Annotation of parser3/src/include/pa_string.h, revision 1.144.2.28.2.48

1.41      paf         1: /** @file
1.43      paf         2:        Parser: string class decl.
                      3: 
1.144.2.18  paf         4:        Copyright (c) 2001-2003 ArtLebedev Group (http://www.artlebedev.com)
1.124     paf         5:        Author: Alexandr Petrosian <paf@design.ru> (http://paf.design.ru)
1.1       paf         6: */
                      7: 
                      8: #ifndef PA_STRING_H
                      9: #define PA_STRING_H
1.140     paf        10: 
1.144.2.28.2.  8(paf      11:3): static const char* IDENT_STRING_H="$Date: 2003/04/08 12:47:30 $";
1.144.2.10  paf        12: 
                     13: // includes
1.1       paf        14: 
1.144.2.12  paf        15: #include "pa_types.h"
                     16: #include "pa_array.h"
1.4       paf        17: 
1.144.2.28.2.  (paf       18:): extern "C" { // cord's author forgot to do that
          7(paf      19:3): #define CORD_NO_IO
          (paf       20:): #include "cord.h"
                     21:): };
                     22:): 
1.144.2.12  paf        23: // forwards
1.144.2.10  paf        24: 
1.144.2.28  paf        25: class Charset;
1.144.2.28.2.  (paf       26:): class Table;
1.144.2.5  paf        27: class SQL_Connection;
                     28: class Dictionary;
1.144.2.15  paf        29: class Request_charsets;
1.144.2.28.2.  (paf       30:): class String;
          7(paf      31:3): typedef Array<const String*> ArrayString;
1.144.2.5  paf        32: 
1.144.2.28.2.  (paf       33:): /// this is result of pos functions which mean that substr were not found
                     34:): #define STRING_NOT_FOUND ((size_t)-1)
                     35:): 
          7(paf      36:3): class StringBody {
                     37:3): 
                     38:3):     CORD body;
                     39:3): 
                     40:3): public:
                     41:3): 
                     42:3):     StringBody(): body(CORD_EMPTY) {}
          5(paf      43:3):     StringBody(CORD abody): body(abody) {
          3(paf      44:3):             assert(!body // no body
                     45:3):                     || *body // ordinary string
                     46:3):                     || body[1]==1 // CONCAT_HDR
                     47:3):                     || body[1]==4 // FN_HDR 
                     48:3):                     || body[1]==6 // SUBSTR_HDR 
                     49:3):                     );
          5(paf      50:3):     }
          1(paf      51:3):     /// WARNING: length is only HELPER length, str in ANY case should be zero-terminated
                     52:3):     StringBody(const char* str, size_t helper_length): body(CORD_EMPTY) {
          6(paf      53:3):             append_know_length(str, helper_length?helper_length:strlen(str));
          2(paf      54:3):     }
          4(paf      55:3):     static StringBody Format(int value);
          7(paf      56:3): 
                     57:3):     void clear() { body=CORD_EMPTY; }
                     58:3): 
                     59:3):     bool operator! () const { return is_empty(); }
                     60:3): 
                     61:3):     uint hash_code() const;
                     62:3): 
          0(paf      63:3):     const char* cstr() const { return CORD_to_const_char_star(body); }
          1(paf      64:3):     char* cstrm() const { return CORD_to_char_star(body); }
          0(paf      65:3): 
          7(paf      66:3):     size_t length() const { return CORD_len(body); }
                     67:3): 
                     68:3):     bool is_empty() const { return body==CORD_EMPTY; }
                     69:3): 
          6(paf      70:3):     void append_know_length(const char *str, size_t known_length) {
                     71:3):             body=CORD_cat_char_star(body, str, known_length);
          7(paf      72:3):     }
          6(paf      73:3):     void append_strdup_know_length(const char* str, size_t known_length) {
                     74:3):             append_know_length(pa_strdup(str, known_length), known_length);
          1(paf      75:3):     }
          2(paf      76:3):     void append(char c) { body=CORD_cat_char(body, c); }
          6(paf      77:3):     StringBody& operator << (const StringBody src) { body=CORD_cat(body, src.body); return *this; }
                     78:3):     StringBody& operator << (const char* str) { append_know_length(str, strlen(str)); return *this; }
          7(paf      79:3): 
                     80:3):     // could not figure out why this operator is needed [should do this chain: string->simple->==]
          8(paf      81:3):     bool operator < (const StringBody src) const { return CORD_cmp(body, src.body)<0; }
                     82:3):     bool operator > (const StringBody src) const { return CORD_cmp(body, src.body)>0; }
                     83:3):     bool operator <= (const StringBody src) const { return CORD_cmp(body, src.body)<=0; }
                     84:3):     bool operator >= (const StringBody src) const { return CORD_cmp(body, src.body)>=0; }
                     85:3):     bool operator != (const StringBody src) const { return CORD_cmp(body, src.body)!=0; }
                     86:3):     bool operator == (const StringBody src) const { return CORD_cmp(body, src.body)==0; }
          7(paf      87:3): 
                     88:3):     int ncmp(size_t x_begin, const StringBody y, size_t y_begin, size_t size) const {
                     89:3):             return CORD_ncmp(body, x_begin, y.body, y_begin, size);
                     90:3):     }
                     91:3): 
                     92:3):     char fetch(size_t index) const { return CORD_fetch(body, index); }
          1(paf      93:3):     StringBody mid(size_t index, size_t length) const { return CORD_substr(body, index, length); }
          3(paf      94:3):     size_t pos(const char* substr, size_t offset=0) const { return CORD_str(body, offset, substr); }
          1(paf      95:3):     size_t pos(const StringBody substr, size_t offset=0) const { 
                     96:3):             if(!substr.length())
                     97:3):                     return STRING_NOT_FOUND; // in this case CORD_str returns 0 [parser users got used to -1]
                     98:3):             return CORD_str(body, offset, substr.body); 
                     99:3):     }
          2(paf     100:3):     size_t pos(char c, 
                    101:3):             size_t offset=0) const {
                    102:3):             return CORD_chr(body, offset, c);
                    103:3):     }
          1(paf     104:3): 
                    105:3):     template<typename I> void for_each(int (*callback)(const char* s, I), I info) const {
                    106:3):             CORD_iter5(body, 0, 0, (CORD_batched_iter_fn)callback, info);
                    107:3):     }
                    108:3): 
                    109:3):     void set_pos(CORD_pos& pos, size_t index) const { CORD_set_pos(pos, body, index); }
          7(paf     110:3): 
          5(paf     111:3):     StringBody normalize() const {
                    112:3):             return StringBody(CORD_balance(body));
                    113:3):     }
                    114:3): 
                    115:3):     void dump() const {
                    116:3):             CORD_dump(body);
                    117:3):     }
          7(paf     118:3): };
          (paf      119:): 
1.144.2.2  paf       120: /** 
                    121:        String which knows the language of all it's fragments.
1.41      paf       122: 
                    123:        All pieces remember 
                    124:        - whether they are tainted or not, 
                    125:          and the language which should be used to detaint them
                    126: */
1.144.2.28.2.  (paf      127:): class String: public PA_Object {
                    128:): 
          2(paf     129:3): //  friend class StringBody;
          7(paf     130:3): 
1.144.2.2  paf       131: public:
1.1       paf       132: 
1.106     parser    133:        /** piece is tainted or not. the language to use when detaint
                    134:                remember to change String_Untaint_lang_name @ untaint.C along
                    135:        */
1.144.2.28.2.  7(paf     136:3):     enum Language {
                    137:3):             L_UNSPECIFIED=0, ///< zero value handy for hash lookup @see untaint_lang_name2enum
                    138:3):             // these two must go before others, there are checks for >L_AS_IS
                    139:3):             L_CLEAN, ///< clean
                    140:3):             L_AS_IS,     ///< leave all characters intact
1.122     paf       141: 
1.144.2.28.2.  7(paf     142:3):             L_PASS_APPENDED,
1.41      paf       143:                        /**<
                    144:                                leave language built into string being appended.
                    145:                                just a flag, that value not stored
                    146:                        */
1.144.2.28.2.  7(paf     147:3):             L_TAINTED,  ///< tainted, untaint language as assigned later 
1.122     paf       148:                // untaint languages. assigned by ^untaint[lang]{...}
1.144.2.28.2.  7(paf     149:3):             L_FILE_SPEC, ///< file specification
                    150:3):             L_HTTP_HEADER,    ///< text in HTTP response header
                    151:3):             L_MAIL_HEADER,    ///< text in mail header
                    152:3):             L_URI,       ///< text in uri
                    153:3):             L_TABLE,     ///< ^table:set body
                    154:3):             L_SQL,       ///< ^table:sql body
                    155:3):             L_JS,        ///< JavaScript code
                    156:3):             L_XML,          ///< ^dom:set xml
                    157:3):             L_HTML,      ///< HTML code (for editing)
                    158:3):             L_OPTIMIZE_BIT = 0x8000  ///< flag, requiring cstr whitespace optimization
1.27      paf       159:        };
                    160: 
1.144.2.28.2.  (paf      161:):      struct Fragment { 
          7(paf     162:3):             Language lang; ///< untaint flag, later untaint language
          0(paf     163:3):             size_t length;  ///< length
          9(paf     164:3):             Fragment(Language alang, size_t asize): lang(alang), length(asize) {
          3(paf     165:3):                     assert(alang!=L_UNSPECIFIED);
                    166:3):                     assert(asize!=(size_t)-1);
          9(paf     167:3):             }
          (paf      168:):      };
                    169:): 
                    170:):      class ArrayFragment: public Array<Fragment> {
          6(paf     171:3):             void append(element_type src) {
          (paf      172:):                      *static_cast<Array<Fragment> *>(this)+=src;
                    173:):              }
          6(paf     174:3):             /// hiding from accidental USE, use append_positions
                    175:3):             void append(const ArrayFragment& src, int offset, int limit) { 
                    176:3):                     static_cast<Array<Fragment> *>(this)->append(src, offset, limit);
                    177:3):             }
          (paf      178:):      public:
                    179:):              ArrayFragment& operator += (element_type src) {
          8(paf     180:3):                     if(size_t lcount=count()) { // not empty?
          (paf      181:):                              // try to join with last
          4(paf     182:3):                             Fragment& last=get_ref(lcount-1);
          (paf      183:):                              if(last.lang==src.lang) {
          0(paf     184:3):                                     last.length+=src.length;
          (paf      185:):                                      return *this;
                    186:):                              }
                    187:):                      }
          6(paf     188:3):                     append(src);
          (paf      189:):                      return *this;
                    190:):              }
          6(paf     191:3):             void append(const ArrayFragment& src) { append(src, 0, 0); }
                    192:3):             void append_positions(const ArrayFragment& src, size_t substr_begin, size_t substr_end);
          7(paf     193:3): 
                    194:3):             size_t length() {
                    195:3):                     size_t result=0;
                    196:3):                     for(Array_iterator<element_type> i(*this); i.has_next(); ) {
                    197:3):                             const Fragment fragment=i.next();
                    198:3):                             result+=fragment.length;
                    199:3):                     }
                    200:3):                     return result;
                    201:3):             }
          (paf      202:):      };
                    203:): 
                    204:):      struct C {
          7(paf     205:3):             const char *str;
                    206:3):             size_t length;
                    207:3):             operator const char *() { return str; }
                    208:3):             C(const char *astr, size_t asize): str(astr), length(asize) {}
                    209:3):     };
                    210:3): 
                    211:3):     struct Cm {
          (paf      212:):              char *str;
          0(paf     213:3):             size_t length;
          7(paf     214:3):             //operator char *() { return str; }
                    215:3):             Cm(char *astr, size_t asize): str(astr), length(asize) {}
          (paf      216:):      };
                    217:): 
                    218:): private:
                    219:): 
          7(paf     220:3):     StringBody body; ///< all characters of string
          0(paf     221:3):     ArrayFragment fragments; ///< fragment language+length info
          (paf      222:): 
1.8       paf       223: public:
                    224: 
1.144.2.28.2.  6(paf     225:3):     explicit String(const char* cstr=0, size_t helper_length=0, bool tainted=false);
          8(paf     226:3):     explicit String(const C cstr, bool tainted=false);
1.14      paf       227:        String(const String& src);
1.144.2.28.2.  7(paf     228:3):     String(StringBody abody, Language alang): body(abody) {
                    229:3):             fragments+=Fragment(alang, abody.length());
                    230:3):     }
          8(paf     231:3): 
                    232:3): #define ASSERT_STRING_INVARIANT(string) \
                    233:3):     assert((string).body.length()==(string).fragments.length())
          7(paf     234:3): 
                    235:3):     /// for convinient hash lookup
          2(paf     236:3):     operator const StringBody() const { return body; }
          7(paf     237:3): 
                    238:3):     bool is_empty() const { return body.is_empty(); }
                    239:3):     size_t length() const { return body.length(); }
          (paf      240:): 
          2(paf     241:3):     /// convert to CORD. if 'lang' known, forcing 'lang' to it
          1(paf     242:3):     StringBody cstr_to_string_body(Language lang=L_AS_IS, 
          7(paf     243:3):             SQL_Connection* connection=0,
          (paf      244:):              const Request_charsets *charsets=0) const;
                    245:): 
          2(paf     246:3):     /// convert to constant C string. if 'lang' known, forcing 'lang' to it
          7(paf     247:3):     const char* cstr(Language lang=L_AS_IS, 
                    248:3):             SQL_Connection* connection=0,
1.144.2.14  paf       249:                const Request_charsets *charsets=0) const {
1.144.2.28.2.  1(paf     250:3):             return cstr_to_string_body(lang, connection, charsets).cstr();
          (paf      251:):      }
          2(paf     252:3):     /// convert to Modifiable C string. if 'lang' known, forcing 'lang' to it
          7(paf     253:3):     char *cstrm(Language lang=L_AS_IS, 
                    254:3):             SQL_Connection* connection=0,
          (paf      255:):              const Request_charsets *charsets=0) const {
          1(paf     256:3):             return cstr_to_string_body(lang, connection, charsets).cstrm();
1.144.2.9  paf       257:        }
1.108     parser    258:        /// puts pieces to buf
1.144.2.28.2.  7(paf     259:3):     Cm serialize(size_t prolog_size) const;
1.108     parser    260:        /// appends pieces from buf to self
1.144.2.28.2.  4(paf     261:3):     bool deserialize(size_t prolog_size, void *buf, size_t buf_size);
          7(paf     262:3):     /// @see StringBody::append_know_length
                    263:3):     String& append_know_length(const char* str, size_t known_length, Language lang);
          1(paf     264:3):     /// @see StringBody::append_help_length
                    265:3):     String& append_help_length(const char* str, size_t helper_length, Language lang);
          6(paf     266:3):     String& append_strdup(const char* str, size_t helper_length, Language lang);
          (paf      267:): 
          7(paf     268:3):     bool operator == (const char* y) const { return body==StringBody(y); }
          0(paf     269:3):     bool operator != (const char* y) const { return body!=StringBody(y); }
          (paf      270:): 
                    271:):      /// this starts with y
          7(paf     272:3):     bool starts_with(const char* y) const {
                    273:3):             return body.ncmp(0/*x_begin*/, StringBody(y), 0/*y_begin*/, strlen(y))==0;
1.80      paf       274:        }
1.144.2.28.2.  9(paf     275:3):     /// x starts with this
                    276:3):     bool this_starts(const char* x) const {
                    277:3):             return StringBody(x).ncmp(0/*x_begin*/, body, 0/*y_begin*/, length())==0;
          (paf      278:):      }
1.80      paf       279: 
1.144.2.28.2.  7(paf     280:3):     String& append_to(String& dest, Language lang, bool forced) const;
                    281:3):     String& append(const String& src, Language lang, bool forced=false) { 
1.144.2.11  paf       282:                return src.append_to(*this, lang, forced);
                    283:        }
1.144.2.28.2.  7(paf     284:3):     String& operator << (const String& src) { return append(src, L_PASS_APPENDED); }
          1(paf     285:3):     String& operator << (const char* src) { return append_help_length(src, 0, L_AS_IS); }
          8(paf     286:3):     String& operator << (const StringBody src) { 
          6(paf     287:3):             body<<src;
          9(paf     288:3):             fragments+=Fragment(L_AS_IS, src.length());
                    289:3):             return *this;
                    290:3):     }
1.100     parser    291: 
1.142     paf       292:        /// extracts first char of a string, if any
                    293:        char first_char() const {
1.144.2.28.2.  7(paf     294:3):             return is_empty()?0:body.fetch(0);
1.142     paf       295:        }
1.144.2.28.2.  8(paf     296:3): 
                    297:3):     bool operator < (const String& src) const { return body<src.body; }
                    298:3):     bool operator > (const String& src) const { return body>src.body; }
                    299:3):     bool operator <= (const String& src) const { return body<=src.body; }
                    300:3):     bool operator >= (const String& src) const { return body>=src.body; }
                    301:3):     bool operator != (const String& src) const { return body!=src.body; }
                    302:3):     bool operator == (const String& src) const { return body==src.body; }
1.54      paf       303: 
                    304:        /// extracts [start, finish) piece of string
1.144.2.28.2.  2(paf     305:3):     String& mid(size_t substr_begin, size_t substr_end) const;
          (paf      306:): 
                    307:):      /** 
          7(paf     308:3):             ignore lang if it's L_UNSPECIFIED
          (paf      309:):              but when specified: look for substring that lies in ONE fragment in THAT lang
                    310:):              @return position of substr in string, -1 means "not found" [const char* version]
                    311:):      */
          1(paf     312:3):     size_t pos(const StringBody substr, 
          7(paf     313:3):             size_t this_offset=0, Language lang=L_UNSPECIFIED) const;
                    314:3):     /// String version of @see pos(const char*, int, Language)
          (paf      315:):      size_t pos(const String& substr, 
          7(paf     316:3):             size_t this_offset=0, Language lang=L_UNSPECIFIED) const;
          2(paf     317:3):     size_t pos(char c, 
                    318:3):             size_t this_offset=0) const {
                    319:3):             return body.pos(c, this_offset);
                    320:3):     }
1.62      paf       321: 
1.144.2.22  paf       322:        void split(ArrayString& result, 
1.144.2.28.2.  2(paf     323:3):             size_t& pos_after,
          (paf      324:):              const char* delim, 
          2(paf     325:3):             Language lang=L_UNSPECIFIED, int limit=-1) const;
1.144.2.22  paf       326:        void split(ArrayString& result, 
1.144.2.28.2.  5(paf     327:3):             size_t& pos_after, 
1.62      paf       328:                const String& delim, 
1.144.2.28.2.  7(paf     329:3):             Language lang=L_UNSPECIFIED, int limit=-1) const;
1.62      paf       330: 
1.144.2.28.2.  6(paf     331:3):     typedef void (*Row_action)(Table& table, ArrayString* row, 
1.136     paf       332:                int prestart, int prefinish, 
                    333:                int poststart, int postfinish,
1.144.2.9  paf       334:                void *info);
1.87      parser    335:        /**
1.144.2.5  paf       336:                @return table of found items, if any.
1.87      parser    337:                table format is defined and fixed[can be used by others]: 
                    338:                @verbatim
                    339:                        prematch/match/postmatch/1/2/3/...
                    340:                @endverbatim
                    341:        */
1.144.2.28.2.  (paf      342:):      Table* match(Charset& source_charset,
1.64      paf       343:                const String& regexp, 
1.144.2.28.2.  5(paf     344:3):             const String* options,
1.99      parser    345:                Row_action row_action, void *info,
1.144.2.27  paf       346:                bool& just_matched) const;
1.87      parser    347:        enum Change_case_kind {
                    348:                CC_UPPER,
                    349:                CC_LOWER
                    350:        };
1.144.2.28.2.  (paf      351:):      String& change_case(Charset& source_charset,
          5(paf     352:3):             Change_case_kind kind) const;
          (paf      353:):      const String& replace(const Dictionary& dict) const;
                    354:):      double as_double() const;
                    355:):      int as_int() const;
1.137     paf       356: 
1.7       paf       357: private: //disabled
                    358: 
1.12      paf       359:        String& operator = (const String&) { return *this; }
1.7       paf       360: 
1.1       paf       361: };
1.144.2.7  paf       362: 
                    363: /// simple hash code of string. used by Hash
1.144.2.28.2.  8(paf     364:3): inline uint hash_code(const StringBody self) {
1.144.2.7  paf       365:        return self.hash_code();
                    366: }
1.1       paf       367: 
                    368: #endif

E-mail: