home *** CD-ROM | disk | FTP | other *** search
/ OS/2 Shareware BBS: 6 File / 06-File.zip / less373.zip / regexp.c < prev    next >
C/C++ Source or Header  |  2002-01-14  |  28KB  |  1,251 lines
  1. /*
  2.  * regcomp and regexec -- regsub and regerror are elsewhere
  3.  *
  4.  *    Copyright (c) 1986 by University of Toronto.
  5.  *    Written by Henry Spencer.  Not derived from licensed software.
  6.  *
  7.  *    Permission is granted to anyone to use this software for any
  8.  *    purpose on any computer system, and to redistribute it freely,
  9.  *    subject to the following restrictions:
  10.  *
  11.  *    1. The author is not responsible for the consequences of use of
  12.  *        this software, no matter how awful, even if they arise
  13.  *        from defects in it.
  14.  *
  15.  *    2. The origin of this software must not be misrepresented, either
  16.  *        by explicit claim or by omission.
  17.  *
  18.  *    3. Altered versions must be plainly marked as such, and must not
  19.  *        be misrepresented as being the original software.
  20.  *
  21.  * Beware that some of this code is subtly aware of the way operator
  22.  * precedence is structured in regular expressions.  Serious changes in
  23.  * regular-expression syntax might require a total rethink.
  24.  *
  25.  * *** NOTE: this code has been altered slightly for use in Tcl. ***
  26.  * Slightly modified by David MacKenzie to undo most of the changes for TCL.
  27.  * Added regexec2 with notbol parameter. -- 4/19/99 Mark Nudelman
  28.  */
  29.  
  30. #include "less.h"
  31. #if HAVE_STDIO_H
  32. #include <stdio.h>
  33. #endif
  34. #if HAVE_STDLIB_H
  35. #include <stdlib.h>
  36. #endif
  37. #if HAVE_STRING_H
  38. #include <string.h>
  39. #endif
  40. #include "regexp.h"
  41.  
  42. /*
  43.  * The "internal use only" fields in regexp.h are present to pass info from
  44.  * compile to execute that permits the execute phase to run lots faster on
  45.  * simple cases.  They are:
  46.  *
  47.  * regstart    char that must begin a match; '\0' if none obvious
  48.  * reganch    is the match anchored (at beginning-of-line only)?
  49.  * regmust    string (pointer into program) that match must include, or NULL
  50.  * regmlen    length of regmust string
  51.  *
  52.  * Regstart and reganch permit very fast decisions on suitable starting points
  53.  * for a match, cutting down the work a lot.  Regmust permits fast rejection
  54.  * of lines that cannot possibly match.  The regmust tests are costly enough
  55.  * that regcomp() supplies a regmust only if the r.e. contains something
  56.  * potentially expensive (at present, the only such thing detected is * or +
  57.  * at the start of the r.e., which can involve a lot of backup).  Regmlen is
  58.  * supplied because the test in regexec() needs it and regcomp() is
  59.  * computing it anyway.
  60.  */
  61.  
  62. /*
  63.  * Structure for regexp "program".  This is essentially a linear encoding
  64.  * of a nondeterministic finite-state machine (aka syntax charts or
  65.  * "railroad normal form" in parsing technology).  Each node is an opcode
  66.  * plus a "next" pointer, possibly plus an operand.  "Next" pointers of
  67.  * all nodes except BRANCH implement concatenation; a "next" pointer with
  68.  * a BRANCH on both ends of it is connecting two alternatives.  (Here we
  69.  * have one of the subtle syntax dependencies:  an individual BRANCH (as
  70.  * opposed to a collection of them) is never concatenated with anything
  71.  * because of operator precedence.)  The operand of some types of node is
  72.  * a literal string; for others, it is a node leading into a sub-FSM.  In
  73.  * particular, the operand of a BRANCH node is the first node of the branch.
  74.  * (NB this is *not* a tree structure:  the tail of the branch connects
  75.  * to the thing following the set of BRANCHes.)  The opcodes are:
  76.  */
  77.  
  78. /* definition    number    opnd?    meaning */
  79. #undef EOL
  80. #define    END    0    /* no    End of program. */
  81. #define    BOL    1    /* no    Match "" at beginning of line. */
  82. #define    EOL    2    /* no    Match "" at end of line. */
  83. #define    ANY    3    /* no    Match any one character. */
  84. #define    ANYOF    4    /* str    Match any character in this string. */
  85. #define    ANYBUT    5    /* str    Match any character not in this string. */
  86. #define    BRANCH    6    /* node    Match this alternative, or the next... */
  87. #define    BACK    7    /* no    Match "", "next" ptr points backward. */
  88. #define    EXACTLY    8    /* str    Match this string. */
  89. #define    NOTHING    9    /* no    Match empty string. */
  90. #define    STAR    10    /* node    Match this (simple) thing 0 or more times. */
  91. #define    PLUS    11    /* node    Match this (simple) thing 1 or more times. */
  92. #define    OPEN    20    /* no    Mark this point in input as start of #n. */
  93.             /*    OPEN+1 is number 1, etc. */
  94. #define    CLOSE    30    /* no    Analogous to OPEN. */
  95.  
  96. /*
  97.  * Opcode notes:
  98.  *
  99.  * BRANCH    The set of branches constituting a single choice are hooked
  100.  *        together with their "next" pointers, since precedence prevents
  101.  *        anything being concatenated to any individual branch.  The
  102.  *        "next" pointer of the last BRANCH in a choice points to the
  103.  *        thing following the whole choice.  This is also where the
  104.  *        final "next" pointer of each individual branch points; each
  105.  *        branch starts with the operand node of a BRANCH node.
  106.  *
  107.  * BACK        Normal "next" pointers all implicitly point forward; BACK
  108.  *        exists to make loop structures possible.
  109.  *
  110.  * STAR,PLUS    '?', and complex '*' and '+', are implemented as circular
  111.  *        BRANCH structures using BACK.  Simple cases (one character
  112.  *        per match) are implemented with STAR and PLUS for speed
  113.  *        and to minimize recursive plunges.
  114.  *
  115.  * OPEN,CLOSE    ...are numbered at compile time.
  116.  */
  117.  
  118. /*
  119.  * A node is one char of opcode followed by two chars of "next" pointer.
  120.  * "Next" pointers are stored as two 8-bit pieces, high order first.  The
  121.  * value is a positive offset from the opcode of the node containing it.
  122.  * An operand, if any, simply follows the node.  (Note that much of the
  123.  * code generation knows about this implicit relationship.)
  124.  *
  125.  * Using two bytes for the "next" pointer is vast overkill for most things,
  126.  * but allows patterns to get big without disasters.
  127.  */
  128. #define    OP(p)    (*(p))
  129. #define    NEXT(p)    (((*((p)+1)&0377)<<8) + (*((p)+2)&0377))
  130. #define    OPERAND(p)    ((p) + 3)
  131.  
  132. /*
  133.  * See regmagic.h for one further detail of program structure.
  134.  */
  135.  
  136.  
  137. /*
  138.  * Utility definitions.
  139.  */
  140. #ifndef CHARBITS
  141. #define    UCHARAT(p)    ((int)*(unsigned char *)(p))
  142. #else
  143. #define    UCHARAT(p)    ((int)*(p)&CHARBITS)
  144. #endif
  145.  
  146. #define    FAIL(m)    { regerror(m); return(NULL); }
  147. #define    ISMULT(c)    ((c) == '*' || (c) == '+' || (c) == '?')
  148. #define    META    "^$.[()|?+*\\"
  149.  
  150. /*
  151.  * Flags to be passed up and down.
  152.  */
  153. #define    HASWIDTH    01    /* Known never to match null string. */
  154. #define    SIMPLE        02    /* Simple enough to be STAR/PLUS operand. */
  155. #define    SPSTART        04    /* Starts with * or +. */
  156. #define    WORST        0    /* Worst case. */
  157.  
  158. /*
  159.  * Global work variables for regcomp().
  160.  */
  161. static char *regparse;        /* Input-scan pointer. */
  162. static int regnpar;        /* () count. */
  163. static char regdummy;
  164. static char *regcode;        /* Code-emit pointer; ®dummy = don't. */
  165. static long regsize;        /* Code size. */
  166.  
  167. /*
  168.  * The first byte of the regexp internal "program" is actually this magic
  169.  * number; the start node begins in the second byte.
  170.  */
  171. #define    MAGIC    0234
  172.  
  173.  
  174. /*
  175.  * Forward declarations for regcomp()'s friends.
  176.  */
  177. #ifndef STATIC
  178. #define    STATIC    static
  179. #endif
  180. STATIC char *reg();
  181. STATIC char *regbranch();
  182. STATIC char *regpiece();
  183. STATIC char *regatom();
  184. STATIC char *regnode();
  185. STATIC char *regnext();
  186. STATIC void regc();
  187. STATIC void reginsert();
  188. STATIC void regtail();
  189. STATIC void regoptail();
  190. #ifdef STRCSPN
  191. STATIC int strcspn();
  192. #endif
  193.  
  194. /*
  195.  - regcomp - compile a regular expression into internal code
  196.  *
  197.  * We can't allocate space until we know how big the compiled form will be,
  198.  * but we can't compile it (and thus know how big it is) until we've got a
  199.  * place to put the code.  So we cheat:  we compile it twice, once with code
  200.  * generation turned off and size counting turned on, and once "for real".
  201.  * This also means that we don't allocate space until we are sure that the
  202.  * thing really will compile successfully, and we never have to move the
  203.  * code and thus invalidate pointers into it.  (Note that it has to be in
  204.  * one piece because free() must be able to free it all.)
  205.  *
  206.  * Beware that the optimization-preparation code in here knows about some
  207.  * of the structure of the compiled regexp.
  208.  */
  209. regexp *
  210. regcomp(exp)
  211. char *exp;
  212. {
  213.     register regexp *r;
  214.     register char *scan;
  215.     register char *longest;
  216.     register int len;
  217.     int flags;
  218.  
  219.     if (exp == NULL)
  220.         FAIL("NULL argument");
  221.  
  222.     /* First pass: determine size, legality. */
  223.     regparse = exp;
  224.     regnpar = 1;
  225.     regsize = 0L;
  226.     regcode = ®dummy;
  227.     regc(MAGIC);
  228.     if (reg(0, &flags) == NULL)
  229.         return(NULL);
  230.  
  231.     /* Small enough for pointer-storage convention? */
  232.     if (regsize >= 32767L)        /* Probably could be 65535L. */
  233.         FAIL("regexp too big");
  234.  
  235.     /* Allocate space. */
  236.     r = (regexp *)malloc(sizeof(regexp) + (unsigned)regsize);
  237.     if (r == NULL)
  238.         FAIL("out of space");
  239.  
  240.     /* Second pass: emit code. */
  241.     regparse = exp;
  242.     regnpar = 1;
  243.     regcode = r->program;
  244.     regc(MAGIC);
  245.     if (reg(0, &flags) == NULL)
  246.         return(NULL);
  247.  
  248.     /* Dig out information for optimizations. */
  249.     r->regstart = '\0';    /* Worst-case defaults. */
  250.     r->reganch = 0;
  251.     r->regmust = NULL;
  252.     r->regmlen = 0;
  253.     scan = r->program+1;            /* First BRANCH. */
  254.     if (OP(regnext(scan)) == END) {        /* Only one top-level choice. */
  255.         scan = OPERAND(scan);
  256.  
  257.         /* Starting-point info. */
  258.         if (OP(scan) == EXACTLY)
  259.             r->regstart = *OPERAND(scan);
  260.         else if (OP(scan) == BOL)
  261.             r->reganch++;
  262.  
  263.         /*
  264.          * If there's something expensive in the r.e., find the
  265.          * longest literal string that must appear and make it the
  266.          * regmust.  Resolve ties in favor of later strings, since
  267.          * the regstart check works with the beginning of the r.e.
  268.          * and avoiding duplication strengthens checking.  Not a
  269.          * strong reason, but sufficient in the absence of others.
  270.          */
  271.         if (flags&SPSTART) {
  272.             longest = NULL;
  273.             len = 0;
  274.             for (; scan != NULL; scan = regnext(scan))
  275.                 if (OP(scan) == EXACTLY && ((int) strlen(OPERAND(scan))) >= len) {
  276.                     longest = OPERAND(scan);
  277.                     len = strlen(OPERAND(scan));
  278.                 }
  279.             r->regmust = longest;
  280.             r->regmlen = len;
  281.         }
  282.     }
  283.  
  284.     return(r);
  285. }
  286.  
  287. /*
  288.  - reg - regular expression, i.e. main body or parenthesized thing
  289.  *
  290.  * Caller must absorb opening parenthesis.
  291.  *
  292.  * Combining parenthesis handling with the base level of regular expression
  293.  * is a trifle forced, but the need to tie the tails of the branches to what
  294.  * follows makes it hard to avoid.
  295.  */
  296. static char *
  297. reg(paren, flagp)
  298. int paren;            /* Parenthesized? */
  299. int *flagp;
  300. {
  301.     register char *ret;
  302.     register char *br;
  303.     register char *ender;
  304.     register int parno = 0;
  305.     int flags;
  306.  
  307.     *flagp = HASWIDTH;    /* Tentatively. */
  308.  
  309.     /* Make an OPEN node, if parenthesized. */
  310.     if (paren) {
  311.         if (regnpar >= NSUBEXP)
  312.             FAIL("too many ()");
  313.         parno = regnpar;
  314.         regnpar++;
  315.         ret = regnode(OPEN+parno);
  316.     } else
  317.         ret = NULL;
  318.  
  319.     /* Pick up the branches, linking them together. */
  320.     br = regbranch(&flags);
  321.     if (br == NULL)
  322.         return(NULL);
  323.     if (ret != NULL)
  324.         regtail(ret, br);    /* OPEN -> first. */
  325.     else
  326.         ret = br;
  327.     if (!(flags&HASWIDTH))
  328.         *flagp &= ~HASWIDTH;
  329.     *flagp |= flags&SPSTART;
  330.     while (*regparse == '|') {
  331.         regparse++;
  332.         br = regbranch(&flags);
  333.         if (br == NULL)
  334.             return(NULL);
  335.         regtail(ret, br);    /* BRANCH -> BRANCH. */
  336.         if (!(flags&HASWIDTH))
  337.             *flagp &= ~HASWIDTH;
  338.         *flagp |= flags&SPSTART;
  339.     }
  340.  
  341.     /* Make a closing node, and hook it on the end. */
  342.     ender = regnode((paren) ? CLOSE+parno : END);    
  343.     regtail(ret, ender);
  344.  
  345.     /* Hook the tails of the branches to the closing node. */
  346.     for (br = ret; br != NULL; br = regnext(br))
  347.         regoptail(br, ender);
  348.  
  349.     /* Check for proper termination. */
  350.     if (paren && *regparse++ != ')') {
  351.         FAIL("unmatched ()");
  352.     } else if (!paren && *regparse != '\0') {
  353.         if (*regparse == ')') {
  354.             FAIL("unmatched ()");
  355.         } else
  356.             FAIL("junk on end");    /* "Can't happen". */
  357.         /* NOTREACHED */
  358.     }
  359.  
  360.     return(ret);
  361. }
  362.  
  363. /*
  364.  - regbranch - one alternative of an | operator
  365.  *
  366.  * Implements the concatenation operator.
  367.  */
  368. static char *
  369. regbranch(flagp)
  370. int *flagp;
  371. {
  372.     register char *ret;
  373.     register char *chain;
  374.     register char *latest;
  375.     int flags;
  376.  
  377.     *flagp = WORST;        /* Tentatively. */
  378.  
  379.     ret = regnode(BRANCH);
  380.     chain = NULL;
  381.     while (*regparse != '\0' && *regparse != '|' && *regparse != ')') {
  382.         latest = regpiece(&flags);
  383.         if (latest == NULL)
  384.             return(NULL);
  385.         *flagp |= flags&HASWIDTH;
  386.         if (chain == NULL)    /* First piece. */
  387.             *flagp |= flags&SPSTART;
  388.         else
  389.             regtail(chain, latest);
  390.         chain = latest;
  391.     }
  392.     if (chain == NULL)    /* Loop ran zero times. */
  393.         (void) regnode(NOTHING);
  394.  
  395.     return(ret);
  396. }
  397.  
  398. /*
  399.  - regpiece - something followed by possible [*+?]
  400.  *
  401.  * Note that the branching code sequences used for ? and the general cases
  402.  * of * and + are somewhat optimized:  they use the same NOTHING node as
  403.  * both the endmarker for their branch list and the body of the last branch.
  404.  * It might seem that this node could be dispensed with entirely, but the
  405.  * endmarker role is not redundant.
  406.  */
  407. static char *
  408. regpiece(flagp)
  409. int *flagp;
  410. {
  411.     register char *ret;
  412.     register char op;
  413.     register char *next;
  414.     int flags;
  415.  
  416.     ret = regatom(&flags);
  417.     if (ret == NULL)
  418.         return(NULL);
  419.  
  420.     op = *regparse;
  421.     if (!ISMULT(op)) {
  422.         *flagp = flags;
  423.         return(ret);
  424.     }
  425.  
  426.     if (!(flags&HASWIDTH) && op != '?')
  427.         FAIL("*+ operand could be empty");
  428.     *flagp = (op != '+') ? (WORST|SPSTART) : (WORST|HASWIDTH);
  429.  
  430.     if (op == '*' && (flags&SIMPLE))
  431.         reginsert(STAR, ret);
  432.     else if (op == '*') {
  433.         /* Emit x* as (x&|), where & means "self". */
  434.         reginsert(BRANCH, ret);            /* Either x */
  435.         regoptail(ret, regnode(BACK));        /* and loop */
  436.         regoptail(ret, ret);            /* back */
  437.         regtail(ret, regnode(BRANCH));        /* or */
  438.         regtail(ret, regnode(NOTHING));        /* null. */
  439.     } else if (op == '+' && (flags&SIMPLE))
  440.         reginsert(PLUS, ret);
  441.     else if (op == '+') {
  442.         /* Emit x+ as x(&|), where & means "self". */
  443.         next = regnode(BRANCH);            /* Either */
  444.         regtail(ret, next);
  445.         regtail(regnode(BACK), ret);        /* loop back */
  446.         regtail(next, regnode(BRANCH));        /* or */
  447.         regtail(ret, regnode(NOTHING));        /* null. */
  448.     } else if (op == '?') {
  449.         /* Emit x? as (x|) */
  450.         reginsert(BRANCH, ret);            /* Either x */
  451.         regtail(ret, regnode(BRANCH));        /* or */
  452.         next = regnode(NOTHING);        /* null. */
  453.         regtail(ret, next);
  454.         regoptail(ret, next);
  455.     }
  456.     regparse++;
  457.     if (ISMULT(*regparse))
  458.         FAIL("nested *?+");
  459.  
  460.     return(ret);
  461. }
  462.  
  463. /*
  464.  - regatom - the lowest level
  465.  *
  466.  * Optimization:  gobbles an entire sequence of ordinary characters so that
  467.  * it can turn them into a single node, which is smaller to store and
  468.  * faster to run.  Backslashed characters are exceptions, each becoming a
  469.  * separate node; the code is simpler that way and it's not worth fixing.
  470.  */
  471. static char *
  472. regatom(flagp)
  473. int *flagp;
  474. {
  475.     register char *ret;
  476.     int flags;
  477.  
  478.     *flagp = WORST;        /* Tentatively. */
  479.  
  480.     switch (*regparse++) {
  481.     case '^':
  482.         ret = regnode(BOL);
  483.         break;
  484.     case '$':
  485.         ret = regnode(EOL);
  486.         break;
  487.     case '.':
  488.         ret = regnode(ANY);
  489.         *flagp |= HASWIDTH|SIMPLE;
  490.         break;
  491.     case '[': {
  492.             register int clss;
  493.             register int classend;
  494.  
  495.             if (*regparse == '^') {    /* Complement of range. */
  496.                 ret = regnode(ANYBUT);
  497.                 regparse++;
  498.             } else
  499.                 ret = regnode(ANYOF);
  500.             if (*regparse == ']' || *regparse == '-')
  501.                 regc(*regparse++);
  502.             while (*regparse != '\0' && *regparse != ']') {
  503.                 if (*regparse == '-') {
  504.                     regparse++;
  505.                     if (*regparse == ']' || *regparse == '\0')
  506.                         regc('-');
  507.                     else {
  508.                         clss = UCHARAT(regparse-2)+1;
  509.                         classend = UCHARAT(regparse);
  510.                         if (clss > classend+1)
  511.                             FAIL("invalid [] range");
  512.                         for (; clss <= classend; clss++)
  513.                             regc(clss);
  514.                         regparse++;
  515.                     }
  516.                 } else
  517.                     regc(*regparse++);
  518.             }
  519.             regc('\0');
  520.             if (*regparse != ']')
  521.                 FAIL("unmatched []");
  522.             regparse++;
  523.             *flagp |= HASWIDTH|SIMPLE;
  524.         }
  525.         break;
  526.     case '(':
  527.         ret = reg(1, &flags);
  528.         if (ret == NULL)
  529.             return(NULL);
  530.         *flagp |= flags&(HASWIDTH|SPSTART);
  531.         break;
  532.     case '\0':
  533.     case '|':
  534.     case ')':
  535.         FAIL("internal urp");    /* Supposed to be caught earlier. */
  536.         /* NOTREACHED */
  537.         break;
  538.     case '?':
  539.     case '+':
  540.     case '*':
  541.         FAIL("?+* follows nothing");
  542.         /* NOTREACHED */
  543.         break;
  544.     case '\\':
  545.         if (*regparse == '\0')
  546.             FAIL("trailing \\");
  547.         ret = regnode(EXACTLY);
  548.         regc(*regparse++);
  549.         regc('\0');
  550.         *flagp |= HASWIDTH|SIMPLE;
  551.         break;
  552.     default: {
  553.             register int len;
  554.             register char ender;
  555.  
  556.             regparse--;
  557.             len = strcspn(regparse, META);
  558.             if (len <= 0)
  559.                 FAIL("internal disaster");
  560.             ender = *(regparse+len);
  561.             if (len > 1 && ISMULT(ender))
  562.                 len--;        /* Back off clear of ?+* operand. */
  563.             *flagp |= HASWIDTH;
  564.             if (len == 1)
  565.                 *flagp |= SIMPLE;
  566.             ret = regnode(EXACTLY);
  567.             while (len > 0) {
  568.                 regc(*regparse++);
  569.                 len--;
  570.             }
  571.             regc('\0');
  572.         }
  573.         break;
  574.     }
  575.  
  576.     return(ret);
  577. }
  578.  
  579. /*
  580.  - regnode - emit a node
  581.  */
  582. static char *            /* Location. */
  583. regnode(op)
  584. char op;
  585. {
  586.     register char *ret;
  587.     register char *ptr;
  588.  
  589.     ret = regcode;
  590.     if (ret == ®dummy) {
  591.         regsize += 3;
  592.         return(ret);
  593.     }
  594.  
  595.     ptr = ret;
  596.     *ptr++ = op;
  597.     *ptr++ = '\0';        /* Null "next" pointer. */
  598.     *ptr++ = '\0';
  599.     regcode = ptr;
  600.  
  601.     return(ret);
  602. }
  603.  
  604. /*
  605.  - regc - emit (if appropriate) a byte of code
  606.  */
  607. static void
  608. regc(b)
  609. char b;
  610. {
  611.     if (regcode != ®dummy)
  612.         *regcode++ = b;
  613.     else
  614.         regsize++;
  615. }
  616.  
  617. /*
  618.  - reginsert - insert an operator in front of already-emitted operand
  619.  *
  620.  * Means relocating the operand.
  621.  */
  622. static void
  623. reginsert(op, opnd)
  624. char op;
  625. char *opnd;
  626. {
  627.     register char *src;
  628.     register char *dst;
  629.     register char *place;
  630.  
  631.     if (regcode == ®dummy) {
  632.         regsize += 3;
  633.         return;
  634.     }
  635.  
  636.     src = regcode;
  637.     regcode += 3;
  638.     dst = regcode;
  639.     while (src > opnd)
  640.         *--dst = *--src;
  641.  
  642.     place = opnd;        /* Op node, where operand used to be. */
  643.     *place++ = op;
  644.     *place++ = '\0';
  645.     *place++ = '\0';
  646. }
  647.  
  648. /*
  649.  - regtail - set the next-pointer at the end of a node chain
  650.  */
  651. static void
  652. regtail(p, val)
  653. char *p;
  654. char *val;
  655. {
  656.     register char *scan;
  657.     register char *temp;
  658.     register int offset;
  659.  
  660.     if (p == ®dummy)
  661.         return;
  662.  
  663.     /* Find last node. */
  664.     scan = p;
  665.     for (;;) {
  666.         temp = regnext(scan);
  667.         if (temp == NULL)
  668.             break;
  669.         scan = temp;
  670.     }
  671.  
  672.     if (OP(scan) == BACK)
  673.         offset = scan - val;
  674.     else
  675.         offset = val - scan;
  676.     *(scan+1) = (offset>>8)&0377;
  677.     *(scan+2) = offset&0377;
  678. }
  679.  
  680. /*
  681.  - regoptail - regtail on operand of first argument; nop if operandless
  682.  */
  683. static void
  684. regoptail(p, val)
  685. char *p;
  686. char *val;
  687. {
  688.     /* "Operandless" and "op != BRANCH" are synonymous in practice. */
  689.     if (p == NULL || p == ®dummy || OP(p) != BRANCH)
  690.         return;
  691.     regtail(OPERAND(p), val);
  692. }
  693.  
  694. /*
  695.  * regexec and friends
  696.  */
  697.  
  698. /*
  699.  * Global work variables for regexec().
  700.  */
  701. static char *reginput;        /* String-input pointer. */
  702. static char *regbol;        /* Beginning of input, for ^ check. */
  703. static char **regstartp;    /* Pointer to startp array. */
  704. static char **regendp;        /* Ditto for endp. */
  705.  
  706. /*
  707.  * Forwards.
  708.  */
  709. STATIC int regtry();
  710. STATIC int regmatch();
  711. STATIC int regrepeat();
  712.  
  713. #ifdef DEBUG
  714. int regnarrate = 0;
  715. void regdump();
  716. STATIC char *regprop();
  717. #endif
  718.  
  719. /*
  720.  - regexec - match a regexp against a string
  721.  */
  722. int
  723. regexec2(prog, string, notbol)
  724. register regexp *prog;
  725. register char *string;
  726. int notbol;
  727. {
  728.     register char *s;
  729.  
  730.     /* Be paranoid... */
  731.     if (prog == NULL || string == NULL) {
  732.         regerror("NULL parameter");
  733.         return(0);
  734.     }
  735.  
  736.     /* Check validity of program. */
  737.     if (UCHARAT(prog->program) != MAGIC) {
  738.         regerror("corrupted program");
  739.         return(0);
  740.     }
  741.  
  742.     /* If there is a "must appear" string, look for it. */
  743.     if (prog->regmust != NULL) {
  744.         s = string;
  745.         while ((s = strchr(s, prog->regmust[0])) != NULL) {
  746.             if (strncmp(s, prog->regmust, prog->regmlen) == 0)
  747.                 break;    /* Found it. */
  748.             s++;
  749.         }
  750.         if (s == NULL)    /* Not present. */
  751.             return(0);
  752.     }
  753.  
  754.     /* Mark beginning of line for ^ . */
  755.     if (notbol)
  756.         regbol = NULL;
  757.     else
  758.         regbol = string;
  759.  
  760.     /* Simplest case:  anchored match need be tried only once. */
  761.     if (prog->reganch)
  762.         return(regtry(prog, string));
  763.  
  764.     /* Messy cases:  unanchored match. */
  765.     s = string;
  766.     if (prog->regstart != '\0')
  767.         /* We know what char it must start with. */
  768.         while ((s = strchr(s, prog->regstart)) != NULL) {
  769.             if (regtry(prog, s))
  770.                 return(1);
  771.             s++;
  772.         }
  773.     else
  774.         /* We don't -- general case. */
  775.         do {
  776.             if (regtry(prog, s))
  777.                 return(1);
  778.         } while (*s++ != '\0');
  779.  
  780.     /* Failure. */
  781.     return(0);
  782. }
  783.  
  784. int
  785. regexec(prog, string)
  786. register regexp *prog;
  787. register char *string;
  788. {
  789.     return regexec2(prog, string, 0);
  790. }
  791.  
  792. /*
  793.  - regtry - try match at specific point
  794.  */
  795. static int            /* 0 failure, 1 success */
  796. regtry(prog, string)
  797. regexp *prog;
  798. char *string;
  799. {
  800.     register int i;
  801.     register char **sp;
  802.     register char **ep;
  803.  
  804.     reginput = string;
  805.     regstartp = prog->startp;
  806.     regendp = prog->endp;
  807.  
  808.     sp = prog->startp;
  809.     ep = prog->endp;
  810.     for (i = NSUBEXP; i > 0; i--) {
  811.         *sp++ = NULL;
  812.         *ep++ = NULL;
  813.     }
  814.     if (regmatch(prog->program + 1)) {
  815.         prog->startp[0] = string;
  816.         prog->endp[0] = reginput;
  817.         return(1);
  818.     } else
  819.         return(0);
  820. }
  821.  
  822. /*
  823.  - regmatch - main matching routine
  824.  *
  825.  * Conceptually the strategy is simple:  check to see whether the current
  826.  * node matches, call self recursively to see whether the rest matches,
  827.  * and then act accordingly.  In practice we make some effort to avoid
  828.  * recursion, in particular by going through "ordinary" nodes (that don't
  829.  * need to know whether the rest of the match failed) by a loop instead of
  830.  * by recursion.
  831.  */
  832. static int            /* 0 failure, 1 success */
  833. regmatch(prog)
  834. char *prog;
  835. {
  836.     register char *scan;    /* Current node. */
  837.     char *next;        /* Next node. */
  838.  
  839.     scan = prog;
  840. #ifdef DEBUG
  841.     if (scan != NULL && regnarrate)
  842.         fprintf(stderr, "%s(\n", regprop(scan));
  843. #endif
  844.     while (scan != NULL) {
  845. #ifdef DEBUG
  846.         if (regnarrate)
  847.             fprintf(stderr, "%s...\n", regprop(scan));
  848. #endif
  849.         next = regnext(scan);
  850.  
  851.         switch (OP(scan)) {
  852.         case BOL:
  853.             if (reginput != regbol)
  854.                 return(0);
  855.             break;
  856.         case EOL:
  857.             if (*reginput != '\0')
  858.                 return(0);
  859.             break;
  860.         case ANY:
  861.             if (*reginput == '\0')
  862.                 return(0);
  863.             reginput++;
  864.             break;
  865.         case EXACTLY: {
  866.                 register int len;
  867.                 register char *opnd;
  868.  
  869.                 opnd = OPERAND(scan);
  870.                 /* Inline the first character, for speed. */
  871.                 if (*opnd != *reginput)
  872.                     return(0);
  873.                 len = strlen(opnd);
  874.                 if (len > 1 && strncmp(opnd, reginput, len) != 0)
  875.                     return(0);
  876.                 reginput += len;
  877.             }
  878.             break;
  879.         case ANYOF:
  880.              if (*reginput == '\0' || strchr(OPERAND(scan), *reginput) == NULL)
  881.                 return(0);
  882.             reginput++;
  883.             break;
  884.         case ANYBUT:
  885.              if (*reginput == '\0' || strchr(OPERAND(scan), *reginput) != NULL)
  886.                 return(0);
  887.             reginput++;
  888.             break;
  889.         case NOTHING:
  890.             break;
  891.         case BACK:
  892.             break;
  893.         case OPEN+1:
  894.         case OPEN+2:
  895.         case OPEN+3:
  896.         case OPEN+4:
  897.         case OPEN+5:
  898.         case OPEN+6:
  899.         case OPEN+7:
  900.         case OPEN+8:
  901.         case OPEN+9: {
  902.                 register int no;
  903.                 register char *save;
  904.  
  905.                 no = OP(scan) - OPEN;
  906.                 save = reginput;
  907.  
  908.                 if (regmatch(next)) {
  909.                     /*
  910.                      * Don't set startp if some later
  911.                      * invocation of the same parentheses
  912.                      * already has.
  913.                      */
  914.                     if (regstartp[no] == NULL)
  915.                         regstartp[no] = save;
  916.                     return(1);
  917.                 } else
  918.                     return(0);
  919.             }
  920.             /* NOTREACHED */
  921.             break;
  922.         case CLOSE+1:
  923.         case CLOSE+2:
  924.         case CLOSE+3:
  925.         case CLOSE+4:
  926.         case CLOSE+5:
  927.         case CLOSE+6:
  928.         case CLOSE+7:
  929.         case CLOSE+8:
  930.         case CLOSE+9: {
  931.                 register int no;
  932.                 register char *save;
  933.  
  934.                 no = OP(scan) - CLOSE;
  935.                 save = reginput;
  936.  
  937.                 if (regmatch(next)) {
  938.                     /*
  939.                      * Don't set endp if some later
  940.                      * invocation of the same parentheses
  941.                      * already has.
  942.                      */
  943.                     if (regendp[no] == NULL)
  944.                         regendp[no] = save;
  945.                     return(1);
  946.                 } else
  947.                     return(0);
  948.             }
  949.             /* NOTREACHED */
  950.             break;
  951.         case BRANCH: {
  952.                 register char *save;
  953.  
  954.                 if (OP(next) != BRANCH)        /* No choice. */
  955.                     next = OPERAND(scan);    /* Avoid recursion. */
  956.                 else {
  957.                     do {
  958.                         save = reginput;
  959.                         if (regmatch(OPERAND(scan)))
  960.                             return(1);
  961.                         reginput = save;
  962.                         scan = regnext(scan);
  963.                     } while (scan != NULL && OP(scan) == BRANCH);
  964.                     return(0);
  965.                     /* NOTREACHED */
  966.                 }
  967.             }
  968.             /* NOTREACHED */
  969.             break;
  970.         case STAR:
  971.         case PLUS: {
  972.                 register char nextch;
  973.                 register int no;
  974.                 register char *save;
  975.                 register int min;
  976.  
  977.                 /*
  978.                  * Lookahead to avoid useless match attempts
  979.                  * when we know what character comes next.
  980.                  */
  981.                 nextch = '\0';
  982.                 if (OP(next) == EXACTLY)
  983.                     nextch = *OPERAND(next);
  984.                 min = (OP(scan) == STAR) ? 0 : 1;
  985.                 save = reginput;
  986.                 no = regrepeat(OPERAND(scan));
  987.                 while (no >= min) {
  988.                     /* If it could work, try it. */
  989.                     if (nextch == '\0' || *reginput == nextch)
  990.                         if (regmatch(next))
  991.                             return(1);
  992.                     /* Couldn't or didn't -- back up. */
  993.                     no--;
  994.                     reginput = save + no;
  995.                 }
  996.                 return(0);
  997.             }
  998.             /* NOTREACHED */
  999.             break;
  1000.         case END:
  1001.             return(1);    /* Success! */
  1002.             /* NOTREACHED */
  1003.             break;
  1004.         default:
  1005.             regerror("memory corruption");
  1006.             return(0);
  1007.             /* NOTREACHED */
  1008.             break;
  1009.         }
  1010.  
  1011.         scan = next;
  1012.     }
  1013.  
  1014.     /*
  1015.      * We get here only if there's trouble -- normally "case END" is
  1016.      * the terminating point.
  1017.      */
  1018.     regerror("corrupted pointers");
  1019.     return(0);
  1020. }
  1021.  
  1022. /*
  1023.  - regrepeat - repeatedly match something simple, report how many
  1024.  */
  1025. static int
  1026. regrepeat(p)
  1027. char *p;
  1028. {
  1029.     register int count = 0;
  1030.     register char *scan;
  1031.     register char *opnd;
  1032.  
  1033.     scan = reginput;
  1034.     opnd = OPERAND(p);
  1035.     switch (OP(p)) {
  1036.     case ANY:
  1037.         count = strlen(scan);
  1038.         scan += count;
  1039.         break;
  1040.     case EXACTLY:
  1041.         while (*opnd == *scan) {
  1042.             count++;
  1043.             scan++;
  1044.         }
  1045.         break;
  1046.     case ANYOF:
  1047.         while (*scan != '\0' && strchr(opnd, *scan) != NULL) {
  1048.             count++;
  1049.             scan++;
  1050.         }
  1051.         break;
  1052.     case ANYBUT:
  1053.         while (*scan != '\0' && strchr(opnd, *scan) == NULL) {
  1054.             count++;
  1055.             scan++;
  1056.         }
  1057.         break;
  1058.     default:        /* Oh dear.  Called inappropriately. */
  1059.         regerror("internal foulup");
  1060.         count = 0;    /* Best compromise. */
  1061.         break;
  1062.     }
  1063.     reginput = scan;
  1064.  
  1065.     return(count);
  1066. }
  1067.  
  1068. /*
  1069.  - regnext - dig the "next" pointer out of a node
  1070.  */
  1071. static char *
  1072. regnext(p)
  1073. register char *p;
  1074. {
  1075.     register int offset;
  1076.  
  1077.     if (p == ®dummy)
  1078.         return(NULL);
  1079.  
  1080.     offset = NEXT(p);
  1081.     if (offset == 0)
  1082.         return(NULL);
  1083.  
  1084.     if (OP(p) == BACK)
  1085.         return(p-offset);
  1086.     else
  1087.         return(p+offset);
  1088. }
  1089.  
  1090. #ifdef DEBUG
  1091.  
  1092. STATIC char *regprop();
  1093.  
  1094. /*
  1095.  - regdump - dump a regexp onto stdout in vaguely comprehensible form
  1096.  */
  1097. void
  1098. regdump(r)
  1099. regexp *r;
  1100. {
  1101.     register char *s;
  1102.     register char op = EXACTLY;    /* Arbitrary non-END op. */
  1103.     register char *next;
  1104.  
  1105.  
  1106.     s = r->program + 1;
  1107.     while (op != END) {    /* While that wasn't END last time... */
  1108.         op = OP(s);
  1109.         printf("%2d%s", s-r->program, regprop(s));    /* Where, what. */
  1110.         next = regnext(s);
  1111.         if (next == NULL)        /* Next ptr. */
  1112.             printf("(0)");
  1113.         else 
  1114.             printf("(%d)", (s-r->program)+(next-s));
  1115.         s += 3;
  1116.         if (op == ANYOF || op == ANYBUT || op == EXACTLY) {
  1117.             /* Literal string, where present. */
  1118.             while (*s != '\0') {
  1119.                 putchar(*s);
  1120.                 s++;
  1121.             }
  1122.             s++;
  1123.         }
  1124.         putchar('\n');
  1125.     }
  1126.  
  1127.     /* Header fields of interest. */
  1128.     if (r->regstart != '\0')
  1129.         printf("start `%c' ", r->regstart);
  1130.     if (r->reganch)
  1131.         printf("anchored ");
  1132.     if (r->regmust != NULL)
  1133.         printf("must have \"%s\"", r->regmust);
  1134.     printf("\n");
  1135. }
  1136.  
  1137. /*
  1138.  - regprop - printable representation of opcode
  1139.  */
  1140. static char *
  1141. regprop(op)
  1142. char *op;
  1143. {
  1144.     register char *p;
  1145.     static char buf[50];
  1146.  
  1147.     (void) strcpy(buf, ":");
  1148.  
  1149.     switch (OP(op)) {
  1150.     case BOL:
  1151.         p = "BOL";
  1152.         break;
  1153.     case EOL:
  1154.         p = "EOL";
  1155.         break;
  1156.     case ANY:
  1157.         p = "ANY";
  1158.         break;
  1159.     case ANYOF:
  1160.         p = "ANYOF";
  1161.         break;
  1162.     case ANYBUT:
  1163.         p = "ANYBUT";
  1164.         break;
  1165.     case BRANCH:
  1166.         p = "BRANCH";
  1167.         break;
  1168.     case EXACTLY:
  1169.         p = "EXACTLY";
  1170.         break;
  1171.     case NOTHING:
  1172.         p = "NOTHING";
  1173.         break;
  1174.     case BACK:
  1175.         p = "BACK";
  1176.         break;
  1177.     case END:
  1178.         p = "END";
  1179.         break;
  1180.     case OPEN+1:
  1181.     case OPEN+2:
  1182.     case OPEN+3:
  1183.     case OPEN+4:
  1184.     case OPEN+5:
  1185.     case OPEN+6:
  1186.     case OPEN+7:
  1187.     case OPEN+8:
  1188.     case OPEN+9:
  1189.         sprintf(buf+strlen(buf), "OPEN%d", OP(op)-OPEN);
  1190.         p = NULL;
  1191.         break;
  1192.     case CLOSE+1:
  1193.     case CLOSE+2:
  1194.     case CLOSE+3:
  1195.     case CLOSE+4:
  1196.     case CLOSE+5:
  1197.     case CLOSE+6:
  1198.     case CLOSE+7:
  1199.     case CLOSE+8:
  1200.     case CLOSE+9:
  1201.         sprintf(buf+strlen(buf), "CLOSE%d", OP(op)-CLOSE);
  1202.         p = NULL;
  1203.         break;
  1204.     case STAR:
  1205.         p = "STAR";
  1206.         break;
  1207.     case PLUS:
  1208.         p = "PLUS";
  1209.         break;
  1210.     default:
  1211.         regerror("corrupted opcode");
  1212.         break;
  1213.     }
  1214.     if (p != NULL)
  1215.         (void) strcat(buf, p);
  1216.     return(buf);
  1217. }
  1218. #endif
  1219.  
  1220. /*
  1221.  * The following is provided for those people who do not have strcspn() in
  1222.  * their C libraries.  They should get off their butts and do something
  1223.  * about it; at least one public-domain implementation of those (highly
  1224.  * useful) string routines has been published on Usenet.
  1225.  */
  1226. #ifdef STRCSPN
  1227. /*
  1228.  * strcspn - find length of initial segment of s1 consisting entirely
  1229.  * of characters not from s2
  1230.  */
  1231.  
  1232. static int
  1233. strcspn(s1, s2)
  1234. char *s1;
  1235. char *s2;
  1236. {
  1237.     register char *scan1;
  1238.     register char *scan2;
  1239.     register int count;
  1240.  
  1241.     count = 0;
  1242.     for (scan1 = s1; *scan1 != '\0'; scan1++) {
  1243.         for (scan2 = s2; *scan2 != '\0';)    /* ++ moved down. */
  1244.             if (*scan1 == *scan2++)
  1245.                 return(count);
  1246.         count++;
  1247.     }
  1248.     return(count);
  1249. }
  1250. #endif
  1251.