components/content_pres/cicNotationLexer.ml

   1 (* Copyright (C) 2005, HELM Team.
   2  *
   3  * This file is part of HELM, an Hypertextual, Electronic
   4  * Library of Mathematics, developed at the Computer Science
   5  * Department, University of Bologna, Italy.
   6  *
   7  * HELM is free software; you can redistribute it and/or
   8  * modify it under the terms of the GNU General Public License
   9  * as published by the Free Software Foundation; either version 2
  10  * of the License, or (at your option) any later version.
  11  *
  12  * HELM is distributed in the hope that it will be useful,
  13  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  14  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  15  * GNU General Public License for more details.
  16  *
  17  * You should have received a copy of the GNU General Public License
  18  * along with HELM; if not, write to the Free Software
  19  * Foundation, Inc., 59 Temple Place - Suite 330, Boston,
  20  * MA  02111-1307, USA.
  21  *
  22  * For details, see the HELM World-Wide-Web page,
  23  * http://helm.cs.unibo.it/
  24  *)
  25
  26 (* $Id$ *)
  27
  28 open Printf
  29
  30 exception Error of int * int * string
  31
  32 let regexp number = xml_digit+
  33 let regexp utf8_blank = " " | "\r\n" | "\n" | "\t" | [160] (* this is a nbsp *)
  34
  35   (* ZACK: breaks unicode's binder followed by an ascii letter without blank *)
  36 (* let regexp ident_letter = xml_letter *)
  37
  38 let regexp ident_letter = [ 'a' - 'z' 'A' - 'Z' ]
  39
  40   (* must be in sync with "is_ligature_char" below *)
  41 let regexp ligature_char = [ "'`~!?@*()[]<>-+=|:;.,/\"" ]
  42 let regexp ligature = ligature_char ligature_char+
  43
  44 let is_ligature_char =
  45   (* must be in sync with "regexp ligature_char" above *)
  46   let chars = "'`~!?@*()[]<>-+=|:;.,/\"" in
  47   (fun char ->
  48     (try
  49       ignore (String.index chars char);
  50       true
  51     with Not_found -> false))
  52
  53 let regexp we_proved = "we" utf8_blank+ "proved"
  54 let regexp we_have = "we" utf8_blank+ "have"
  55 let regexp let_rec = "let" utf8_blank+ "rec"
  56 let regexp let_corec = "let" utf8_blank+  "corec"
  57 let regexp ident_decoration = '\'' | '?' | '`'
  58 let regexp ident_cont = ident_letter | xml_digit | '_'
  59 let regexp ident = ident_letter ident_cont* ident_decoration*
  60
  61 let regexp tex_token = '\\' ident
  62
  63 let regexp delim_begin = "\\["
  64 let regexp delim_end = "\\]"
  65
  66 let regexp qkeyword = "'" ident "'"
  67
  68 let regexp implicit = '?'
  69 let regexp placeholder = '%'
  70 let regexp meta = implicit number
  71
  72 let regexp csymbol = '\'' ident
  73
  74 let regexp begin_group = "@{" | "${"
  75 let regexp end_group = '}'
  76 let regexp wildcard = "$_"
  77 let regexp ast_ident = "@" ident
  78 let regexp ast_csymbol = "@" csymbol
  79 let regexp meta_ident = "$" ident
  80 let regexp meta_anonymous = "$_"
  81 let regexp qstring = '"' [^ '"']* '"'
  82
  83 let regexp begincomment = "(**" utf8_blank
  84 let regexp beginnote = "(*"
  85 let regexp endcomment = "*)"
  86 (* let regexp comment_char = [^'*'] | '*'[^')']
  87 let regexp note = "|+" ([^'*'] | "**") comment_char* "+|" *)
  88
  89 let level1_layouts =
  90   [ "sub"; "sup";
  91     "below"; "above";
  92     "over"; "atop"; "frac";
  93     "sqrt"; "root"
  94   ]
  95
  96 let level1_keywords =
  97   [ "hbox"; "hvbox"; "hovbox"; "vbox";
  98     "break";
  99     "list0"; "list1"; "sep";
 100     "opt";
 101     "term"; "ident"; "number"
 102   ] @ level1_layouts
 103
 104 let level2_meta_keywords =
 105   [ "if"; "then"; "else";
 106     "fold"; "left"; "right"; "rec";
 107     "fail";
 108     "default";
 109     "anonymous"; "ident"; "number"; "term"; "fresh"
 110   ]
 111
 112   (* (string, unit) Hashtbl.t, to exploit multiple bindings *)
 113 let level2_ast_keywords = Hashtbl.create 23
 114 let _ =
 115   List.iter (fun k -> Hashtbl.add level2_ast_keywords k ())
 116   [ "CProp"; "Prop"; "Type"; "Set"; "let"; "match";
 117   "with"; "in"; "and"; "to"; "as"; "on"; "return"; "done" ]
 118
 119 let add_level2_ast_keyword k = Hashtbl.add level2_ast_keywords k ()
 120 let remove_level2_ast_keyword k = Hashtbl.remove level2_ast_keywords k
 121
 122   (* (string, int) Hashtbl.t, with multiple bindings.
 123    * int is the unicode codepoint *)
 124 let ligatures = Hashtbl.create 23
 125 let _ =
 126   List.iter
 127     (fun (ligature, symbol) -> Hashtbl.add ligatures ligature symbol)
 128     [ ("->", <:unicode<to>>);   ("=>", <:unicode<Rightarrow>>);
 129       ("<=", <:unicode<leq>>);  (">=", <:unicode<geq>>);
 130       ("<>", <:unicode<neq>>);  (":=", <:unicode<def>>);
 131       ("==", <:unicode<equiv>>);
 132     ]
 133
 134 let regexp uri_step = [ 'a' - 'z' 'A' - 'Z' '0' - '9' '_' '-' ''' ]+
 135
 136 let regexp uri =
 137   ("cic:/" | "theory:/")              (* schema *)
 138 (*   ident ('/' ident)*                  |+ path +| *)
 139   uri_step ('/' uri_step)*            (* path *)
 140   ('.' ident)+                        (* ext *)
 141   ("#xpointer(" number ('/' number)+ ")")?  (* xpointer *)
 142
 143 let error lexbuf msg =
 144   let begin_cnum, end_cnum = Ulexing.loc lexbuf in
 145   raise (Error (begin_cnum, end_cnum, msg))
 146 let error_at_end lexbuf msg =
 147   let begin_cnum, end_cnum = Ulexing.loc lexbuf in
 148   raise (Error (begin_cnum, end_cnum, msg))
 149
 150 let return_with_loc token begin_cnum end_cnum =
 151   let flocation = HExtlib.floc_of_loc (begin_cnum,end_cnum) in
 152    token, flocation
 153
 154 let return lexbuf token =
 155   let begin_cnum, end_cnum = Ulexing.loc lexbuf in
 156     return_with_loc token begin_cnum end_cnum
 157
 158 let return_lexeme lexbuf name = return lexbuf (name, Ulexing.utf8_lexeme lexbuf)
 159
 160 let return_symbol lexbuf s = return lexbuf ("SYMBOL", s)
 161 let return_eoi lexbuf = return lexbuf ("EOI", "")
 162
 163 let remove_quotes s = String.sub s 1 (String.length s - 2)
 164
 165 let mk_lexer token =
 166   let tok_func stream =
 167 (*     let lexbuf = Ulexing.from_utf8_stream stream in *)
 168 (** XXX Obj.magic rationale.
 169  * The problem.
 170  *  camlp5 constraints the tok_func field of Token.glexer to have type:
 171  *    Stream.t char -> (Stream.t 'te * flocation_function)
 172  *  In order to use ulex we have (in theory) to instantiate a new lexbuf each
 173  *  time a char Stream.t is passed, destroying the previous lexbuf which may
 174  *  have consumed a character from the old stream which is lost forever :-(
 175  * The "solution".
 176  *  Instead of passing to camlp5 a char Stream.t we pass a lexbuf, casting it to
 177  *  char Stream.t with Obj.magic where needed.
 178  *)
 179     let lexbuf = Obj.magic stream in
 180     Token.make_stream_and_location
 181       (fun () ->
 182         try
 183           token lexbuf
 184         with
 185         | Ulexing.Error -> error_at_end lexbuf "Unexpected character"
 186         | Ulexing.InvalidCodepoint p ->
 187             error_at_end lexbuf (sprintf "Invalid code point: %d" p))
 188   in
 189   {
 190     Token.tok_func = tok_func;
 191     Token.tok_using = (fun _ -> ());
 192     Token.tok_removing = (fun _ -> ());
 193     Token.tok_match = Token.default_match;
 194     Token.tok_text = Token.lexer_text;
 195     Token.tok_comm = None;
 196   }
 197
 198 let expand_macro lexbuf =
 199   let macro =
 200     Ulexing.utf8_sub_lexeme lexbuf 1 (Ulexing.lexeme_length lexbuf - 1)
 201   in
 202   try
 203     ("SYMBOL", Utf8Macro.expand macro)
 204   with Utf8Macro.Macro_not_found _ -> "SYMBOL", Ulexing.utf8_lexeme lexbuf
 205
 206 let remove_quotes s = String.sub s 1 (String.length s - 2)
 207 let remove_left_quote s = String.sub s 1 (String.length s - 1)
 208
 209 let rec level2_pattern_token_group counter buffer =
 210   lexer
 211   | end_group ->
 212       if (counter > 0) then
 213         Buffer.add_string buffer (Ulexing.utf8_lexeme lexbuf) ;
 214       snd (Ulexing.loc lexbuf)
 215   | begin_group ->
 216       Buffer.add_string buffer (Ulexing.utf8_lexeme lexbuf) ;
 217       ignore (level2_pattern_token_group (counter + 1) buffer lexbuf) ;
 218       level2_pattern_token_group counter buffer lexbuf
 219   | _ ->
 220       Buffer.add_string buffer (Ulexing.utf8_lexeme lexbuf) ;
 221       level2_pattern_token_group counter buffer lexbuf
 222
 223 let read_unparsed_group token_name lexbuf =
 224   let buffer = Buffer.create 16 in
 225   let begin_cnum, _ = Ulexing.loc lexbuf in
 226   let end_cnum = level2_pattern_token_group 0 buffer lexbuf in
 227     return_with_loc (token_name, Buffer.contents buffer) begin_cnum end_cnum
 228
 229 let rec level2_meta_token =
 230   lexer
 231   | utf8_blank+ -> level2_meta_token lexbuf
 232   | ident ->
 233       let s = Ulexing.utf8_lexeme lexbuf in
 234         begin
 235           if List.mem s level2_meta_keywords then
 236             return lexbuf ("", s)
 237           else
 238             return lexbuf ("IDENT", s)
 239         end
 240   | "@{" -> read_unparsed_group "UNPARSED_AST" lexbuf
 241   | ast_ident ->
 242       return lexbuf ("UNPARSED_AST",
 243         remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 244   | ast_csymbol ->
 245       return lexbuf ("UNPARSED_AST",
 246         remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 247   | eof -> return_eoi lexbuf
 248
 249 let rec comment_token acc depth =
 250   lexer
 251   | beginnote ->
 252       let acc = acc ^ Ulexing.utf8_lexeme lexbuf in
 253       comment_token acc (depth + 1) lexbuf
 254   | endcomment ->
 255       let acc = acc ^ Ulexing.utf8_lexeme lexbuf in
 256       if depth = 0
 257       then acc
 258       else comment_token acc (depth - 1) lexbuf
 259   | _ ->
 260       let acc = acc ^ Ulexing.utf8_lexeme lexbuf in
 261       comment_token acc depth lexbuf
 262
 263   (** @param k continuation to be invoked when no ligature has been found *)
 264 let rec ligatures_token k =
 265   lexer
 266   | ligature ->
 267       let lexeme = Ulexing.utf8_lexeme lexbuf in
 268       (match List.rev (Hashtbl.find_all ligatures lexeme) with
 269       | [] -> (* ligature not found, rollback and try default lexer *)
 270           Ulexing.rollback lexbuf;
 271           k lexbuf
 272       | default_lig :: _ -> (* ligatures found, use the default one *)
 273           return_symbol lexbuf default_lig)
 274   | eof -> return_eoi lexbuf
 275   | _ ->  (* not a ligature, rollback and try default lexer *)
 276       Ulexing.rollback lexbuf;
 277       k lexbuf
 278
 279 and level2_ast_token =
 280   lexer
 281   | let_rec -> return lexbuf ("LETREC","")
 282   | let_corec -> return lexbuf ("LETCOREC","")
 283   | we_proved -> return lexbuf ("WEPROVED","")
 284   | we_have -> return lexbuf ("WEHAVE","")
 285   | utf8_blank+ -> ligatures_token level2_ast_token lexbuf
 286   | meta ->
 287      let s = Ulexing.utf8_lexeme lexbuf in
 288       return lexbuf ("META", String.sub s 1 (String.length s - 1))
 289   | implicit -> return lexbuf ("IMPLICIT", "")
 290   | placeholder -> return lexbuf ("PLACEHOLDER", "")
 291   | ident ->
 292       let lexeme = Ulexing.utf8_lexeme lexbuf in
 293       if Hashtbl.mem level2_ast_keywords lexeme then
 294         return lexbuf ("", lexeme)
 295       else
 296         return lexbuf ("IDENT", lexeme)
 297   | number -> return lexbuf ("NUMBER", Ulexing.utf8_lexeme lexbuf)
 298   | tex_token -> return lexbuf (expand_macro lexbuf)
 299   | uri -> return lexbuf ("URI", Ulexing.utf8_lexeme lexbuf)
 300   | qstring ->
 301       return lexbuf ("QSTRING", remove_quotes (Ulexing.utf8_lexeme lexbuf))
 302   | csymbol ->
 303       return lexbuf ("CSYMBOL", remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 304   | "${" -> read_unparsed_group "UNPARSED_META" lexbuf
 305   | "@{" -> read_unparsed_group "UNPARSED_AST" lexbuf
 306   | '(' -> return lexbuf ("LPAREN", "")
 307   | ')' -> return lexbuf ("RPAREN", "")
 308   | meta_ident ->
 309       return lexbuf ("UNPARSED_META",
 310         remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 311   | meta_anonymous -> return lexbuf ("UNPARSED_META", "anonymous")
 312   | beginnote ->
 313       let _comment = comment_token (Ulexing.utf8_lexeme lexbuf) 0 lexbuf in
 314 (*       let comment =
 315         Ulexing.utf8_sub_lexeme lexbuf 2 (Ulexing.lexeme_length lexbuf - 4)
 316       in
 317       return lexbuf ("NOTE", comment) *)
 318       ligatures_token level2_ast_token lexbuf
 319   | begincomment -> return lexbuf ("BEGINCOMMENT","")
 320   | endcomment -> return lexbuf ("ENDCOMMENT","")
 321   | eof -> return_eoi lexbuf
 322   | _ -> return_symbol lexbuf (Ulexing.utf8_lexeme lexbuf)
 323
 324 and level1_pattern_token =
 325   lexer
 326   | utf8_blank+ -> ligatures_token level1_pattern_token lexbuf
 327   | number -> return lexbuf ("NUMBER", Ulexing.utf8_lexeme lexbuf)
 328   | ident ->
 329       let s = Ulexing.utf8_lexeme lexbuf in
 330         begin
 331           if List.mem s level1_keywords then
 332             return lexbuf ("", s)
 333           else
 334             return lexbuf ("IDENT", s)
 335         end
 336   | tex_token -> return lexbuf (expand_macro lexbuf)
 337   | qkeyword ->
 338       return lexbuf ("QKEYWORD", remove_quotes (Ulexing.utf8_lexeme lexbuf))
 339   | '(' -> return lexbuf ("LPAREN", "")
 340   | ')' -> return lexbuf ("RPAREN", "")
 341   | eof -> return_eoi lexbuf
 342   | _ -> return_symbol lexbuf (Ulexing.utf8_lexeme lexbuf)
 343
 344 let level1_pattern_token = ligatures_token level1_pattern_token
 345 let level2_ast_token = ligatures_token level2_ast_token
 346
 347 (* API implementation *)
 348
 349 let level1_pattern_lexer = mk_lexer level1_pattern_token
 350 let level2_ast_lexer = mk_lexer level2_ast_token
 351 let level2_meta_lexer = mk_lexer level2_meta_token
 352
 353 let lookup_ligatures lexeme =
 354   try
 355     if lexeme.[0] = '\\'
 356     then [ Utf8Macro.expand (String.sub lexeme 1 (String.length lexeme - 1)) ]
 357     else List.rev (Hashtbl.find_all ligatures lexeme)
 358   with Invalid_argument _ | Utf8Macro.Macro_not_found _ -> []
 359