraph}} => map {$class =~ /^([LMNPS]|Co)/
148                                                      ? $_ : "!$_"} @$chars;
149     push @{$d {IsPrint}} => map {$class =~ /^([LMNPS]|Co|Zs)/
150                                                      ? $_ : "!$_"} @$chars;
151     push @{$d {IsLower}} => map {$class =~ /^Ll$/    ? $_ : "!$_"} @$chars;
152     push @{$d {IsUpper}} => map {$class =~ /^L[ut]/  ? $_ : "!$_"} @$chars;
153     push @{$d {IsPunct}} => map {$class =~ /^P/      ? $_ : "!$_"} @$chars;
154     push @{$d {IsWord}}  => map {$class =~ /^[LMN]/ || $_ eq "_"
155                                                      ? $_ : "!$_"} @$chars;
156     push @{$d {IsSpace}} => map {$class =~ /^Z/ ||
157                                  length ($_) == 1 && ord ($_) >= 0x09
158                                                   && ord ($_) <= 0x0D
159                                                      ? $_ : "!$_"} @$chars;
160 }
161
162 delete $d {IsASCII} if $::IS_EBCDIC;
163
164 push @CLASSES => "# Short properties"        => %SHORT_PROPERTIES,
165                  "# POSIX like properties"   => %d,
166                  "# User defined properties" => @USER_DEFINED_PROPERTIES;
167
168
169 #
170 # Calculate the number of tests.
171 #
172 my $count = 0;
173 for (my $i = 0; $i < @CLASSES; $i += 2) {
174     $i ++, redo if $CLASSES [$i] =~ /^\h*#\h*(.*)/;
175     $count += 2 * (length $CLASSES [$i] == 1 ? 4 : 2) * @{$CLASSES [$i + 1]};
176 }
177 $count += 4 * @ILLEGAL_PROPERTIES;
178 $count += 4 * grep {length $_ == 1} @ILLEGAL_PROPERTIES;
179 $count += 8 * @USER_CASELESS_PROPERTIES;
180
181 plan(tests => $count);
182
183 run_tests unless caller ();
184
185 sub match {
186     my ($char, $match, $nomatch, $caseless) = @_;
187     $caseless = "" unless defined $caseless;
188     $caseless = 'i' if $caseless;
189
190     my ($str, $name);
191
192     if ($char =~ /^\\/) {
193         $str  = eval qq ["$char"];
194         $name =      qq ["$char"];
195     }
196     elsif ($char =~ /^0x([0-9A-Fa-f]+)$/) {
197         $str  =  chr hex $1;
198         $name = "chr ($char)";
199     }
200     else {
201         $str  =      $char;
202         $name = qq ["$char"];
203     }
204
205     undef $@;
206     my $pat = "qr/$match/$caseless";
207     my $match_pat = eval $pat;
208     is($@, '', "$pat compiled correctly to a regexp: $@");
209     like($str, $match_pat, "$name correctly matched");
210
211     undef $@;
212     $pat = "qr/$nomatch/$caseless";
213     my $nomatch_pat = eval $pat;
214     is($@, '', "$pat compiled correctly to a regexp: $@");
215     unlike($str, $nomatch_pat, "$name correctly did not match");
216 }
217
218 sub run_tests {
219
220     while (@CLASSES) {
221         my $class = shift @CLASSES;
222         if ($class =~ /^\h*#\h*(.*)/) {
223             print "# $1\n";
224             next;
225         }
226         last unless @CLASSES;
227         my $chars   = shift @CLASSES;
228         my @in      =                       grep {!/^!./} @$chars;
229         my @out     = map {s/^!(?=.)//; $_} grep { /^!./} @$chars;
230         my $in_pat  = eval qq ['\\p{$class}'];
231         my $out_pat = eval qq ['\\P{$class}'];
232
233         match $_, $in_pat,  $out_pat for @in;
234         match $_, $out_pat, $in_pat  for @out;
235
236         if (1 == length $class) {   # Repeat without braces if name length 1
237             my $in_pat  = eval qq ['\\p$class'];
238             my $out_pat = eval qq ['\\P$class'];
239
240             match $_, $in_pat,  $out_pat for @in;
241             match $_, $out_pat, $in_pat  for @out;
242         }
243     }
244
245
246     my $pat = qr /^Can't find Unicode property definition/;
247     print "# Illegal properties\n";
248     foreach my $p (@ILLEGAL_PROPERTIES) {
249         undef $@;
250         my $r = eval "'a' =~ /\\p{$p}/; 1";
251         is($r, undef, "Unknown Unicode property \\p{$p}");
252         like($@, $pat, "Unknown Unicode property \\p{$p}");
253         undef $@;
254         my $s = eval "'a' =~ /\\P{$p}/; 1";
255         is($s, undef, "Unknown Unicode property \\p{$p}");
256         like($@, $pat, "Unknown Unicode property \\p{$p}");
257         if (length $p == 1) {
258             undef $@;
259             my $r = eval "'a' =~ /\\p$p/; 1";
260             is($r, undef, "Unknown Unicode property \\p$p");
261             like($@, $pat, "Unknown Unicode property \\p$p");
262             undef $@;
263             my $s = eval "'a' =~ /\\P$p/; 1";
264             is($r, undef, "Unknown Unicode property \\P$p");
265             like($@, $pat, "Unknown Unicode property \\P$p");
266         }
267     }
268
269     print "# User-defined properties with /i differences\n";
270     foreach my $class (shift @USER_CASELESS_PROPERTIES) {
271         my $chars_ref = shift @USER_CASELESS_PROPERTIES;
272         my @in      =                       grep {!/^!./} @$chars_ref;
273         my @out     = map {s/^!(?=.)//; $_} grep { /^!./} @$chars_ref;
274         my $in_pat  = eval qq ['\\p{$class}'];
275         my $out_pat = eval qq ['\\P{$class}'];
276
277         # Verify works as regularly for not /i
278         match $_, $in_pat,  $out_pat for @in;
279         match $_, $out_pat, $in_pat  for @out;
280
281         # Verify that adding /i doesn't change the in set.
282         match $_, $in_pat,  $out_pat, 'i' for @in;
283
284         # Verify that adding /i does change the out set to match.
285         match $_, $in_pat,  $out_pat, 'i' for @out;
286     }
287 }
288
289
290 #
291 # User defined properties
292 #
293
294 sub InKana1 {<<'--'}
295 3040    309F
296 30A0    30FF
297 --
298
299 sub InKana2 {<<'--'}
300 +utf8::InHiragana
301 +utf8::InKatakana
302 --
303
304 sub InKana3 {<<'--'}
305 +utf8::InHiragana
306 +utf8::InKatakana
307 -utf8::IsCn
308 --
309
310 sub InNotKana {<<'--'}
311 !utf8::InHiragana
312 -utf8::InKatakana
313 +utf8::IsCn
314 --
315
316 sub InConsonant {<<'--'}   # Not EBCDIC-aware.
317 0061 007f
318 -0061
319 -0065
320 -0069
321 -006f
322 -0075
323 --
324
325 sub IsSyriac1 {<<'--'}
326 0712    072C
327 0730    074A
328 --
329
330 sub InGreekSmall   {return "03B1\t03C9"}
331 sub InGreekCapital {return "0391\t03A9\n-03A2"}
332
333 sub IsAsciiHexAndDash {<<'--'}
334 +utf8::ASCII_Hex_Digit
335 +utf8::Dash
336 --
337
338 sub IsMyUpper {
339     my $caseless = shift;
340     if ($caseless) {
341         return "0041\t005A\n0061\t007A"
342     }
343     else {
344         return "0041\t005A"
345     }
346 }
347
348 # Verify that can use user-defined properties inside another one
349 sub IsSyriac1KanaMark {<<'--'}
350 +main::IsSyriac1
351 +main::InKana3
352 &utf8::IsMark
353 --
354
355 # fake user-defined properties; these subs shouldn't be called, because
356 # their names don't start with In or Is
357
358 sub f       { die }
359 sub foo     { die }
360 sub isfoo   { die }
361 sub infoo   { die }
362 sub ISfoo   { die }
363 sub INfoo   { die }
364 sub Is::foo { die }
365 sub In::foo { die }
366 __END__