src/tex2lyx/Parser.cpp

   1 /**
   2  * \file Parser.cpp
   3  * This file is part of LyX, the document processor.
   4  * Licence details can be found in the file COPYING.
   5  *
   6  * \author André Pönitz
   7  *
   8  * Full author contact details are available in file CREDITS.
   9  */
  10
  11 #include <config.h>
  12
  13 #include "Encoding.h"
  14 #include "Parser.h"
  15 #include "support/textutils.h"
  16
  17 #include <iostream>
  18
  19 using namespace std;
  20
  21 namespace lyx {
  22
  23 namespace {
  24
  25 CatCode theCatcode[256];
  26
  27 void catInit()
  28 {
  29         static bool init_done = false;
  30         if (init_done)
  31                 return;
  32         init_done = true;
  33
  34         fill(theCatcode, theCatcode + 256, catOther);
  35         fill(theCatcode + 'a', theCatcode + 'z' + 1, catLetter);
  36         fill(theCatcode + 'A', theCatcode + 'Z' + 1, catLetter);
  37
  38         theCatcode[int('\\')] = catEscape;
  39         theCatcode[int('{')]  = catBegin;
  40         theCatcode[int('}')]  = catEnd;
  41         theCatcode[int('$')]  = catMath;
  42         theCatcode[int('&')]  = catAlign;
  43         theCatcode[int('\n')] = catNewline;
  44         theCatcode[int('#')]  = catParameter;
  45         theCatcode[int('^')]  = catSuper;
  46         theCatcode[int('_')]  = catSub;
  47         theCatcode[0x7f]      = catIgnore;
  48         theCatcode[int(' ')]  = catSpace;
  49         theCatcode[int('\t')] = catSpace;
  50         theCatcode[int('\r')] = catNewline;
  51         theCatcode[int('~')]  = catActive;
  52         theCatcode[int('%')]  = catComment;
  53
  54         // This is wrong!
  55         theCatcode[int('@')]  = catLetter;
  56 }
  57
  58 /*!
  59  * Translate a line ending to '\n'.
  60  * \p c must have catcode catNewline, and it must be the last character read
  61  * from \p is.
  62  */
  63 char_type getNewline(idocstream & is, char_type c)
  64 {
  65         // we have to handle 3 different line endings:
  66         // - UNIX (\n)
  67         // - MAC  (\r)
  68         // - DOS  (\r\n)
  69         if (c == '\r') {
  70                 // MAC or DOS
  71                 char_type wc;
  72                 if (is.get(wc) && wc != '\n') {
  73                         // MAC
  74                         is.putback(wc);
  75                 }
  76                 return '\n';
  77         }
  78         // UNIX
  79         return c;
  80 }
  81
  82 CatCode catcode(char_type c)
  83 {
  84         if (c < 256)
  85                 return theCatcode[(unsigned char)c];
  86         return catOther;
  87 }
  88
  89 }
  90
  91
  92 //
  93 // Token
  94 //
  95
  96 ostream & operator<<(ostream & os, Token const & t)
  97 {
  98         if (t.cat() == catComment)
  99                 os << '%' << t.cs() << '\n';
 100         else if (t.cat() == catSpace)
 101                 os << t.cs();
 102         else if (t.cat() == catEscape)
 103                 os << '\\' << t.cs() << ' ';
 104         else if (t.cat() == catLetter)
 105                 os << t.cs();
 106         else if (t.cat() == catNewline)
 107                 os << "[" << t.cs().size() << "\\n," << t.cat() << "]\n";
 108         else
 109                 os << '[' << t.cs() << ',' << t.cat() << ']';
 110         return os;
 111 }
 112
 113
 114 string Token::asInput() const
 115 {
 116         if (cat_ == catComment)
 117                 return '%' + cs_ + '\n';
 118         if (cat_ == catEscape)
 119                 return '\\' + cs_;
 120         return cs_;
 121 }
 122
 123
 124 bool Token::isAlnumASCII() const
 125 {
 126         return cat_ == catLetter ||
 127                (cat_ == catOther && cs_.length() == 1 && isDigitASCII(cs_[0]));
 128 }
 129
 130
 131 //
 132 // Parser
 133 //
 134
 135
 136 Parser::Parser(idocstream & is)
 137         : lineno_(0), pos_(0), iss_(0), is_(is), encoding_latex_("utf8")
 138 {
 139 }
 140
 141
 142 Parser::Parser(string const & s)
 143         : lineno_(0), pos_(0),
 144           iss_(new idocstringstream(from_utf8(s))), is_(*iss_),
 145           encoding_latex_("utf8")
 146 {
 147 }
 148
 149
 150 Parser::~Parser()
 151 {
 152         delete iss_;
 153 }
 154
 155
 156 void Parser::setEncoding(std::string const & e)
 157 {
 158         Encoding const * enc = encodings.fromLaTeXName(e);
 159         if (!enc) {
 160                 cerr << "Unknown encoding " << e << ". Ignoring." << std::endl;
 161                 return;
 162         }
 163         //cerr << "setting encoding to " << enc->iconvName() << std::endl;
 164         is_ << lyx::setEncoding(enc->iconvName());
 165         encoding_latex_ = e;
 166 }
 167
 168
 169 void Parser::push_back(Token const & t)
 170 {
 171         tokens_.push_back(t);
 172 }
 173
 174
 175 // We return a copy here because the tokens_ vector may get reallocated
 176 Token const Parser::prev_token() const
 177 {
 178         static const Token dummy;
 179         return pos_ > 1 ? tokens_[pos_ - 2] : dummy;
 180 }
 181
 182
 183 // We return a copy here because the tokens_ vector may get reallocated
 184 Token const Parser::curr_token() const
 185 {
 186         static const Token dummy;
 187         return pos_ > 0 ? tokens_[pos_ - 1] : dummy;
 188 }
 189
 190
 191 // We return a copy here because the tokens_ vector may get reallocated
 192 Token const Parser::next_token()
 193 {
 194         static const Token dummy;
 195         return good() ? tokens_[pos_] : dummy;
 196 }
 197
 198
 199 // We return a copy here because the tokens_ vector may get reallocated
 200 Token const Parser::get_token()
 201 {
 202         static const Token dummy;
 203         //cerr << "looking at token " << tokens_[pos_] << " pos: " << pos_ << '\n';
 204         return good() ? tokens_[pos_++] : dummy;
 205 }
 206
 207
 208 bool Parser::isParagraph()
 209 {
 210         // A new paragraph in TeX ist started
 211         // - either by a newline, following any amount of whitespace
 212         //   characters (including zero), and another newline
 213         // - or the token \par
 214         if (curr_token().cat() == catNewline &&
 215             (curr_token().cs().size() > 1 ||
 216              (next_token().cat() == catSpace &&
 217               pos_ < tokens_.size() - 1 &&
 218               tokens_[pos_ + 1].cat() == catNewline)))
 219                 return true;
 220         if (curr_token().cat() == catEscape && curr_token().cs() == "par")
 221                 return true;
 222         return false;
 223 }
 224
 225
 226 bool Parser::skip_spaces(bool skip_comments)
 227 {
 228         // We just silently return if we have no more tokens.
 229         // skip_spaces() should be callable at any time,
 230         // the caller must check p::good() anyway.
 231         bool skipped = false;
 232         while (good()) {
 233                 get_token();
 234                 if (isParagraph()) {
 235                         putback();
 236                         break;
 237                 }
 238                 if (curr_token().cat() == catSpace ||
 239                     curr_token().cat() == catNewline) {
 240                         skipped = true;
 241                         continue;
 242                 }
 243                 if ((curr_token().cat() == catComment && curr_token().cs().empty()))
 244                         continue;
 245                 if (skip_comments && curr_token().cat() == catComment)
 246                         cerr << "  Ignoring comment: " << curr_token().asInput();
 247                 else {
 248                         putback();
 249                         break;
 250                 }
 251         }
 252         return skipped;
 253 }
 254
 255
 256 void Parser::unskip_spaces(bool skip_comments)
 257 {
 258         while (pos_ > 0) {
 259                 if ( curr_token().cat() == catSpace ||
 260                     (curr_token().cat() == catNewline && curr_token().cs().size() == 1))
 261                         putback();
 262                 else if (skip_comments && curr_token().cat() == catComment) {
 263                         // TODO: Get rid of this
 264                         cerr << "Unignoring comment: " << curr_token().asInput();
 265                         putback();
 266                 }
 267                 else
 268                         break;
 269         }
 270 }
 271
 272
 273 void Parser::putback()
 274 {
 275         --pos_;
 276 }
 277
 278
 279 bool Parser::good()
 280 {
 281         if (pos_ < tokens_.size())
 282                 return true;
 283         tokenize_one();
 284         return pos_ < tokens_.size();
 285 }
 286
 287
 288 char Parser::getChar()
 289 {
 290         if (!good())
 291                 error("The input stream is not well...");
 292         return get_token().character();
 293 }
 294
 295
 296 bool Parser::hasOpt()
 297 {
 298         // An optional argument can occur in any of the following forms:
 299         // - \foo[bar]
 300         // - \foo [bar]
 301         // - \foo
 302         //   [bar]
 303         // - \foo %comment
 304         //   [bar]
 305
 306         // remember current position
 307         unsigned int oldpos = pos_;
 308         // skip spaces and comments
 309         while (good()) {
 310                 get_token();
 311                 if (isParagraph()) {
 312                         putback();
 313                         break;
 314                 }
 315                 if (curr_token().cat() == catSpace ||
 316                     curr_token().cat() == catNewline ||
 317                     curr_token().cat() == catComment)
 318                         continue;
 319                 putback();
 320                 break;
 321         }
 322         bool const retval = (next_token().asInput() == "[");
 323         pos_ = oldpos;
 324         return retval;
 325 }
 326
 327
 328 Parser::Arg Parser::getFullArg(char left, char right)
 329 {
 330         skip_spaces(true);
 331
 332         // This is needed if a partial file ends with a command without arguments,
 333         // e. g. \medskip
 334         if (! good())
 335                 return make_pair(false, string());
 336
 337         string result;
 338         char c = getChar();
 339
 340         if (c != left) {
 341                 putback();
 342                 return make_pair(false, string());
 343         } else
 344                 while ((c = getChar()) != right && good()) {
 345                         // Ignore comments
 346                         if (curr_token().cat() == catComment) {
 347                                 if (!curr_token().cs().empty())
 348                                         cerr << "Ignoring comment: " << curr_token().asInput();
 349                         }
 350                         else
 351                                 result += curr_token().asInput();
 352                 }
 353
 354         return make_pair(true, result);
 355 }
 356
 357
 358 string Parser::getArg(char left, char right)
 359 {
 360         return getFullArg(left, right).second;
 361 }
 362
 363
 364 string Parser::getFullOpt()
 365 {
 366         Arg arg = getFullArg('[', ']');
 367         if (arg.first)
 368                 return '[' + arg.second + ']';
 369         return string();
 370 }
 371
 372
 373 string Parser::getOpt(bool keepws)
 374 {
 375         string const res = getArg('[', ']');
 376         if (res.empty()) {
 377                 if (keepws)
 378                         unskip_spaces(true);
 379                 return string();
 380         }
 381         return '[' + res + ']';
 382 }
 383
 384
 385 string Parser::getOptContent()
 386 // the same as getOpt but without the brackets
 387 {
 388         string const res = getArg('[', ']');
 389         return res.empty() ? string() : res;
 390 }
 391
 392
 393 string Parser::getFullParentheseArg()
 394 {
 395         Arg arg = getFullArg('(', ')');
 396         if (arg.first)
 397                 return '(' + arg.second + ')';
 398         return string();
 399 }
 400
 401
 402 string const Parser::verbatimEnvironment(string const & name)
 403 {
 404         if (!good())
 405                 return string();
 406
 407         ostringstream os;
 408         for (Token t = get_token(); good(); t = get_token()) {
 409                 if (t.cat() == catBegin) {
 410                         putback();
 411                         os << '{' << verbatim_item() << '}';
 412                 } else if (t.asInput() == "\\begin") {
 413                         string const env = getArg('{', '}');
 414                         os << "\\begin{" << env << '}'
 415                            << verbatimEnvironment(env)
 416                            << "\\end{" << env << '}';
 417                 } else if (t.asInput() == "\\end") {
 418                         string const end = getArg('{', '}');
 419                         if (end != name)
 420                                 cerr << "\\end{" << end
 421                                      << "} does not match \\begin{" << name
 422                                      << "}." << endl;
 423                         return os.str();
 424                 } else
 425                         os << t.asInput();
 426         }
 427         cerr << "unexpected end of input" << endl;
 428         return os.str();
 429 }
 430
 431
 432 void Parser::tokenize_one()
 433 {
 434         catInit();
 435         char_type c;
 436         if (!is_.get(c))
 437                 return;
 438
 439         switch (catcode(c)) {
 440         case catSpace: {
 441                 docstring s(1, c);
 442                 while (is_.get(c) && catcode(c) == catSpace)
 443                         s += c;
 444                 if (catcode(c) != catSpace)
 445                         is_.putback(c);
 446                 push_back(Token(s, catSpace));
 447                 break;
 448         }
 449
 450         case catNewline: {
 451                 ++lineno_;
 452                 docstring s(1, getNewline(is_, c));
 453                 while (is_.get(c) && catcode(c) == catNewline) {
 454                         ++lineno_;
 455                         s += getNewline(is_, c);
 456                 }
 457                 if (catcode(c) != catNewline)
 458                         is_.putback(c);
 459                 push_back(Token(s, catNewline));
 460                 break;
 461         }
 462
 463         case catComment: {
 464                 // We don't treat "%\n" combinations here specially because
 465                 // we want to preserve them in the preamble
 466                 docstring s;
 467                 while (is_.get(c) && catcode(c) != catNewline)
 468                         s += c;
 469                 // handle possible DOS line ending
 470                 if (catcode(c) == catNewline)
 471                         c = getNewline(is_, c);
 472                 // Note: The '%' at the beginning and the '\n' at the end
 473                 // of the comment are not stored.
 474                 ++lineno_;
 475                 push_back(Token(s, catComment));
 476                 break;
 477         }
 478
 479         case catEscape: {
 480                 is_.get(c);
 481                 if (!is_) {
 482                         error("unexpected end of input");
 483                 } else {
 484                         docstring s(1, c);
 485                         if (catcode(c) == catLetter) {
 486                                 // collect letters
 487                                 while (is_.get(c) && catcode(c) == catLetter)
 488                                         s += c;
 489                                 if (catcode(c) != catLetter)
 490                                         is_.putback(c);
 491                         }
 492                         push_back(Token(s, catEscape));
 493                 }
 494                 break;
 495         }
 496
 497         case catIgnore: {
 498                 cerr << "ignoring a char: " << c << "\n";
 499                 break;
 500         }
 501
 502         default:
 503                 push_back(Token(docstring(1, c), catcode(c)));
 504         }
 505         //cerr << tokens_.back();
 506 }
 507
 508
 509 void Parser::dump() const
 510 {
 511         cerr << "\nTokens: ";
 512         for (unsigned i = 0; i < tokens_.size(); ++i) {
 513                 if (i == pos_)
 514                         cerr << " <#> ";
 515                 cerr << tokens_[i];
 516         }
 517         cerr << " pos: " << pos_ << "\n";
 518 }
 519
 520
 521 void Parser::error(string const & msg)
 522 {
 523         cerr << "Line ~" << lineno_ << ":  parse error: " << msg << endl;
 524         dump();
 525         //exit(1);
 526 }
 527
 528
 529 string Parser::verbatimOption()
 530 {
 531         string res;
 532         if (next_token().character() == '[') {
 533                 Token t = get_token();
 534                 for (t = get_token(); t.character() != ']' && good(); t = get_token()) {
 535                         if (t.cat() == catBegin) {
 536                                 putback();
 537                                 res += '{' + verbatim_item() + '}';
 538                         } else
 539                                 res += t.cs();
 540                 }
 541         }
 542         return res;
 543 }
 544
 545
 546 string Parser::verbatim_item()
 547 {
 548         if (!good())
 549                 error("stream bad");
 550         skip_spaces();
 551         if (next_token().cat() == catBegin) {
 552                 Token t = get_token(); // skip brace
 553                 string res;
 554                 for (Token t = get_token(); t.cat() != catEnd && good(); t = get_token()) {
 555                         if (t.cat() == catBegin) {
 556                                 putback();
 557                                 res += '{' + verbatim_item() + '}';
 558                         }
 559                         else
 560                                 res += t.asInput();
 561                 }
 562                 return res;
 563         }
 564         return get_token().asInput();
 565 }
 566
 567
 568 void Parser::reset()
 569 {
 570         pos_ = 0;
 571 }
 572
 573
 574 void Parser::setCatCode(char c, CatCode cat)
 575 {
 576         theCatcode[(unsigned char)c] = cat;
 577 }
 578
 579
 580 CatCode Parser::getCatCode(char c) const
 581 {
 582         return theCatcode[(unsigned char)c];
 583 }
 584
 585
 586 } // namespace lyx