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 ident_decoration = '\'' | '?' | '`'
  54 let regexp ident_cont = ident_letter | xml_digit | '_'
  55 let regexp ident = ident_letter ident_cont* ident_decoration*
  56
  57 let regexp tex_token = '\\' ident
  58
  59 let regexp delim_begin = "\\["
  60 let regexp delim_end = "\\]"
  61
  62 let regexp qkeyword = "'" ident "'"
  63
  64 let regexp implicit = '?'
  65 let regexp placeholder = '%'
  66 let regexp meta = implicit number
  67
  68 let regexp csymbol = '\'' ident
  69
  70 let regexp begin_group = "@{" | "${"
  71 let regexp end_group = '}'
  72 let regexp wildcard = "$_"
  73 let regexp ast_ident = "@" ident
  74 let regexp ast_csymbol = "@" csymbol
  75 let regexp meta_ident = "$" ident
  76 let regexp meta_anonymous = "$_"
  77 let regexp qstring = '"' [^ '"']* '"'
  78
  79 let regexp begincomment = "(**" utf8_blank
  80 let regexp beginnote = "(*"
  81 let regexp endcomment = "*)"
  82 (* let regexp comment_char = [^'*'] | '*'[^')']
  83 let regexp note = "|+" ([^'*'] | "**") comment_char* "+|" *)
  84
  85 let level1_layouts =
  86   [ "sub"; "sup";
  87     "below"; "above";
  88     "over"; "atop"; "frac";
  89     "sqrt"; "root"
  90   ]
  91
  92 let level1_keywords =
  93   [ "hbox"; "hvbox"; "hovbox"; "vbox";
  94     "break";
  95     "list0"; "list1"; "sep";
  96     "opt";
  97     "term"; "ident"; "number"
  98   ] @ level1_layouts
  99
 100 let level2_meta_keywords =
 101   [ "if"; "then"; "else";
 102     "fold"; "left"; "right"; "rec";
 103     "fail";
 104     "default";
 105     "anonymous"; "ident"; "number"; "term"; "fresh"
 106   ]
 107
 108   (* (string, unit) Hashtbl.t, to exploit multiple bindings *)
 109 let level2_ast_keywords = Hashtbl.create 23
 110 let _ =
 111   List.iter (fun k -> Hashtbl.add level2_ast_keywords k ())
 112   [ "CProp"; "Prop"; "Type"; "Set"; "let"; "rec"; "corec"; "match";
 113   "with"; "in"; "by"; "and"; "to"; "as"; "on"; "return"; "done" ]
 114
 115 let add_level2_ast_keyword k = Hashtbl.add level2_ast_keywords k ()
 116 let remove_level2_ast_keyword k = Hashtbl.remove level2_ast_keywords k
 117
 118   (* (string, int) Hashtbl.t, with multiple bindings.
 119    * int is the unicode codepoint *)
 120 let ligatures = Hashtbl.create 23
 121 let _ =
 122   List.iter
 123     (fun (ligature, symbol) -> Hashtbl.add ligatures ligature symbol)
 124     [ ("->", <:unicode<to>>);   ("=>", <:unicode<Rightarrow>>);
 125       ("<=", <:unicode<leq>>);  (">=", <:unicode<geq>>);
 126       ("<>", <:unicode<neq>>);  (":=", <:unicode<def>>);
 127       ("==", <:unicode<equiv>>);
 128     ]
 129
 130 let regexp uri_step = [ 'a' - 'z' 'A' - 'Z' '0' - '9' '_' '-' ''' ]+
 131
 132 let regexp uri =
 133   ("cic:/" | "theory:/")              (* schema *)
 134 (*   ident ('/' ident)*                  |+ path +| *)
 135   uri_step ('/' uri_step)*            (* path *)
 136   ('.' ident)+                        (* ext *)
 137   ("#xpointer(" number ('/' number)+ ")")?  (* xpointer *)
 138
 139 let error lexbuf msg =
 140   let begin_cnum, end_cnum = Ulexing.loc lexbuf in
 141   raise (Error (begin_cnum, end_cnum, msg))
 142 let error_at_end lexbuf msg =
 143   let begin_cnum, end_cnum = Ulexing.loc lexbuf in
 144   raise (Error (begin_cnum, end_cnum, msg))
 145
 146 let return_with_loc token begin_cnum end_cnum =
 147   let flocation = HExtlib.floc_of_loc (begin_cnum,end_cnum) in
 148    token, flocation
 149
 150 let return lexbuf token =
 151   let begin_cnum, end_cnum = Ulexing.loc lexbuf in
 152     return_with_loc token begin_cnum end_cnum
 153
 154 let return_lexeme lexbuf name = return lexbuf (name, Ulexing.utf8_lexeme lexbuf)
 155
 156 let return_symbol lexbuf s = return lexbuf ("SYMBOL", s)
 157 let return_eoi lexbuf = return lexbuf ("EOI", "")
 158
 159 let remove_quotes s = String.sub s 1 (String.length s - 2)
 160
 161 let mk_lexer token =
 162   let tok_func stream =
 163 (*     let lexbuf = Ulexing.from_utf8_stream stream in *)
 164 (** XXX Obj.magic rationale.
 165  * The problem.
 166  *  camlp5 constraints the tok_func field of Token.glexer to have type:
 167  *    Stream.t char -> (Stream.t 'te * flocation_function)
 168  *  In order to use ulex we have (in theory) to instantiate a new lexbuf each
 169  *  time a char Stream.t is passed, destroying the previous lexbuf which may
 170  *  have consumed a character from the old stream which is lost forever :-(
 171  * The "solution".
 172  *  Instead of passing to camlp5 a char Stream.t we pass a lexbuf, casting it to
 173  *  char Stream.t with Obj.magic where needed.
 174  *)
 175     let lexbuf = Obj.magic stream in
 176     Token.make_stream_and_location
 177       (fun () ->
 178         try
 179           token lexbuf
 180         with
 181         | Ulexing.Error -> error_at_end lexbuf "Unexpected character"
 182         | Ulexing.InvalidCodepoint p ->
 183             error_at_end lexbuf (sprintf "Invalid code point: %d" p))
 184   in
 185   {
 186     Token.tok_func = tok_func;
 187     Token.tok_using = (fun _ -> ());
 188     Token.tok_removing = (fun _ -> ());
 189     Token.tok_match = Token.default_match;
 190     Token.tok_text = Token.lexer_text;
 191     Token.tok_comm = None;
 192   }
 193
 194 let expand_macro lexbuf =
 195   let macro =
 196     Ulexing.utf8_sub_lexeme lexbuf 1 (Ulexing.lexeme_length lexbuf - 1)
 197   in
 198   try
 199     ("SYMBOL", Utf8Macro.expand macro)
 200   with Utf8Macro.Macro_not_found _ -> "SYMBOL", Ulexing.utf8_lexeme lexbuf
 201
 202 let remove_quotes s = String.sub s 1 (String.length s - 2)
 203 let remove_left_quote s = String.sub s 1 (String.length s - 1)
 204
 205 let rec level2_pattern_token_group counter buffer =
 206   lexer
 207   | end_group ->
 208       if (counter > 0) then
 209         Buffer.add_string buffer (Ulexing.utf8_lexeme lexbuf) ;
 210       snd (Ulexing.loc lexbuf)
 211   | begin_group ->
 212       Buffer.add_string buffer (Ulexing.utf8_lexeme lexbuf) ;
 213       ignore (level2_pattern_token_group (counter + 1) buffer lexbuf) ;
 214       level2_pattern_token_group counter buffer lexbuf
 215   | _ ->
 216       Buffer.add_string buffer (Ulexing.utf8_lexeme lexbuf) ;
 217       level2_pattern_token_group counter buffer lexbuf
 218
 219 let read_unparsed_group token_name lexbuf =
 220   let buffer = Buffer.create 16 in
 221   let begin_cnum, _ = Ulexing.loc lexbuf in
 222   let end_cnum = level2_pattern_token_group 0 buffer lexbuf in
 223     return_with_loc (token_name, Buffer.contents buffer) begin_cnum end_cnum
 224
 225 let rec level2_meta_token =
 226   lexer
 227   | utf8_blank+ -> level2_meta_token lexbuf
 228   | ident ->
 229       let s = Ulexing.utf8_lexeme lexbuf in
 230         begin
 231           if List.mem s level2_meta_keywords then
 232             return lexbuf ("", s)
 233           else
 234             return lexbuf ("IDENT", s)
 235         end
 236   | "@{" -> read_unparsed_group "UNPARSED_AST" lexbuf
 237   | ast_ident ->
 238       return lexbuf ("UNPARSED_AST",
 239         remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 240   | ast_csymbol ->
 241       return lexbuf ("UNPARSED_AST",
 242         remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 243   | eof -> return_eoi lexbuf
 244
 245 let rec comment_token acc depth =
 246   lexer
 247   | beginnote ->
 248       let acc = acc ^ Ulexing.utf8_lexeme lexbuf in
 249       comment_token acc (depth + 1) lexbuf
 250   | endcomment ->
 251       let acc = acc ^ Ulexing.utf8_lexeme lexbuf in
 252       if depth = 0
 253       then acc
 254       else comment_token acc (depth - 1) lexbuf
 255   | _ ->
 256       let acc = acc ^ Ulexing.utf8_lexeme lexbuf in
 257       comment_token acc depth lexbuf
 258
 259   (** @param k continuation to be invoked when no ligature has been found *)
 260 let rec ligatures_token k =
 261   lexer
 262   | ligature ->
 263       let lexeme = Ulexing.utf8_lexeme lexbuf in
 264       (match List.rev (Hashtbl.find_all ligatures lexeme) with
 265       | [] -> (* ligature not found, rollback and try default lexer *)
 266           Ulexing.rollback lexbuf;
 267           k lexbuf
 268       | default_lig :: _ -> (* ligatures found, use the default one *)
 269           return_symbol lexbuf default_lig)
 270   | eof -> return_eoi lexbuf
 271   | _ ->  (* not a ligature, rollback and try default lexer *)
 272       Ulexing.rollback lexbuf;
 273       k lexbuf
 274
 275 and level2_ast_token =
 276   lexer
 277   | utf8_blank+ -> ligatures_token level2_ast_token lexbuf
 278   | meta ->
 279      let s = Ulexing.utf8_lexeme lexbuf in
 280       return lexbuf ("META", String.sub s 1 (String.length s - 1))
 281   | implicit -> return lexbuf ("IMPLICIT", "")
 282   | placeholder -> return lexbuf ("PLACEHOLDER", "")
 283   | ident ->
 284       let lexeme = Ulexing.utf8_lexeme lexbuf in
 285       if Hashtbl.mem level2_ast_keywords lexeme then
 286         return lexbuf ("", lexeme)
 287       else
 288         return lexbuf ("IDENT", lexeme)
 289   | number -> return lexbuf ("NUMBER", Ulexing.utf8_lexeme lexbuf)
 290   | tex_token -> return lexbuf (expand_macro lexbuf)
 291   | uri -> return lexbuf ("URI", Ulexing.utf8_lexeme lexbuf)
 292   | qstring ->
 293       return lexbuf ("QSTRING", remove_quotes (Ulexing.utf8_lexeme lexbuf))
 294   | csymbol ->
 295       return lexbuf ("CSYMBOL", remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 296   | "${" -> read_unparsed_group "UNPARSED_META" lexbuf
 297   | "@{" -> read_unparsed_group "UNPARSED_AST" lexbuf
 298   | '(' -> return lexbuf ("LPAREN", "")
 299   | ')' -> return lexbuf ("RPAREN", "")
 300   | meta_ident ->
 301       return lexbuf ("UNPARSED_META",
 302         remove_left_quote (Ulexing.utf8_lexeme lexbuf))
 303   | meta_anonymous -> return lexbuf ("UNPARSED_META", "anonymous")
 304   | beginnote ->
 305       let _comment = comment_token (Ulexing.utf8_lexeme lexbuf) 0 lexbuf in
 306 (*       let comment =
 307         Ulexing.utf8_sub_lexeme lexbuf 2 (Ulexing.lexeme_length lexbuf - 4)
 308       in
 309       return lexbuf ("NOTE", comment) *)
 310       ligatures_token level2_ast_token lexbuf
 311   | begincomment -> return lexbuf ("BEGINCOMMENT","")
 312   | endcomment -> return lexbuf ("ENDCOMMENT","")
 313   | eof -> return_eoi lexbuf
 314   | _ -> return_symbol lexbuf (Ulexing.utf8_lexeme lexbuf)
 315
 316 and level1_pattern_token =
 317   lexer
 318   | utf8_blank+ -> ligatures_token level1_pattern_token lexbuf
 319   | number -> return lexbuf ("NUMBER", Ulexing.utf8_lexeme lexbuf)
 320   | ident ->
 321       let s = Ulexing.utf8_lexeme lexbuf in
 322         begin
 323           if List.mem s level1_keywords then
 324             return lexbuf ("", s)
 325           else
 326             return lexbuf ("IDENT", s)
 327         end
 328   | tex_token -> return lexbuf (expand_macro lexbuf)
 329   | qkeyword ->
 330       return lexbuf ("QKEYWORD", remove_quotes (Ulexing.utf8_lexeme lexbuf))
 331   | '(' -> return lexbuf ("LPAREN", "")
 332   | ')' -> return lexbuf ("RPAREN", "")
 333   | eof -> return_eoi lexbuf
 334   | _ -> return_symbol lexbuf (Ulexing.utf8_lexeme lexbuf)
 335
 336 let level1_pattern_token = ligatures_token level1_pattern_token
 337 let level2_ast_token = ligatures_token level2_ast_token
 338
 339 (* API implementation *)
 340
 341 let level1_pattern_lexer = mk_lexer level1_pattern_token
 342 let level2_ast_lexer = mk_lexer level2_ast_token
 343 let level2_meta_lexer = mk_lexer level2_meta_token
 344
 345 let lookup_ligatures lexeme =
 346   try
 347     if lexeme.[0] = '\\'
 348     then [ Utf8Macro.expand (String.sub lexeme 1 (String.length lexeme - 1)) ]
 349     else List.rev (Hashtbl.find_all ligatures lexeme)
 350   with Invalid_argument _ | Utf8Macro.Macro_not_found _ -> []
 351