Regex: Add initial, exploratory work on a custom regex engine
This commit is contained in:
parent
797a0cb062
commit
8c9976ea72
391
src/regex_impl.cc
Normal file
391
src/regex_impl.cc
Normal file
|
@ -0,0 +1,391 @@
|
||||||
|
#include "regex_impl.hh"
|
||||||
|
#include "vector.hh"
|
||||||
|
#include "unit_tests.hh"
|
||||||
|
#include "string.hh"
|
||||||
|
#include "exception.hh"
|
||||||
|
|
||||||
|
namespace Kakoune
|
||||||
|
{
|
||||||
|
|
||||||
|
struct RegexProgram
|
||||||
|
{
|
||||||
|
enum Op : char
|
||||||
|
{
|
||||||
|
Match,
|
||||||
|
Literal,
|
||||||
|
AnyChar,
|
||||||
|
Jump,
|
||||||
|
Split,
|
||||||
|
LineStart,
|
||||||
|
LineEnd,
|
||||||
|
};
|
||||||
|
|
||||||
|
using Offset = size_t;
|
||||||
|
using Instructions = Vector<char>;
|
||||||
|
|
||||||
|
Instructions instructions;
|
||||||
|
};
|
||||||
|
|
||||||
|
|
||||||
|
namespace RegexCompiler
|
||||||
|
{
|
||||||
|
enum class Quantifier
|
||||||
|
{
|
||||||
|
One,
|
||||||
|
Optional,
|
||||||
|
RepeatZeroOrMore,
|
||||||
|
RepeatOneOrMore
|
||||||
|
};
|
||||||
|
|
||||||
|
enum class Op
|
||||||
|
{
|
||||||
|
Literal,
|
||||||
|
AnyChar,
|
||||||
|
Sequence,
|
||||||
|
Alternation,
|
||||||
|
LineStart,
|
||||||
|
LineEnd,
|
||||||
|
};
|
||||||
|
|
||||||
|
struct AstNode
|
||||||
|
{
|
||||||
|
Op op;
|
||||||
|
char value;
|
||||||
|
Quantifier quantifier;
|
||||||
|
Vector<std::unique_ptr<AstNode>> children;
|
||||||
|
};
|
||||||
|
|
||||||
|
using AstNodePtr = std::unique_ptr<AstNode>;
|
||||||
|
|
||||||
|
AstNodePtr make_ast_node(Op op, char value = 0,
|
||||||
|
Quantifier quantifier = Quantifier::One)
|
||||||
|
{
|
||||||
|
return AstNodePtr{new AstNode{op, value, quantifier, {}}};
|
||||||
|
}
|
||||||
|
|
||||||
|
template<typename Iterator>
|
||||||
|
struct Parser
|
||||||
|
{
|
||||||
|
static AstNodePtr parse(Iterator pos, Iterator end)
|
||||||
|
{
|
||||||
|
return disjunction(pos, end);
|
||||||
|
}
|
||||||
|
|
||||||
|
private:
|
||||||
|
static AstNodePtr disjunction(Iterator& pos, Iterator end)
|
||||||
|
{
|
||||||
|
AstNodePtr node = alternative(pos, end);
|
||||||
|
if (pos == end or *pos != '|')
|
||||||
|
return node;
|
||||||
|
|
||||||
|
AstNodePtr res = make_ast_node(Op::Alternation);
|
||||||
|
res->children.push_back(std::move(node));
|
||||||
|
while (pos != end and *pos == '|')
|
||||||
|
res->children.push_back(disjunction(++pos, end));
|
||||||
|
return res;
|
||||||
|
}
|
||||||
|
|
||||||
|
static AstNodePtr alternative(Iterator& pos, Iterator end)
|
||||||
|
{
|
||||||
|
AstNodePtr res = make_ast_node(Op::Sequence);
|
||||||
|
while (auto node = term(pos, end))
|
||||||
|
res->children.push_back(std::move(node));
|
||||||
|
return res;
|
||||||
|
}
|
||||||
|
|
||||||
|
static AstNodePtr term(Iterator& pos, Iterator end)
|
||||||
|
{
|
||||||
|
if (auto node = assertion(pos, end))
|
||||||
|
return node;
|
||||||
|
if (auto node = atom(pos, end))
|
||||||
|
{
|
||||||
|
node->quantifier = quantifier(pos, end);
|
||||||
|
return node;
|
||||||
|
}
|
||||||
|
return nullptr;
|
||||||
|
}
|
||||||
|
|
||||||
|
static AstNodePtr assertion(Iterator& pos, Iterator end)
|
||||||
|
{
|
||||||
|
switch (*pos)
|
||||||
|
{
|
||||||
|
case '^': ++pos; return make_ast_node(Op::LineStart);
|
||||||
|
case '$': ++pos; return make_ast_node(Op::LineEnd);
|
||||||
|
/* TODO: \`, \', \b, \B, look ahead, look behind */
|
||||||
|
}
|
||||||
|
return nullptr;
|
||||||
|
}
|
||||||
|
|
||||||
|
static AstNodePtr atom(Iterator& pos, Iterator end)
|
||||||
|
{
|
||||||
|
const auto c = *pos;
|
||||||
|
switch (c)
|
||||||
|
{
|
||||||
|
case '.': ++pos; return make_ast_node(Op::AnyChar);
|
||||||
|
case '(':
|
||||||
|
{
|
||||||
|
++pos;
|
||||||
|
auto content = disjunction(pos, end);
|
||||||
|
if (pos == end or *pos != ')')
|
||||||
|
throw runtime_error{"Unclosed parenthesis"};
|
||||||
|
++pos;
|
||||||
|
return content;
|
||||||
|
}
|
||||||
|
default:
|
||||||
|
if (contains("^$.*+?()[]{}|", c))
|
||||||
|
return nullptr;
|
||||||
|
++pos;
|
||||||
|
return make_ast_node(Op::Literal, c);
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
static Quantifier quantifier(Iterator& pos, Iterator end)
|
||||||
|
{
|
||||||
|
switch (*pos)
|
||||||
|
{
|
||||||
|
case '*': ++pos; return Quantifier::RepeatZeroOrMore;
|
||||||
|
case '+': ++pos; return Quantifier::RepeatOneOrMore;
|
||||||
|
case '?': ++pos; return Quantifier::Optional;
|
||||||
|
default: return Quantifier::One;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
};
|
||||||
|
|
||||||
|
RegexProgram::Offset compile_node(RegexProgram& program, const AstNodePtr& node)
|
||||||
|
{
|
||||||
|
auto& insts = program.instructions;
|
||||||
|
RegexProgram::Offset pos = insts.size();
|
||||||
|
|
||||||
|
auto allow_none = [](Quantifier quantifier) {
|
||||||
|
return quantifier == Quantifier::Optional or
|
||||||
|
quantifier == Quantifier::RepeatZeroOrMore;
|
||||||
|
};
|
||||||
|
|
||||||
|
auto is_repeat = [](Quantifier quantifier) {
|
||||||
|
return quantifier == Quantifier::RepeatZeroOrMore or
|
||||||
|
quantifier == Quantifier::RepeatOneOrMore;
|
||||||
|
};
|
||||||
|
|
||||||
|
auto alloc_offsets = [](RegexProgram::Instructions& instructions, int count) {
|
||||||
|
auto pos = instructions.size();
|
||||||
|
instructions.resize(instructions.size() + count * sizeof(RegexProgram::Offset));
|
||||||
|
return pos;
|
||||||
|
};
|
||||||
|
|
||||||
|
auto get_offset = [](RegexProgram::Instructions& instructions, RegexProgram::Offset base, int index = 0) {
|
||||||
|
return reinterpret_cast<RegexProgram::Offset*>(&instructions[base]) + index;
|
||||||
|
};
|
||||||
|
|
||||||
|
RegexProgram::Offset optional_offset = -1;
|
||||||
|
if (allow_none(node->quantifier))
|
||||||
|
{
|
||||||
|
insts.push_back(RegexProgram::Split);
|
||||||
|
insts.push_back(2);
|
||||||
|
auto offsets = alloc_offsets(insts, 2);
|
||||||
|
*get_offset(insts, offsets) = insts.size();
|
||||||
|
optional_offset = offsets;
|
||||||
|
}
|
||||||
|
|
||||||
|
Vector<RegexProgram::Offset> goto_end_offsets;
|
||||||
|
auto content_pos = insts.size();
|
||||||
|
switch (node->op)
|
||||||
|
{
|
||||||
|
case Op::Literal:
|
||||||
|
insts.push_back(RegexProgram::Literal);
|
||||||
|
insts.push_back(node->value);
|
||||||
|
break;
|
||||||
|
case Op::AnyChar:
|
||||||
|
insts.push_back(RegexProgram::AnyChar);
|
||||||
|
break;
|
||||||
|
case Op::Sequence:
|
||||||
|
for (auto& child : node->children)
|
||||||
|
compile_node(program, child);
|
||||||
|
break;
|
||||||
|
case Op::Alternation:
|
||||||
|
{
|
||||||
|
const auto count = node->children.size();
|
||||||
|
if (count > 255)
|
||||||
|
throw runtime_error{"More than 255 elements in an alternation is not supported"};
|
||||||
|
|
||||||
|
insts.push_back(RegexProgram::Split);
|
||||||
|
insts.push_back(count);
|
||||||
|
auto offsets = alloc_offsets(insts, count);
|
||||||
|
auto& children = node->children;
|
||||||
|
for (int i = 0; i < children.size(); ++i)
|
||||||
|
{
|
||||||
|
auto child_pos = compile_node(program, children[i]);
|
||||||
|
*get_offset(insts, offsets, i) = child_pos;
|
||||||
|
// Jump to end after executing that children
|
||||||
|
insts.push_back(RegexProgram::Jump);
|
||||||
|
goto_end_offsets.push_back(alloc_offsets(insts, 1));
|
||||||
|
}
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
case Op::LineStart:
|
||||||
|
insts.push_back(RegexProgram::LineStart);
|
||||||
|
break;
|
||||||
|
case Op::LineEnd:
|
||||||
|
insts.push_back(RegexProgram::LineEnd);
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
for (auto& offset : goto_end_offsets)
|
||||||
|
*get_offset(insts, offset) = insts.size();
|
||||||
|
|
||||||
|
if (is_repeat(node->quantifier))
|
||||||
|
{
|
||||||
|
insts.push_back(RegexProgram::Split);
|
||||||
|
insts.push_back(2);
|
||||||
|
auto offsets = alloc_offsets(insts, 2);
|
||||||
|
*get_offset(insts, offsets, 0) = content_pos;
|
||||||
|
*get_offset(insts, offsets, 1) = insts.size();
|
||||||
|
}
|
||||||
|
|
||||||
|
if (optional_offset != -1)
|
||||||
|
*get_offset(insts, optional_offset, 1) = insts.size();
|
||||||
|
|
||||||
|
return pos;
|
||||||
|
}
|
||||||
|
|
||||||
|
RegexProgram compile(const AstNodePtr& node)
|
||||||
|
{
|
||||||
|
RegexProgram res;
|
||||||
|
compile_node(res, node);
|
||||||
|
res.instructions.push_back(RegexProgram::Match);
|
||||||
|
return res;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
void dump_program(const RegexProgram& program)
|
||||||
|
{
|
||||||
|
auto& insts = program.instructions;
|
||||||
|
for (size_t pos = 0; pos < insts.size(); )
|
||||||
|
{
|
||||||
|
printf("%4zd ", pos);
|
||||||
|
switch ((RegexProgram::Op)insts[pos++])
|
||||||
|
{
|
||||||
|
case RegexProgram::Literal:
|
||||||
|
printf("literal %c\n", insts[pos++]);
|
||||||
|
break;
|
||||||
|
case RegexProgram::AnyChar:
|
||||||
|
printf("any char\n");
|
||||||
|
break;
|
||||||
|
case RegexProgram::Jump:
|
||||||
|
printf("jump %zd\n", *reinterpret_cast<const RegexProgram::Offset*>(&insts[pos]));
|
||||||
|
pos += sizeof(RegexProgram::Offset);
|
||||||
|
break;
|
||||||
|
case RegexProgram::Split:
|
||||||
|
{
|
||||||
|
int count = insts[pos++];
|
||||||
|
printf("split [");
|
||||||
|
for (int i = 0; i < count; ++i)
|
||||||
|
printf("%zd%s", reinterpret_cast<const RegexProgram::Offset*>(&insts[pos])[i],
|
||||||
|
(i == count - 1) ? "]\n" : ", ");
|
||||||
|
pos += count * sizeof(RegexProgram::Offset);
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
case RegexProgram::LineStart:
|
||||||
|
printf("line start\n");
|
||||||
|
break;
|
||||||
|
case RegexProgram::LineEnd:
|
||||||
|
printf("line end\n");
|
||||||
|
break;
|
||||||
|
case RegexProgram::Match:
|
||||||
|
printf("match\n");
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
bool regex_match(const RegexProgram& program, StringView data)
|
||||||
|
{
|
||||||
|
const char* start = program.instructions.data();
|
||||||
|
Vector<const char*> threads = { start };
|
||||||
|
|
||||||
|
struct StepResult
|
||||||
|
{
|
||||||
|
enum Result { Consumed, Stepped, Matched, Failed } result;
|
||||||
|
const char* next = nullptr;
|
||||||
|
};
|
||||||
|
auto step_thread = [&](const char* inst, char c) -> StepResult
|
||||||
|
{
|
||||||
|
const RegexProgram::Op op = (RegexProgram::Op)*inst++;
|
||||||
|
switch (op)
|
||||||
|
{
|
||||||
|
case RegexProgram::Literal:
|
||||||
|
if (*inst++ == c)
|
||||||
|
return { StepResult::Consumed, inst };
|
||||||
|
return { StepResult::Failed };
|
||||||
|
case RegexProgram::AnyChar:
|
||||||
|
return { StepResult::Consumed, inst };
|
||||||
|
case RegexProgram::Jump:
|
||||||
|
return { StepResult::Stepped, start + *reinterpret_cast<const RegexProgram::Offset*>(inst) };
|
||||||
|
case RegexProgram::Split:
|
||||||
|
{
|
||||||
|
const int count = *inst++;
|
||||||
|
auto* offsets = reinterpret_cast<const RegexProgram::Offset*>(inst);
|
||||||
|
for (int o = 1; o < count; ++o)
|
||||||
|
threads.push_back(start + offsets[o]);
|
||||||
|
return { StepResult::Stepped, start + offsets[0] };
|
||||||
|
}
|
||||||
|
case RegexProgram::LineStart:
|
||||||
|
// TODO
|
||||||
|
return { StepResult::Stepped, inst };
|
||||||
|
case RegexProgram::LineEnd:
|
||||||
|
// TODO
|
||||||
|
return { StepResult::Stepped, inst };
|
||||||
|
case RegexProgram::Match:
|
||||||
|
return { StepResult::Matched };
|
||||||
|
}
|
||||||
|
return { StepResult::Failed };
|
||||||
|
};
|
||||||
|
|
||||||
|
for (auto c : data)
|
||||||
|
{
|
||||||
|
for (int i = 0; i < threads.size(); ++i)
|
||||||
|
{
|
||||||
|
while (threads[i])
|
||||||
|
{
|
||||||
|
auto res = step_thread(threads[i], c);
|
||||||
|
threads[i] = res.next;
|
||||||
|
|
||||||
|
if (res.result == StepResult::Consumed or
|
||||||
|
res.result == StepResult::Failed)
|
||||||
|
break;
|
||||||
|
else if (res.result == StepResult::Matched)
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
threads.erase(std::remove(threads.begin(), threads.end(), nullptr), threads.end());
|
||||||
|
if (threads.empty())
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
// Step remaining threads to see if they match without consuming anything else
|
||||||
|
for (int i = 0; i < threads.size(); ++i)
|
||||||
|
{
|
||||||
|
while (threads[i])
|
||||||
|
{
|
||||||
|
auto res = step_thread(threads[i], 0);
|
||||||
|
threads[i] = res.next;
|
||||||
|
if (res.result == StepResult::Consumed)
|
||||||
|
break;
|
||||||
|
else if (res.result == StepResult::Matched)
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
auto test_regex = UnitTest{[]{
|
||||||
|
StringView re = "^(foo|qux)+(bar)?baz$";
|
||||||
|
auto node = RegexCompiler::Parser<const char*>::parse(re.begin(), re.end());
|
||||||
|
kak_assert(node);
|
||||||
|
auto program = RegexCompiler::compile(node);
|
||||||
|
dump_program(program);
|
||||||
|
kak_assert(regex_match(program, "fooquxbarbaz"));
|
||||||
|
kak_assert(not regex_match(program, "quxbar"));
|
||||||
|
kak_assert(not regex_match(program, "blahblah"));
|
||||||
|
kak_assert(regex_match(program, "foobaz"));
|
||||||
|
}};
|
||||||
|
|
||||||
|
}
|
4
src/regex_impl.hh
Normal file
4
src/regex_impl.hh
Normal file
|
@ -0,0 +1,4 @@
|
||||||
|
#ifndef regex_impl_hh_INCLUDED
|
||||||
|
#define regex_impl_hh_INCLUDED
|
||||||
|
|
||||||
|
#endif // regex_impl_hh_INCLUDED
|
Loading…
Reference in New Issue
Block a user