Annotation of parser3/src/main/pa_string.C, revision 1.290

1.45      paf         1: /** @file
1.174     paf         2:        Parser: string class. @see untalength_t.C.
1.46      paf         3: 
1.285     moko        4:        Copyright (c) 2001-2026 Art. Lebedev Studio (https://www.artlebedev.com)
1.269     moko        5:        Authors: Konstantin Morshnev <moko@design.ru>, Alexandr Petrosian <paf@design.ru>
1.164     paf         6: */
1.46      paf         7: 
1.12      paf         8: #include "pa_string.h"
1.22      paf         9: #include "pa_exception.h"
1.61      paf        10: #include "pa_table.h"
1.101     parser     11: #include "pa_dictionary.h"
1.132     paf        12: #include "pa_charset.h"
1.222     misha      13: #include "pa_vregex.h"
1.215     misha      14: 
1.290   ! moko       15: volatile const char * IDENT_PA_STRING_C="$Id: pa_string.C,v 1.289 2026/11/03 12:25:52 moko Exp $" IDENT_PA_STRING_H;
1.240     moko       16: 
1.185     paf        17: const String String::Empty;
                     18: 
1.262     moko       19: #define COMPILE_ASSERT(x) extern int assert_checker[(x) ? 1 : -1]
1.261     moko       20: COMPILE_ASSERT(sizeof(String::Languages) == sizeof(CORD));
                     21: 
1.176     paf        22: // cord lib extension
                     23: 
                     24: #ifndef DOXYGEN
                     25: typedef struct {
1.254     moko       26:        ssize_t countdown;
                     27:        int target;     /* Character we're looking for  */
1.176     paf        28: } chr_data;
                     29: #endif
1.248     moko       30: 
1.176     paf        31: static int CORD_range_contains_chr_greater_then_proc(char c, size_t size, void* client_data)
                     32: {
1.272     moko       33:        chr_data * d = (chr_data *)client_data;
1.254     moko       34: 
                     35:        if (d -> countdown<=0) return(2);
                     36:        d -> countdown -= size;
                     37:        if (c > d -> target) return(1);
                     38:        return(0);
1.176     paf        39: }
1.248     moko       40: 
1.176     paf        41: int CORD_range_contains_chr_greater_then(CORD x, size_t i, size_t n, int c)
                     42: {
1.254     moko       43:        chr_data d;
1.176     paf        44: 
1.254     moko       45:        d.countdown = n;
                     46:        d.target = c;
                     47:        return(CORD_block_iter(x, i, CORD_range_contains_chr_greater_then_proc, &d) == 1/*alternatives: 0 normally ended, 2=struck 'n'*/);
1.176     paf        48: }
                     49: 
1.187     paf        50: static int CORD_block_count_proc(char /*c*/, size_t /*size*/, void* client_data)
1.178     paf        51: {
1.254     moko       52:        int* result=(int*)client_data;
                     53:        (*result)++;
                     54:        return(0); // 0=continue
1.178     paf        55: }
1.248     moko       56: 
1.178     paf        57: size_t CORD_block_count(CORD x)
                     58: {
                     59:        size_t result=0;
                     60:        CORD_block_iter(x, 0, CORD_block_count_proc, &result);
1.254     moko       61:        return result;
1.178     paf        62: }
                     63: 
1.174     paf        64: // helpers
1.139     paf        65: 
1.174     paf        66: /// String::match uses this as replace & global search table columns
1.139     paf        67: 
1.174     paf        68: const int MAX_MATCH_GROUPS=100;
1.139     paf        69: 
1.174     paf        70: class String_match_table_template_columns: public ArrayString {
                     71: public:
                     72:        String_match_table_template_columns() {
                     73:                *this+=new String("prematch");
                     74:                *this+=new String("match");
                     75:                *this+=new String("postmatch");
                     76:                for(int i=0; i<MAX_MATCH_GROUPS; i++) {
1.282     moko       77:                        *this+=new String(String::Body::uitoa(1+i), String::L_CLEAN);
1.174     paf        78:                }
                     79:        }
                     80: };
                     81: 
1.278     moko       82: static Table &string_match_table_template(){
                     83:        static Table *singleton=NULL;
1.280     moko       84:        if(!singleton)
1.278     moko       85:                singleton=new Table(new String_match_table_template_columns);
                     86:        return *singleton;
                     87: }
1.174     paf        88: 
1.176     paf        89: // String::Body methods
1.140     paf        90: 
1.282     moko       91: String::Body String::Body::uitoa(size_t aindex) {
                     92:        static const size_t CACHE_SIZE=256;
                     93:        static String::Body cache[CACHE_SIZE];
                     94:        if (aindex < CACHE_SIZE)
                     95:                return !cache[aindex] ? (cache[aindex]=Body(pa_uitoa(aindex))) : cache[aindex];
                     96:        else
                     97:                return Body(pa_uitoa(aindex));
                     98: }
                     99: 
1.254     moko      100: String::Body String::Body::trim(String::Trim_kind kind, const char* chars, size_t* out_start, size_t* out_length, Charset* source_charset) const {
1.195     paf       101:        size_t our_length=length();
                    102:        if(!our_length)
                    103:                return *this;
1.229     misha     104: 
                    105:        // check if any UTF-8 in chars
                    106:        bool fast=true;
                    107:        if(chars && source_charset && source_charset->isUTF8()){
                    108:                const char* pos=chars;
                    109:                while(unsigned char c=*pos++)
                    110:                        if(c>127){
                    111:                                fast=false;
                    112:                                break;
                    113:                        }
                    114:        }
                    115: 
                    116:        size_t start=0;
                    117:        size_t end=our_length;
1.195     paf       118:        if(!chars)
1.281     moko      119:                chars=" \t\r\n"; // white space
1.195     paf       120: 
1.229     misha     121:        if(fast){
                    122:                // from left...
                    123:                if(kind!=TRIM_END) {
                    124:                        CORD_pos pos; set_pos(pos, 0);
                    125:                        while(true) {
                    126:                                char c=CORD_pos_fetch(pos);
                    127:                                if(strchr(chars, c)) {
                    128:                                        if(++start==our_length)
1.283     moko      129:                                                return String::Body(); // all chars are empty, just return empty string
1.229     misha     130:                                } else
1.281     moko      131:                                        break;
1.229     misha     132: 
                    133:                                CORD_next(pos);
                    134:                        }
                    135:                }
                    136: 
                    137:                // from right..
                    138:                if(kind!=TRIM_START) {
                    139:                        CORD_pos pos; set_pos(pos, end-1);
                    140:                        while(true) {
                    141:                                char c=CORD_pos_fetch(pos);
                    142:                                if(strchr(chars, c)) {
                    143:                                        if(--end==0) // optimization: NO need to check for 'end>=start', that's(<) impossible
1.283     moko      144:                                                return String::Body(); // all chars are empty, just return empty string
1.229     misha     145:                                } else
1.281     moko      146:                                        break;
1.229     misha     147: 
                    148:                                CORD_prev(pos);
                    149:                        }
                    150:                }
                    151:        } else {
1.234     misha     152:                const XMLByte* src_begin=(const XMLByte*)cstr();
1.229     misha     153:                const XMLByte* src_end=src_begin+our_length;
                    154: 
                    155:                // from left...
                    156:                if(kind!=TRIM_END) {
                    157:                        while(src_begin<src_end){
                    158:                                uint char_length=1;
                    159:                                const XMLByte* ptr=src_begin;
1.231     misha     160:                                // searching first UTF-8 byte: http://tools.ietf.org/html/rfc3629#section-3
                    161:                                while(++src_begin<=src_end && (*src_begin>127 && *src_begin<0xC0))
1.229     misha     162:                                        char_length++;
                    163: 
                    164:                                bool found=false;
                    165:                                for(const char* chars_byte=chars; chars_byte=strchr(chars_byte, *ptr); chars_byte++)
                    166:                                        if(strncmp(chars_byte, (const char*)ptr, char_length)==0){
                    167:                                                found=true;
                    168:                                                break;
                    169:                                        }
                    170: 
                    171:                                if(found){
                    172:                                        start+=char_length;
                    173:                                        if(start==our_length)
1.283     moko      174:                                                return String::Body(); // all chars are empty, just return empty string
1.229     misha     175:                                } else
                    176:                                        break;
                    177:                        }
                    178:                }
1.196     paf       179: 
1.229     misha     180:                // from right..
                    181:                if(kind!=TRIM_START) {
                    182:                        while(src_begin<src_end){
                    183:                                uint char_length=1;
1.231     misha     184:                                // searching first UTF-8 byte: http://tools.ietf.org/html/rfc3629#section-3
                    185:                                while(src_begin<=--src_end && (*src_end>127 && *src_end<0xC0))
1.229     misha     186:                                        char_length++;
                    187: 
                    188:                                bool found=false;
                    189:                                for(const char* chars_byte=chars; chars_byte=strchr(chars_byte, *src_end); chars_byte++)
                    190:                                        if(strncmp(chars_byte, (const char*)src_end, char_length)==0){
                    191:                                                found=true;
                    192:                                                break;
                    193:                                        }
                    194: 
                    195:                                if(found){
                    196:                                        end-=char_length;
                    197:                                        if(end==0)
1.283     moko      198:                                                return String::Body(); // all chars are empty, just return empty string
1.229     misha     199:                                } else
                    200:                                        break;
                    201:                        }
1.196     paf       202:                }
                    203:        }
1.195     paf       204: 
                    205:        if(start==0 && end==our_length) // nobody moved a thing
                    206:                return *this;
                    207: 
                    208:        if(out_start)
                    209:                *out_start=start;
                    210:        size_t new_length=end-start;
                    211:        if(out_length)
                    212:                *out_length=new_length;
                    213: 
                    214:        return mid(start, new_length);
                    215: }
                    216: 
1.174     paf       217: static int CORD_batched_iter_fn_generic_hash_code(char c, void * client_data) {
                    218:        uint& result=*static_cast<uint*>(client_data);
                    219:        generic_hash_code(result, c);
                    220:        return 0;
                    221: }
1.248     moko      222: 
1.174     paf       223: static int CORD_batched_iter_fn_generic_hash_code(const char*  s, void * client_data) {
                    224:        uint& result=*static_cast<uint*>(client_data);
                    225:        generic_hash_code(result, s);
                    226:        return 0;
1.248     moko      227: }
                    228: 
1.225     misha     229: uint String::Body::get_hash_code() const {
                    230: #ifdef HASH_CODE_CACHING
                    231:        if(hash_code)
                    232:                return hash_code;
                    233: #else
                    234:        uint hash_code=0;
                    235: #endif
1.220     misha     236:        if (body && CORD_IS_STRING(body)){
1.250     moko      237:                generic_hash_code(hash_code, (const char *)body);
1.220     misha     238:        } else {
                    239:                CORD_iter5(body, 0,
                    240:                        CORD_batched_iter_fn_generic_hash_code, 
1.225     misha     241:                        CORD_batched_iter_fn_generic_hash_code, &hash_code);
1.220     misha     242:        }
1.225     misha     243:        return hash_code;
1.94      parser    244: }
                    245: 
1.241     misha     246: struct CORD_pos_info {
                    247:        const char* chars;
                    248:        size_t left;
                    249:        size_t pos;
                    250: };
                    251: 
                    252: // can be called only for IS_FUNCTION(CORD) which is used in String::Body::strrpbrk
                    253: static int CORD_iter_fn_rpos(char c, CORD_pos_info* info) {
                    254:        if(info->pos < info->left){
                    255:                info->pos=STRING_NOT_FOUND;
                    256:                return 1;
                    257:        }
                    258:        if(strchr(info->chars, c))
                    259:                return 1;
                    260:        --(info->pos);
                    261:        return 0;
                    262: }
                    263: 
                    264: size_t String::Body::strrpbrk(const char* chars, size_t left, size_t right) const {
                    265:        if(is_empty() || !chars || !strlen(chars))
                    266:                return STRING_NOT_FOUND;
                    267:        CORD_pos_info info={chars, left, right};
                    268:        if(CORD_riter4(body, right, (CORD_iter_fn)CORD_iter_fn_rpos, &info))
                    269:                return info.pos;
                    270:        else
                    271:                return STRING_NOT_FOUND;
                    272: }
                    273: 
1.288     moko      274: size_t String::Body::rpos(const Body substr, size_t offset) const {
                    275:        size_t substr_length=substr.length();
                    276:        if(!substr_length || substr_length>length())
                    277:                return STRING_NOT_FOUND; // empty substr is not found, as in pos
                    278: 
                    279:        const char* self_str=cstr();
                    280:        const char* substr_str=substr.cstr();
                    281: 
                    282:        size_t last=length()-substr_length; // the last position substr fits at
                    283:        for(size_t i=(offset<last ? offset : last)+1; i--; )
                    284:                if(self_str[i]==*substr_str && memcmp(self_str+i, substr_str, substr_length)==0)
                    285:                        return i;
                    286: 
                    287:        return STRING_NOT_FOUND;
                    288: }
                    289: 
1.241     misha     290: 
                    291: // can be called only for IS_FUNCTION(CORD) which is used in String::Body::rskipchars
                    292: static int CORD_iter_fn_rskip(char c, CORD_pos_info* info) {
                    293:        if(info->pos < info->left) {
                    294:                info->pos=STRING_NOT_FOUND;
                    295:                return 1;
                    296:        }
                    297:        if(!strchr(info->chars, c))
                    298:                return 1;
                    299:        --(info->pos);
                    300:        return 0;
                    301: }
                    302: 
                    303: size_t String::Body::rskipchars(const char* chars, size_t left, size_t right) const {
                    304:        if(is_empty() || !chars || !strlen(chars))
                    305:                return STRING_NOT_FOUND;
                    306:        CORD_pos_info info={chars, left, right};
                    307:        if(CORD_riter4(body, right, (CORD_iter_fn)CORD_iter_fn_rskip, &info))
                    308:                return info.pos;
                    309:        else
                    310:                return STRING_NOT_FOUND;
                    311: }
                    312: 
1.174     paf       313: // String methods
                    314: 
                    315: String& String::append_know_length(const char* str, size_t known_length, Language lang) {
                    316:        if(!known_length)
1.9       paf       317:                return *this;
1.122     paf       318: 
1.176     paf       319:        // first: langs
                    320:        langs.append(body, lang, known_length);
                    321:        // next: letters themselves
1.174     paf       322:        body.append_know_length(str, known_length);
1.1       paf       323: 
1.174     paf       324:        ASSERT_STRING_INVARIANT(*this);
1.1       paf       325:        return *this;
                    326: }
1.248     moko      327: 
1.174     paf       328: String& String::append_help_length(const char* str, size_t helper_length, Language lang) {
                    329:        if(!str)
                    330:                return *this;
                    331:        size_t known_length=helper_length?helper_length:strlen(str);
                    332:        if(!known_length)
                    333:                return *this;
1.1       paf       334: 
1.174     paf       335:        return append_know_length(str, known_length, lang);
1.5       paf       336: }
1.248     moko      337: 
1.244     moko      338: String::String(int value, const char *format) : langs(L_CLEAN){
1.226     misha     339:        char buf[MAX_NUMBER];
1.287     moko      340:        body.append_strdup_know_length(buf, pa_snprintf(buf, MAX_NUMBER, format, value));
1.226     misha     341: }
1.248     moko      342: 
1.174     paf       343: String& String::append_strdup(const char* str, size_t helper_length, Language lang) {
                    344:        size_t known_length=helper_length?helper_length:strlen(str);
                    345:        if(!known_length)
                    346:                return *this;
1.5       paf       347: 
1.176     paf       348:        // first: langs
                    349:        langs.append(body, lang, known_length);
                    350:        // next: letters themselves
1.174     paf       351:        body.append_strdup_know_length(str, known_length);
1.33      paf       352: 
1.174     paf       353:        ASSERT_STRING_INVARIANT(*this);
                    354:        return *this;
1.5       paf       355: }
1.46      paf       356: 
1.234     misha     357: struct CORD_length_info {
                    358:        size_t len;
                    359:        size_t skip;
                    360: };
                    361: 
                    362: int CORD_batched_len(const char* s, CORD_length_info* info){
1.255     moko      363:        info->len += lengthUTF8( (const XMLByte *)s, (const XMLByte *)s+strlen(s));
                    364:        return 0;
1.221     misha     365: }
                    366: 
1.234     misha     367: // can be called only for IS_FUNCTION(CORD) which are used in large String::Body::mid
                    368: int CORD_batched_len(const char c, CORD_length_info* info){
                    369:        if (info->skip==0){
                    370:                info->len++;
                    371:                info->skip = lengthUTF8Char(c)-1;
                    372:        } else {
                    373:                info->skip--;
                    374:        }
1.220     misha     375:        return 0;
                    376: }
                    377: 
1.210     misha     378: size_t String::length(Charset& charset) const {
                    379:        if(charset.isUTF8()){
1.234     misha     380:                CORD_length_info info = {0, 0};
                    381:                body.for_each<CORD_length_info *>(CORD_batched_len, CORD_batched_len, &info);
                    382:                return info.len;
1.210     misha     383:        } else
                    384:                return body.length();
                    385: }
                    386: 
1.174     paf       387: /// @todo check in doc: whether it documents NOW bad situation "abc".mid(-1, 3) =were?="ab"
                    388: String& String::mid(size_t substr_begin, size_t substr_end) const {
                    389:        String& result=*new String;
                    390: 
                    391:        size_t self_length=length();
                    392:        substr_begin=min(substr_begin, self_length);
                    393:        substr_end=min(max(substr_end, substr_begin), self_length);
1.176     paf       394:        size_t substr_length=substr_end-substr_begin;
                    395:        if(!substr_length)
1.107     parser    396:                return result;
1.53      paf       397: 
1.176     paf       398:        // first: their langs
                    399:        result.langs.append(result.body, langs, substr_begin, substr_length);
                    400:        // next: letters themselves
                    401:        result.body=body.mid(substr_begin, substr_length);
1.174     paf       402: 
                    403:        ASSERT_STRING_INVARIANT(result);
1.53      paf       404:        return result;
1.54      paf       405: }
                    406: 
1.289     moko      407: // from and to in characters, not in bytes (it's important for utf-8)
                    408: String& String::mid(Charset& charset, size_t from, size_t to) const {
1.210     misha     409:        String& result=*new String;
                    410: 
1.289     moko      411:        // utf-8 length is not needed: converting to bytes stops at the end of the string by itself
                    412:        size_t self_length=charset.isUTF8() ? to : length();
1.211     misha     413: 
                    414:        if(!self_length)
                    415:                return result;
                    416: 
                    417:        from=min(min(to, from), self_length);
1.210     misha     418:        to=min(max(to, from), self_length);
1.211     misha     419: 
1.210     misha     420:        size_t substr_length=to-from;
1.211     misha     421: 
1.210     misha     422:        if(!substr_length)
                    423:                return result;
                    424: 
                    425:        if(charset.isUTF8()){
1.234     misha     426:                const XMLByte* src_begin=(const XMLByte*)cstr();
1.230     misha     427:                const XMLByte* src_end=src_begin+body.length();
1.210     misha     428: 
1.212     misha     429:                // convert 'from' and 'substr_length' from 'characters' to 'bytes'
1.230     misha     430:                from=getUTF8BytePos(src_begin, src_end, from);
                    431:                substr_length=getUTF8BytePos(src_begin+from, src_end, substr_length);
1.210     misha     432:                if(!substr_length)
                    433:                        return result;
                    434:        }
                    435: 
                    436:        // first: their langs
                    437:        result.langs.append(result.body, langs, from, substr_length);
                    438:        // next: letters themselves
                    439:        result.body=body.mid(from, substr_length);
                    440: 
                    441:        ASSERT_STRING_INVARIANT(result);
                    442:        return result;
                    443: }
                    444: 
1.289     moko      445: // n in characters, not in bytes (it's important for utf-8)
                    446: const String& String::right(Charset& charset, size_t n) const {
                    447:        size_t self_length=body.length();
                    448:        size_t from;
                    449: 
                    450:        if(charset.isUTF8()){
                    451:                const XMLByte* src_begin=(const XMLByte*)cstr();
1.290   ! moko      452:                const XMLByte* src_end=src_begin+self_length;
        !           453:                const XMLByte* ptr=src_end;
1.289     moko      454: 
1.290   ! moko      455:                // step back by n characters: continuation bytes (80-BF) belong to the leading byte before them,
        !           456:                // but only if it expects exactly that many, otherwise the byte is a character of its own (as length() counts it);
        !           457:                // the only exception is the last character cut off by the end of the string, length() counts it as a whole
        !           458:                while(n-- && ptr>src_begin) {
        !           459:                        const XMLByte* lead=ptr-1;
        !           460:                        while(lead>src_begin && (*lead & 0xC0)==0x80 && ptr-lead<6) // 6 bytes is the longest character
        !           461:                                lead--;
        !           462:                        size_t expected=lengthUTF8Char(*lead);
        !           463:                        size_t present=ptr-lead;
        !           464:                        ptr=(expected==present || (expected>present && ptr==src_end)) ? lead : ptr-1;
        !           465:                }
1.289     moko      466:                from=ptr-src_begin;
                    467:        } else
                    468:                from=self_length>n ? self_length-n : 0;
                    469: 
                    470:        return from ? mid(from, self_length) : *this;
                    471: }
                    472: 
1.176     paf       473: size_t String::pos(const String::Body substr, size_t this_offset, Language lang) const {
1.183     paf       474:        size_t substr_length=substr.length();
                    475:        while(true) {
                    476:                size_t substr_begin=body.pos(substr, this_offset);
                    477:                
                    478:                if(substr_begin==CORD_NOT_FOUND)
                    479:                        return STRING_NOT_FOUND;
1.174     paf       480: 
1.183     paf       481:                if(langs.check_lang(lang, substr_begin, substr_length))
                    482:                        return substr_begin;
                    483: 
                    484:                this_offset=substr_begin+substr_length;
                    485:        }
1.58      paf       486: }
                    487: 
1.254     moko      488: size_t String::pos(const String& substr, size_t this_offset, Language lang) const {
1.174     paf       489:        return pos(substr.body, this_offset, lang);
1.60      paf       490: }
                    491: 
1.254     moko      492: size_t String::pos(Charset& charset, const String& substr, size_t this_offset, Language lang) const {
1.210     misha     493: 
                    494:        if(charset.isUTF8()){
1.234     misha     495:                const XMLByte* srcPtr=(const XMLByte*)cstr();
1.212     misha     496:                const XMLByte* srcEnd=srcPtr+body.length();
                    497: 
                    498:                // convert 'this_offset' from 'characters' to 'bytes'
                    499:                this_offset=getUTF8BytePos(srcPtr, srcEnd, this_offset);
                    500: 
1.229     misha     501:                size_t result=pos(substr.body, this_offset, lang);
                    502:                return (result==CORD_NOT_FOUND)
                    503:                        ? STRING_NOT_FOUND
                    504:                        : getUTF8CharPos(srcPtr, srcEnd, result); // convert 'result' from 'bytes' to 'characters'
1.212     misha     505:        } else {
1.229     misha     506:                size_t result=pos(substr.body, this_offset, lang);
                    507:                return (result==CORD_NOT_FOUND)
                    508:                        ? STRING_NOT_FOUND
                    509:                        : result;
1.210     misha     510:        }
                    511: }
                    512: 
1.288     moko      513: size_t String::rpos(Charset& charset, const String& substr, size_t this_offset) const {
                    514:        if(charset.isUTF8()){
                    515:                const XMLByte* srcPtr=(const XMLByte*)cstr();
                    516:                const XMLByte* srcEnd=srcPtr+body.length();
                    517: 
                    518:                // convert 'this_offset' from 'characters' to 'bytes'
                    519:                this_offset=getUTF8BytePos(srcPtr, srcEnd, this_offset);
                    520: 
                    521:                size_t result=body.rpos(substr.body, this_offset);
                    522:                return (result==STRING_NOT_FOUND)
                    523:                        ? STRING_NOT_FOUND
                    524:                        : getUTF8CharPos(srcPtr, srcEnd, result); // convert 'result' from 'bytes' to 'characters'
                    525:        } else
                    526:                return body.rpos(substr.body, this_offset);
                    527: }
                    528: 
1.256     moko      529: void String::split(ArrayString& result, size_t pos_after, const char* delim, Language lang) const {
1.237     misha     530:        if(is_empty())
                    531:                return;
1.174     paf       532:        size_t self_length=length();
1.237     misha     533:        if(size_t delim_length=strlen(delim)) {
1.186     paf       534:                size_t pos_before;
1.60      paf       535:                // while we have 'delim'...
1.283     moko      536:                while((pos_before=pos(String::Body(delim), pos_after, lang)) != STRING_NOT_FOUND) {
1.69      paf       537:                        result+=&mid(pos_after, pos_before);
1.174     paf       538:                        pos_after=pos_before+delim_length;
1.60      paf       539:                }
                    540:                // last piece
1.256     moko      541:                if(pos_after<self_length)
1.174     paf       542:                        result+=&mid(pos_after, self_length);
1.60      paf       543:        } else { // empty delim
                    544:                result+=this;
                    545:        }
                    546: }
                    547: 
1.256     moko      548: void String::split(ArrayString& result, size_t pos_after, const String& delim, Language lang) const {
1.237     misha     549:        if(is_empty())
                    550:                return;
                    551:        if(!delim.is_empty()) {
1.186     paf       552:                size_t pos_before;
1.60      paf       553:                // while we have 'delim'...
1.256     moko      554:                while((pos_before=pos(delim, pos_after, lang))!=STRING_NOT_FOUND) {
1.69      paf       555:                        result+=&mid(pos_after, pos_before);
1.174     paf       556:                        pos_after=pos_before+delim.length();
1.60      paf       557:                }
                    558:                // last piece
1.256     moko      559:                if(pos_after<length())
1.174     paf       560:                        result+=&mid(pos_after, length());
1.60      paf       561:        } else { // empty delim
                    562:                result+=this;
                    563:        }
1.61      paf       564: }
                    565: 
1.254     moko      566: Table* String::match(VRegex* vregex, Row_action row_action, void *info, int& matches_count) const {
1.209     misha     567: 
1.222     misha     568:        // vregex->info(); // I have no idea what does it for?
1.63      paf       569: 
1.222     misha     570:        bool need_pre_post_match=vregex->is_pre_post_match_needed();
                    571:        bool global=vregex->is_global_search();
1.63      paf       572: 
1.174     paf       573:        const char* subject=cstr();
1.234     misha     574:        size_t subject_length=length();
1.271     moko      575:        const int ovector_size=(1/*match*/+MAX_MATCH_GROUPS)*3; /* 1/3 is used as workspace by pcre_exec() */
1.222     misha     576:        int ovector[ovector_size];
1.155     paf       577: 
1.173     paf       578:        Table::Action_options table_options;
1.278     moko      579:        Table& table=*new Table(string_match_table_template(), table_options);
1.63      paf       580: 
1.154     paf       581:        int prestart=0;
                    582:        int poststart=0;
1.174     paf       583:        int postfinish=length();
1.267     moko      584:        int action_was_executed=-1;
1.63      paf       585:        while(true) {
1.222     misha     586:                int exec_result=vregex->exec(subject, subject_length, ovector, ovector_size, prestart);
1.63      paf       587: 
1.222     misha     588:                if(exec_result<0) // only PCRE_ERROR_NOMATCH might be here, other negative results cause an exception
                    589:                        break;
1.63      paf       590: 
1.154     paf       591:                int prefinish=ovector[0];
                    592:                poststart=ovector[1];
1.236     moko      593: 
1.267     moko      594:                if (prestart==poststart && action_was_executed==1){
1.236     moko      595:                        prestart++;
1.267     moko      596:                        action_was_executed=0;
1.236     moko      597:                        continue;
                    598:                }
                    599: 
1.232     misha     600:                ArrayString* row=new ArrayString(3);
1.174     paf       601:                if(need_pre_post_match) {
                    602:                        *row+=&mid(0, prefinish); // .prematch column value
                    603:                        *row+=&mid(prefinish, poststart); // .match
                    604:                        *row+=&mid(poststart, postfinish); // .postmatch
                    605:                } else {
1.185     paf       606:                        *row+=&Empty; // .prematch column value
                    607:                        *row+=&Empty; // .match
                    608:                        *row+=&Empty; // .postmatch
1.174     paf       609:                }
1.63      paf       610:                
1.222     misha     611:                for(int i=1; i<exec_result; i++) {
1.69      paf       612:                        // -1:-1 case handled peacefully by mid() itself
1.232     misha     613:                        *row+=(ovector[i*2+0]>=0 && ovector[i*2+1]>0)?&mid(ovector[i*2+0], ovector[i*2+1]):new String; // .i column value
1.63      paf       614:                }
                    615:                
1.209     misha     616:                matches_count++;
1.267     moko      617:                row_action(table, row, prestart - !action_was_executed, prefinish, poststart, postfinish, info);
1.63      paf       618: 
1.275     moko      619:                if(!global || (size_t)poststart>=subject_length) // last step, avoid prestart++ after last char
1.222     misha     620:                        break;
                    621: 
1.154     paf       622:                prestart=poststart;
1.267     moko      623:                action_was_executed=1;
1.222     misha     624:        }
1.63      paf       625: 
1.222     misha     626:        row_action(table, 0/*last time, no raw*/, 0, 0, poststart, postfinish, info);
                    627:        return vregex->is_just_count() ? 0 : &table;
1.82      parser    628: }
                    629: 
1.174     paf       630: String& String::change_case(Charset& source_charset, Change_case_kind kind) const {
                    631:        String& result=*new String();
                    632:        if(is_empty())
                    633:                return result;
                    634: 
                    635:        char* new_cstr=cstrm();
1.216     misha     636: 
1.181     paf       637:        if(source_charset.isUTF8()) {
1.216     misha     638:                size_t new_cstr_len=length();
1.181     paf       639:                switch(kind) {
                    640:                case CC_UPPER:
1.192     paf       641:                        change_case_UTF8((const XMLByte*)new_cstr, new_cstr_len, (XMLByte*)new_cstr, new_cstr_len, UTF8CaseToUpper);
1.181     paf       642:                        break;
                    643:                case CC_LOWER:
1.192     paf       644:                        change_case_UTF8((const XMLByte*)new_cstr, new_cstr_len, (XMLByte*)new_cstr, new_cstr_len, UTF8CaseToLower);
1.181     paf       645:                        break;
                    646:                default:
                    647:                        assert(!"unknown change case kind");
                    648:                        break; // never
                    649:                }       
                    650:                
                    651:        } else {
                    652:                const unsigned char *tables=source_charset.pcre_tables;
1.82      parser    653: 
1.181     paf       654:                const unsigned char *a;
                    655:                const unsigned char *b;
                    656:                switch(kind) {
                    657:                case CC_UPPER:
                    658:                        a=tables+lcc_offset;
                    659:                        b=tables+fcc_offset;
                    660:                        break;
                    661:                case CC_LOWER:
                    662:                        a=tables+lcc_offset;
                    663:                        b=0;
                    664:                        break;
                    665:                default:
                    666:                        assert(!"unknown change case kind");
                    667:                        a=b=0; // calm, compiler
                    668:                        break; // never
                    669:                }       
                    670: 
1.192     paf       671:                char *dest=new_cstr;
1.181     paf       672:                unsigned char index;
1.190     paf       673:                for(const char* current=new_cstr; (index=(unsigned char)*current); current++) {
1.181     paf       674:                        unsigned char c=a[index];
                    675:                        if(b)
                    676:                                c=b[c];
                    677: 
                    678:                        *dest++=(char)c;
                    679:                }
1.174     paf       680:        }
1.176     paf       681:        result.langs=langs;
1.283     moko      682:        result.body=String::Body(new_cstr);
1.89      parser    683: 
1.101     parser    684:        return result;
                    685: }
                    686: 
1.286     moko      687: String& String::change_char(char from, char to) const {
                    688:        String& result=*new String();
                    689:        if(is_empty())
                    690:                return result;
                    691: 
                    692:        char* new_cstr=cstrm();
                    693:        for(char* c=new_cstr; *c; c++)
                    694:                if(*c==from)
                    695:                        *c=to;
                    696: 
                    697:        result.langs=langs;
                    698:        result.body=String::Body(new_cstr);
                    699: 
                    700:        return result;
                    701: }
                    702: 
1.213     misha     703: const String& String::escape(Charset& source_charset) const {
                    704:        if(is_empty())
                    705:                return *this;
                    706: 
                    707:        return Charset::escape(*this, source_charset);
                    708: }
                    709: 
1.238     misha     710: #define STRING_APPEND(result, from_cstr, langs, langs_offset, length) \
                    711:                        result.langs.append(result.body, langs, langs_offset, length); \
                    712:                        result.body.append_strdup_know_length(from_cstr, length);
                    713: 
1.174     paf       714: const String& String::replace(const Dictionary& dict) const {
1.238     misha     715:        if(!dict.count() || is_empty())
                    716:                return *this;
                    717: 
1.174     paf       718:        String& result=*new String();
                    719:        const char* old_cstr=cstr();
                    720:        const char* prematch_begin=old_cstr;
                    721: 
1.238     misha     722:        if(dict.count()==1) {
                    723:                // optimized simple case
                    724: 
                    725:                Dictionary::Subst subst=dict.get(0);
1.239     moko      726:                while(const char* p=strstr(prematch_begin, subst.from)) {
1.174     paf       727:                        // prematch
1.238     misha     728:                        if(size_t prematch_length=p-prematch_begin) {
                    729:                                STRING_APPEND(result, prematch_begin, langs, prematch_begin-old_cstr, prematch_length)
1.101     parser    730:                        }
                    731: 
1.174     paf       732:                        // match
1.238     misha     733:                        prematch_begin=p+subst.from_length;
1.174     paf       734: 
1.184     paf       735:                        if(const String* b=subst.to) // are there any b?
1.174     paf       736:                                result<<*b;
1.238     misha     737:                }
                    738: 
                    739:        } else {
                    740: 
                    741:                const char* current=old_cstr;
                    742:                while(*current) {
                    743:                        if(Dictionary::Subst subst=dict.first_that_begins(current)) {
                    744:                                // prematch
                    745:                                if(size_t prematch_length=current-prematch_begin) {
                    746:                                        STRING_APPEND(result, prematch_begin, langs, prematch_begin-old_cstr, prematch_length)
                    747:                                }
                    748: 
                    749:                                // match
                    750:                                // skip 'a' in 'current'; move prematch_begin
                    751:                                current+=subst.from_length; prematch_begin=current;
                    752: 
                    753:                                if(const String* b=subst.to) // are there any b?
                    754:                                        result<<*b;
                    755:                        } else // simply advance
                    756:                                current++; 
                    757:                }
                    758: 
1.174     paf       759:        }
1.156     paf       760: 
1.238     misha     761:        if(prematch_begin==old_cstr) // not modified
                    762:                return *this;
                    763: 
1.174     paf       764:        // postmatch
1.238     misha     765:        if(size_t postmatch_length=old_cstr+length()-prematch_begin) {
                    766:                STRING_APPEND(result, prematch_begin, langs, prematch_begin-old_cstr, postmatch_length)
1.174     paf       767:        }
1.156     paf       768: 
1.174     paf       769:        ASSERT_STRING_INVARIANT(result);
1.82      parser    770:        return result;
1.61      paf       771: }
1.113     parser    772: 
1.180     paf       773: static int serialize_body_char(char c, char** cur) {
                    774:        *((*cur)++)=c;
                    775:        return 0; // 0=continue
1.248     moko      776: }
                    777: 
1.174     paf       778: static int serialize_body_piece(const char* s, char** cur) {
                    779:        size_t length=strlen(s);
                    780:        memcpy(*cur, s, length);  *cur+=length;
1.178     paf       781:        return 0; // 0=continue
1.248     moko      782: }
                    783: 
1.178     paf       784: static int serialize_lang_piece(char alang, size_t asize, char** cur) {
                    785:        // lang
1.191     paf       786:        **cur=alang; (*cur)++;
                    787:        // length [WARNING: not cast, addresses must be %4=0 on sparc]
1.178     paf       788:        memcpy(*cur, &asize, sizeof(asize));  *cur+=sizeof(asize);
                    789: 
                    790:        return 0; // 0=continue
                    791: }
1.248     moko      792: 
1.174     paf       793: String::Cm String::serialize(size_t prolog_length) const {
1.178     paf       794:        size_t fragments_count=langs.count();
1.202     paf       795:        size_t body_length=body.length();
1.174     paf       796:        size_t buf_length=
1.178     paf       797:                prolog_length //1
                    798:                +sizeof(size_t) //2
1.202     paf       799:                +body_length //3
                    800:                +1 // 4 for zero terminator used in deserialize
                    801:                +sizeof(size_t) //5
                    802:                +fragments_count*(sizeof(char)+sizeof(size_t)); //6
                    803: 
1.174     paf       804:        String::Cm result(new(PointerFreeGC) char[buf_length], buf_length);
                    805: 
                    806:        // 1: prolog
                    807:        char *cur=result.str+prolog_length;
1.202     paf       808:        // 2: chars.count [WARNING: not cast, addresses must be %4=0 on sparc]
                    809:        memcpy(cur, &body_length, sizeof(body_length));  cur+=sizeof(body_length);
                    810:        // 3: letters
                    811:        body.for_each(serialize_body_char, serialize_body_piece, &cur);
                    812:        // 4: zero terminator
                    813:        *cur++=0;
                    814:        // 5: langs.count [WARNING: not cast, addresses must be %4=0 on sparc]
1.174     paf       815:        memcpy(cur, &fragments_count, sizeof(fragments_count));  cur+=sizeof(fragments_count);
1.202     paf       816:        // 6: lang info
1.178     paf       817:        langs.for_each(body, serialize_lang_piece, &cur);
1.113     parser    818: 
1.174     paf       819:        return result;
1.113     parser    820: }
1.248     moko      821: 
1.202     paf       822: bool String::deserialize(size_t prolog_size, void *buf, size_t buf_size) {
                    823:        size_t in_buf=buf_size;
                    824:        if(in_buf<=prolog_size)
1.148     paf       825:                return false;
1.202     paf       826:        in_buf-=prolog_size;
1.135     paf       827: 
1.174     paf       828:        // 1: prolog
1.202     paf       829:        const char* cur=(const char* )buf+prolog_size;
1.113     parser    830: 
1.207     paf       831:        // 2: chars.count
1.202     paf       832:        size_t body_length;
                    833:        if(in_buf<sizeof(body_length)) // body.length don't fit?
                    834:                return false;
                    835:        // [WARNING: not cast, addresses must be %4=0 on sparc]
                    836:        memcpy(&body_length, cur, sizeof(body_length));  cur+=sizeof(body_length);
                    837:        in_buf-=sizeof(body_length);
                    838: 
                    839:        if(in_buf<body_length+1) // letters+terminator don't fit?
                    840:                return false;
                    841:        // 4: zero terminator
                    842:        if(cur[body_length] != 0) // in place?
                    843:                return false;
                    844:        // 3: letters
1.251     moko      845:        body=String::Body(String::C(cur, body_length));
1.202     paf       846:        cur+=body_length+1;
                    847:        in_buf-=body_length+1;
                    848: 
                    849:        // 5: langs.count
1.191     paf       850:        size_t fragments_count;
1.202     paf       851:        if(in_buf<sizeof(fragments_count)) // langs.count don't fit?
1.174     paf       852:                return false;
1.191     paf       853:        // [WARNING: not cast, addresses must be %4=0 on sparc]
                    854:        memcpy(&fragments_count, cur, sizeof(fragments_count));  cur+=sizeof(fragments_count);
1.202     paf       855:        in_buf-=sizeof(fragments_count);
1.174     paf       856:        
                    857:        if(fragments_count) {
1.202     paf       858:                // 6: lang info
1.174     paf       859:                size_t total_length=0;
                    860:                for(size_t f=0; f<fragments_count; f++) {
1.191     paf       861:                        char lang;
                    862:                        size_t fragment_length;
                    863:                        size_t piece_length=sizeof(lang)+sizeof(fragment_length);
1.202     paf       864:                        if(in_buf<piece_length) // lang+length
1.174     paf       865:                                return false;
                    866: 
1.191     paf       867:                        // lang
                    868:                        lang=*cur++;
                    869:                        // length [WARNING: not cast, addresses must be %4=0 on sparc]
                    870:                        memcpy(&fragment_length, cur, sizeof(fragment_length));  cur+=sizeof(fragment_length);
                    871: 
1.206     paf       872:                        size_t combined_length=total_length+fragment_length;
                    873:                        if(combined_length>body_length)
                    874:                                return false; // file curruption
1.191     paf       875:                        // uchar needed to prevent propagating 0x80 bit to upper bytes
                    876:                        langs.append(total_length, (String::Language)(uchar)lang, fragment_length);
1.206     paf       877:                        total_length=combined_length;
1.202     paf       878:                        in_buf-=piece_length;
1.174     paf       879:                }
1.128     paf       880: 
1.202     paf       881:                if(total_length!=body_length) // length(all language fragments) vs length(letters)
1.148     paf       882:                        return false;
1.174     paf       883:        }
1.202     paf       884:        if(in_buf!=0) // some strange extra bytes
                    885:                return false;
1.113     parser    886: 
1.174     paf       887:        ASSERT_STRING_INVARIANT(*this);
1.148     paf       888:        return true;
1.176     paf       889: }
                    890: 
1.201     paf       891: void String::Body::dump() const {
                    892:        CORD_dump(body);
                    893: }
                    894: 
1.257     moko      895: const char* String::Languages::visualize() const {
1.177     paf       896:        if(opt.is_not_just_lang)
1.233     misha     897:                return CORD_to_const_char_star(langs, 0);
1.176     paf       898:        else
1.257     moko      899:                return 0;
1.176     paf       900: }
1.248     moko      901: 
1.201     paf       902: void String::Languages::dump() const {
                    903:        if(opt.is_not_just_lang)
                    904:                CORD_dump(langs);
                    905:        else
                    906:                puts((const char*)&langs);
                    907: }
1.248     moko      908: 
1.257     moko      909: void String::dump() const {
                    910:        body.dump();
                    911:        langs.dump();
                    912: }
1.176     paf       913: 
1.257     moko      914: static char *n_chars(char c, size_t length){
                    915:        char *result=(char *)pa_malloc_atomic(length+1);
                    916:        memset(result, c, length);
                    917:        result[length] = '\0';
                    918:        return result;
1.113     parser    919: }
1.229     misha     920: 
1.257     moko      921: char* String::visualize_langs() const {
1.258     moko      922:        return is_not_just_lang() ? pa_strdup(langs.visualize()) : n_chars((char)just_lang(), length());
1.201     paf       923: }
1.229     misha     924: 
                    925: const String& String::trim(String::Trim_kind kind, const char* chars, Charset* source_charset) const {
1.223     misha     926:        if(is_empty())
1.195     paf       927:                return *this;
                    928: 
                    929:        size_t substr_begin, substr_length;
1.229     misha     930:        Body new_body=body.trim(kind, chars, &substr_begin, &substr_length, source_charset);
1.195     paf       931:        if(new_body==body) // we received unchanged pointer, do likewise
                    932:                return *this;
                    933:        // new_body differs from body, adjust langs along
                    934: 
                    935:        String& result=*new String;
                    936:        if(!new_body) // body.trim produced empty result
                    937:                return result;
                    938:        // body.trim produced nonempty result
                    939: 
                    940:        // first: their langs
                    941:        result.langs.append(result.body, langs, substr_begin, substr_length);
                    942:        // next: letters themselves
                    943:        result.body=new_body;
                    944: 
                    945:        ASSERT_STRING_INVARIANT(result);
                    946:        return result;
1.198     paf       947: }

E-mail: