version 0.1.6
[fms.git] / src / nntp / uwildmat.cpp
1 /*  $Id: uwildmat.c 6779 2004-05-17 07:25:28Z rra $\r
2 **\r
3 **  wildmat pattern matching with Unicode UTF-8 extensions.\r
4 **\r
5 **  Do shell-style pattern matching for ?, \, [], and * characters.  Might not\r
6 **  be robust in face of malformed patterns; e.g., "foo[a-" could cause a\r
7 **  segmentation violation.  It is 8-bit clean.  (Robustness hopefully fixed\r
8 **  July 2000; all malformed patterns should now just fail to match anything.)\r
9 **\r
10 **  Original by Rich $alz, mirror!rs, Wed Nov 26 19:03:17 EST 1986.\r
11 **  Rich $alz is now <rsalz@osf.org>.\r
12 **\r
13 **  April, 1991:  Replaced mutually-recursive calls with in-line code for the\r
14 **  star character.\r
15 **\r
16 **  Special thanks to Lars Mathiesen <thorinn@diku.dk> for the ABORT code.\r
17 **  This can greatly speed up failing wildcard patterns.  For example:\r
18 **\r
19 **      pattern: -*-*-*-*-*-*-12-*-*-*-m-*-*-*\r
20 **      text 1:  -adobe-courier-bold-o-normal--12-120-75-75-m-70-iso8859-1\r
21 **      text 2:  -adobe-courier-bold-o-normal--12-120-75-75-X-70-iso8859-1\r
22 **\r
23 **  Text 1 matches with 51 calls, while text 2 fails with 54 calls.  Without\r
24 **  the ABORT code, it takes 22310 calls to fail.  Ugh.  The following\r
25 **  explanation is from Lars:\r
26 **\r
27 **  The precondition that must be fulfilled is that DoMatch will consume at\r
28 **  least one character in text.  This is true if *p is neither '*' nor '\0'.)\r
29 **  The last return has ABORT instead of false to avoid quadratic behaviour in\r
30 **  cases like pattern "*a*b*c*d" with text "abcxxxxx".  With false, each\r
31 **  star-loop has to run to the end of the text; with ABORT only the last one\r
32 **  does.\r
33 **\r
34 **  Once the control of one instance of DoMatch enters the star-loop, that\r
35 **  instance will return either true or ABORT, and any calling instance will\r
36 **  therefore return immediately after (without calling recursively again).\r
37 **  In effect, only one star-loop is ever active.  It would be possible to\r
38 **  modify the code to maintain this context explicitly, eliminating all\r
39 **  recursive calls at the cost of some complication and loss of clarity (and\r
40 **  the ABORT stuff seems to be unclear enough by itself).  I think it would\r
41 **  be unwise to try to get this into a released version unless you have a\r
42 **  good test data base to try it out on.\r
43 **\r
44 **  June, 1991:  Robert Elz <kre@munnari.oz.au> added minus and close bracket\r
45 **  handling for character sets.\r
46 **\r
47 **  July, 2000:  Largely rewritten by Russ Allbery <rra@stanford.edu> to add\r
48 **  support for ',', '!', and optionally '@' to the core wildmat routine.\r
49 **  Broke the character class matching into a separate function for clarity\r
50 **  since it's infrequently used in practice, and added some simple lookahead\r
51 **  to significantly decrease the recursive calls in the '*' matching code.\r
52 **  Added support for UTF-8 as the default character set for any high-bit\r
53 **  characters.\r
54 **\r
55 **  For more information on UTF-8, see RFC 2279.\r
56 **\r
57 **  Please note that this file is intentionally written so that conditionally\r
58 **  executed expressions are on separate lines from the condition to\r
59 **  facilitate analysis of the coverage of the test suite using purecov.\r
60 **  Please preserve this.  As of March 11, 2001, purecov reports that the\r
61 **  accompanying test suite achieves 100% coverage of this file.\r
62 */\r
63 \r
64 //#include "config.h"\r
65 //#include "clibrary.h"\r
66 //#include "libinn.h"\r
67 #include "../../include/nntp/uwildmat.h"\r
68 #include <string>\r
69 \r
70 #define ABORT -1\r
71 \r
72 /* Whether or not an octet looks like the start of a UTF-8 character. */\r
73 #define ISUTF8(c)       (((c) & 0xc0) == 0xc0)\r
74 \r
75 \r
76 /*\r
77 **  Determine the length of a non-ASCII character in octets (for advancing\r
78 **  pointers when skipping over characters).  Takes a pointer to the start of\r
79 **  the character and to the last octet of the string.  If end is NULL, expect\r
80 **  the string pointed to by start to be nul-terminated.  If the character is\r
81 **  malformed UTF-8, return 1 to treat it like an eight-bit local character.\r
82 */\r
83 static int\r
84 utf8_length(const unsigned char *start, const unsigned char *end)\r
85 {\r
86     unsigned char mask = 0x80;\r
87     const unsigned char *p;\r
88     int length = 0;\r
89     int left;\r
90 \r
91     for (; mask > 0 && (*start & mask) == mask; mask >>= 1)\r
92         length++;\r
93     if (length < 2 || length > 6)\r
94         return 1;\r
95     if (end != NULL && (end - start + 1) < length)\r
96         return 1;\r
97     left = length - 1;\r
98     p = start + 1;\r
99     for (p = start + 1; left > 0 && (*p & 0xc0) == 0x80; p++)\r
100         left--;\r
101     return (left == 0) ? length : 1;\r
102 }\r
103 \r
104 \r
105 /*\r
106 **  Convert a UTF-8 character to UCS-4.  Takes a pointer to the start of the\r
107 **  character and to the last octet of the string, and to a uint32_t into\r
108 **  which to put the decoded UCS-4 value.  If end is NULL, expect the string\r
109 **  pointed to by start to be nul-terminated.  Returns the number of octets in\r
110 **  the UTF-8 encoding.  If the UTF-8 character is malformed, set result to\r
111 **  the decimal value of the first octet; this is wrong, but it will generally\r
112 **  cause the rest of the wildmat matching to do the right thing for non-UTF-8\r
113 **  input.\r
114 */\r
115 static int\r
116 utf8_decode(const unsigned char *start, const unsigned char *end,\r
117             uint32_t *result)\r
118 {\r
119     uint32_t value = 0;\r
120     int length, i;\r
121     const unsigned char *p = start;\r
122     unsigned char mask;\r
123 \r
124     length = utf8_length(start, end);\r
125     if (length < 2) {\r
126         *result = *start;\r
127         return 1;\r
128     }\r
129     mask = (1 << (7 - length)) - 1;\r
130     value = *p & mask;\r
131     p++;\r
132     for (i = length - 1; i > 0; i--) {\r
133         value = (value << 6) | (*p & 0x3f);\r
134         p++;\r
135     }\r
136     *result = value;\r
137     return length;\r
138 }\r
139 \r
140 \r
141 /*\r
142 **  Match a character class against text, a UCS-4 character.  start is a\r
143 **  pointer to the first character of the character class, end a pointer to\r
144 **  the last.  Returns whether the class matches that character.\r
145 */\r
146 static bool\r
147 match_class(uint32_t text, const unsigned char *start,\r
148             const unsigned char *end)\r
149 {\r
150     bool reversed, allowrange;\r
151     const unsigned char *p = start;\r
152     uint32_t first, last;\r
153 \r
154     /* Check for an inverted character class (starting with ^).  If the\r
155        character matches the character class, we return !reversed; that way,\r
156        we return true if it's a regular character class and false if it's a\r
157        reversed one.  If the character doesn't match, we return reversed. */\r
158     reversed = (*p == '^');\r
159     if (reversed)\r
160         p++;\r
161 \r
162     /* Walk through the character class until we reach the end or find a\r
163        match, handling character ranges as we go.  Only permit a range to\r
164        start when allowrange is true; this allows - to be treated like a\r
165        normal character as the first character of the class and catches\r
166        malformed ranges like a-e-n.  We treat the character at the beginning\r
167        of a range as both a regular member of the class and the beginning of\r
168        the range; this is harmless (although it means that malformed ranges\r
169        like m-a will match m and nothing else). */\r
170     allowrange = false;\r
171     while (p <= end) {\r
172         if (allowrange && *p == '-' && p < end) {\r
173             p++;\r
174             p += utf8_decode(p, end, &last);\r
175             if (text >= first && text <= last)\r
176                 return !reversed;\r
177             allowrange = false;\r
178         } else {\r
179             p += utf8_decode(p, end, &first);\r
180             if (text == first)\r
181                 return !reversed;\r
182             allowrange = true;\r
183         }\r
184     }\r
185     return reversed;\r
186 }\r
187 \r
188 \r
189 /*\r
190 **  Match the text against the pattern between start and end.  This is a\r
191 **  single pattern; a leading ! or @ must already be taken care of, and\r
192 **  commas must be dealt with outside of this routine.\r
193 */\r
194 static int\r
195 match_pattern(const unsigned char *text, const unsigned char *start,\r
196               const unsigned char *end)\r
197 {\r
198     const unsigned char *q, *endclass;\r
199     const unsigned char *p = start;\r
200     bool ismeta;\r
201     int matched, width;\r
202     uint32_t c;\r
203 \r
204     for (; p <= end; p++) {\r
205         if (!*text && *p != '*')\r
206             return ABORT;\r
207 \r
208         switch (*p) {\r
209         case '\\':\r
210             if (!*++p)\r
211                 return ABORT;\r
212             /* Fall through. */\r
213 \r
214         default:\r
215             if (*text++ != *p)\r
216                 return false;\r
217             break;\r
218 \r
219         case '?':\r
220             text += ISUTF8(*text) ? utf8_length(text, NULL) : 1;\r
221             break;\r
222 \r
223         case '*':\r
224             /* Consecutive stars are equivalent to one.  Advance pattern to\r
225                the character after the star. */\r
226             for (++p; *p == '*'; p++)\r
227                 ;\r
228 \r
229             /* A trailing star will match anything. */\r
230             if (p > end)\r
231                 return true;\r
232 \r
233             /* Basic algorithm: Recurse at each point where the * could\r
234                possibly match.  If the match succeeds or aborts, return\r
235                immediately; otherwise, try the next position.\r
236 \r
237                Optimization: If the character after the * in the pattern\r
238                isn't a metacharacter (the common case), then the * has to\r
239                consume characters at least up to the next occurance of that\r
240                character in the text.  Scan forward for those points rather\r
241                than recursing at every possible point to save the extra\r
242                function call overhead. */\r
243             ismeta = (*p == '[' || *p == '?' || *p == '\\');\r
244             while (*text) {\r
245                 width = ISUTF8(*text) ? utf8_length(text, NULL) : 1;\r
246                 if (ismeta) {\r
247                     matched = match_pattern(text, p, end);\r
248                     text += width;\r
249                 } else {\r
250                     while (*text && *text != *p) {\r
251                         text += width;\r
252                         width = ISUTF8(*text) ? utf8_length(text, NULL) : 1;\r
253                     }\r
254                     if (!*text)\r
255                         return ABORT;\r
256                     matched = match_pattern(++text, p + 1, end);\r
257                 }\r
258                 if (matched != false)\r
259                     return matched;\r
260             }\r
261             return ABORT;\r
262 \r
263         case '[':\r
264             /* Find the end of the character class, making sure not to pick\r
265                up a close bracket at the beginning of the class. */\r
266             p++;\r
267             q = p + (*p == '^') + 1;\r
268             if (q > end)\r
269                 return ABORT;\r
270             endclass = (unsigned char *)memchr(q, ']', (size_t) (end - q + 1));\r
271             if (!endclass)\r
272                 return ABORT;\r
273 \r
274             /* Do the heavy lifting in another function for clarity, since\r
275                character classes are an uncommon case. */\r
276             text += utf8_decode(text, NULL, &c);\r
277             if (!match_class(c, p, endclass - 1))\r
278                 return false;\r
279             p = endclass;\r
280             break;\r
281         }\r
282     }\r
283 \r
284     return (*text == '\0');\r
285 }\r
286 \r
287 \r
288 /*\r
289 **  Takes text and a wildmat expression; a wildmat expression is a\r
290 **  comma-separated list of wildmat patterns, optionally preceeded by ! to\r
291 **  invert the sense of the expression.  Returns WILDMAT_MATCH if that\r
292 **  expression matches the text, WILDMAT_FAIL otherwise.  If allowpoison is\r
293 **  set, allow @ to introduce a poison expression (the same as !, but if it\r
294 **  triggers the failed match the routine returns WILDMAT_POISON instead).\r
295 */\r
296 static enum uwildmat\r
297 match_expression(const unsigned char *text, const unsigned char *start,\r
298                  bool allowpoison)\r
299 {\r
300     const unsigned char *end, *split;\r
301     const unsigned char *p = start;\r
302     bool reverse, escaped;\r
303     bool match = false;\r
304     bool poison = false;\r
305     bool poisoned = false;\r
306 \r
307     /* Handle the empty expression separately, since otherwise end will be\r
308        set to an invalid pointer. */\r
309     if (!*p)\r
310         return !*text ? UWILDMAT_MATCH : UWILDMAT_FAIL;\r
311     end = start + strlen((const char *) start) - 1;\r
312 \r
313     /* Main match loop.  Find each comma that separates patterns, and attempt \r
314        to match the text with each pattern in order.  The last matching\r
315        pattern determines whether the whole expression matches. */\r
316     for (; p <= end + 1; p = split + 1) {\r
317         if (allowpoison)\r
318             poison = (*p == '@');\r
319         reverse = (*p == '!') || poison;\r
320         if (reverse)\r
321             p++;\r
322 \r
323         /* Find the first unescaped comma, if any.  If there is none, split\r
324            will be one greater than end and point at the nul at the end of\r
325            the string. */\r
326         for (escaped = false, split = p; split <= end; split++) {\r
327             if (*split == '[') {\r
328                 split++;\r
329                 if (*split == ']')\r
330                     split++;\r
331                 while (split <= end && *split != ']')\r
332                     split++;\r
333             }\r
334             if (*split == ',' && !escaped)\r
335                 break;\r
336             escaped = (*split == '\\') ? !escaped : false;\r
337         }\r
338 \r
339         /* Optimization: If match == !reverse and poison == poisoned, this\r
340            pattern can't change the result, so don't do any work. */\r
341         if (match == !reverse && poison == poisoned)\r
342             continue;\r
343         if (match_pattern(text, p, split - 1) == true) {\r
344             poisoned = poison;\r
345             match = !reverse;\r
346         }\r
347     }\r
348     if (poisoned)\r
349         return UWILDMAT_POISON;\r
350     return match ? UWILDMAT_MATCH : UWILDMAT_FAIL;\r
351 }\r
352 \r
353 \r
354 /*\r
355 **  User-level routine used for wildmats where @ should be treated as a\r
356 **  regular character.\r
357 */\r
358 bool\r
359 uwildmat(const char *text, const char *pat)\r
360 {\r
361     const unsigned char *utext = (const unsigned char *) text;\r
362     const unsigned char *upat = (const unsigned char *) pat;\r
363 \r
364     if (upat[0] == '*' && upat[1] == '\0')\r
365         return true;\r
366     else\r
367         return (match_expression(utext, upat, false) == UWILDMAT_MATCH);\r
368 }\r
369 \r
370 \r
371 /*\r
372 **  User-level routine used for wildmats that support poison matches.\r
373 */\r
374 enum uwildmat\r
375 uwildmat_poison(const char *text, const char *pat)\r
376 {\r
377     const unsigned char *utext = (const unsigned char *) text;\r
378     const unsigned char *upat = (const unsigned char *) pat;\r
379 \r
380     if (upat[0] == '*' && upat[1] == '\0')\r
381         return UWILDMAT_MATCH;\r
382     else\r
383         return match_expression(utext, upat, true);\r
384 }\r
385 \r
386 \r
387 /*\r
388 **  User-level routine for simple expressions (neither , nor ! are special).\r
389 */\r
390 bool\r
391 uwildmat_simple(const char *text, const char *pat)\r
392 {\r
393     const unsigned char *utext = (const unsigned char *) text;\r
394     const unsigned char *upat = (const unsigned char *) pat;\r
395     size_t length;\r
396 \r
397     if (upat[0] == '*' && upat[1] == '\0')\r
398         return true;\r
399     else {\r
400         length = strlen(pat);\r
401         return (match_pattern(utext, upat, upat + length - 1) == true);\r
402     }\r
403 }\r