Initial utf8view
This commit is contained in:
parent
b537916c6b
commit
3407b86171
@ -40,7 +40,6 @@ static bool is_newline(char32_t c)
|
||||
|
||||
std::vector<Token> Tokenizer::tokenize()
|
||||
{
|
||||
std::string buffer;
|
||||
std::vector<Token> tokens;
|
||||
|
||||
utf8::iterator<std::string::iterator> it(m_source.begin(), m_source.begin(), m_source.end());
|
||||
@ -48,84 +47,77 @@ std::vector<Token> Tokenizer::tokenize()
|
||||
|
||||
for (; it != end; ++it) {
|
||||
if (is_alpha(*it)) {
|
||||
do {
|
||||
utf8::append(*it, std::back_inserter(buffer));
|
||||
} while (++it != end && (is_alpha_num(*it) || *it == '-'));
|
||||
auto begin = it;
|
||||
while (++it != end && (is_alpha_num(*it) || *it == '-')) { }
|
||||
Token token { .type = TokenType::ident, .view { begin, it } };
|
||||
--it;
|
||||
tokens.push_back({ .type = TokenType::ident, .value = buffer });
|
||||
buffer.clear();
|
||||
}
|
||||
else if (*it == '<') {
|
||||
tokens.push_back({ .type = TokenType::lt });
|
||||
tokens.push_back({ .type = TokenType::lt, .view { it } });
|
||||
}
|
||||
else if (*it == '>') {
|
||||
tokens.push_back({ .type = TokenType::gt });
|
||||
tokens.push_back({ .type = TokenType::gt, .view { it } });
|
||||
}
|
||||
else if (*it == '!') {
|
||||
tokens.push_back({ .type = TokenType::exclaim });
|
||||
tokens.push_back({ .type = TokenType::exclaim, .view { it } });
|
||||
}
|
||||
else if (*it == '/') {
|
||||
tokens.push_back({ .type = TokenType::fslash });
|
||||
tokens.push_back({ .type = TokenType::fslash, .view { it } });
|
||||
}
|
||||
else if (*it == '=') {
|
||||
tokens.push_back({ .type = TokenType::eq });
|
||||
tokens.push_back({ .type = TokenType::eq, .view { it } });
|
||||
}
|
||||
else if (*it == '-') {
|
||||
tokens.push_back({ .type = TokenType::minus });
|
||||
tokens.push_back({ .type = TokenType::minus, .view { it } });
|
||||
}
|
||||
else if (*it == ':') {
|
||||
tokens.push_back({ .type = TokenType::colon });
|
||||
tokens.push_back({ .type = TokenType::colon, .view { it } });
|
||||
}
|
||||
else if (*it == '#') {
|
||||
tokens.push_back({ .type = TokenType::hash });
|
||||
tokens.push_back({ .type = TokenType::hash, .view { it } });
|
||||
}
|
||||
else if (*it == ';') {
|
||||
tokens.push_back({ .type = TokenType::semi });
|
||||
tokens.push_back({ .type = TokenType::semi, .view { it } });
|
||||
}
|
||||
else if (is_num(*it)) {
|
||||
do {
|
||||
utf8::append(*it, std::back_inserter(buffer));
|
||||
} while (++it != end && is_num(*it));
|
||||
auto begin = it;
|
||||
while (++it != end && is_num(*it)) { };
|
||||
tokens.push_back({ .type = TokenType::num, .view { begin, it } });
|
||||
--it;
|
||||
tokens.push_back({ .type = TokenType::num, .value = buffer });
|
||||
buffer.clear();
|
||||
}
|
||||
else if (*it == ',') {
|
||||
tokens.push_back({ .type = TokenType::comma });
|
||||
tokens.push_back({ .type = TokenType::comma, .view { it } });
|
||||
}
|
||||
else if (*it == '{') {
|
||||
tokens.push_back({ .type = TokenType::left_curly });
|
||||
tokens.push_back({ .type = TokenType::left_curly, .view { it } });
|
||||
}
|
||||
else if (*it == '}') {
|
||||
tokens.push_back({ .type = TokenType::right_curly });
|
||||
tokens.push_back({ .type = TokenType::right_curly, .view { it } });
|
||||
}
|
||||
else if (*it == '(') {
|
||||
tokens.push_back({ .type = TokenType::left_paren });
|
||||
tokens.push_back({ .type = TokenType::left_paren, .view { it } });
|
||||
}
|
||||
else if (*it == ')') {
|
||||
tokens.push_back({ .type = TokenType::right_paren });
|
||||
tokens.push_back({ .type = TokenType::right_paren, .view { it } });
|
||||
}
|
||||
else if (*it == '.') {
|
||||
tokens.push_back({ .type = TokenType::dot });
|
||||
tokens.push_back({ .type = TokenType::dot, .view { it } });
|
||||
}
|
||||
else if (*it == '@') {
|
||||
tokens.push_back({ .type = TokenType::at });
|
||||
tokens.push_back({ .type = TokenType::at, .view { it } });
|
||||
}
|
||||
else if (*it == '"') {
|
||||
auto begin = it;
|
||||
++it;
|
||||
while (it != end && *it != '"') {
|
||||
utf8::append(*it, std::back_inserter(buffer));
|
||||
++it;
|
||||
}
|
||||
tokens.push_back({ .type = TokenType::str, .value = buffer });
|
||||
buffer.clear();
|
||||
tokens.push_back({ .type = TokenType::str, .view { begin, it } });
|
||||
}
|
||||
else if (is_space(*it) || is_newline(*it)) {
|
||||
}
|
||||
else {
|
||||
utf8::append(*it, std::back_inserter(buffer));
|
||||
std::cout << "[WARN] Unexpected token: " << buffer << std::endl;
|
||||
buffer.clear();
|
||||
std::cout << "[WARN] Unexpected token" << std::endl;
|
||||
}
|
||||
}
|
||||
|
||||
@ -140,13 +132,11 @@ std::string Token::to_string()
|
||||
case TokenType::gt:
|
||||
return ">";
|
||||
case TokenType::ident:
|
||||
assert(value.has_value());
|
||||
return value.value();
|
||||
return "IDENT"; // TODO
|
||||
case TokenType::fslash:
|
||||
return "/";
|
||||
case TokenType::str:
|
||||
assert(value.has_value());
|
||||
return value.value();
|
||||
return "STR"; // TODO
|
||||
case TokenType::exclaim:
|
||||
return "!";
|
||||
case TokenType::eq:
|
||||
@ -174,8 +164,7 @@ std::string Token::to_string()
|
||||
case TokenType::semi:
|
||||
return ";";
|
||||
case TokenType::num:
|
||||
assert(value.has_value());
|
||||
return value.value();
|
||||
return "NUM"; // TODO
|
||||
default:
|
||||
assert(false && "Unimplemented");
|
||||
return "";
|
||||
@ -238,8 +227,7 @@ std::optional<NodeDocType> Parser::parse_doc_type()
|
||||
consume();
|
||||
consume();
|
||||
consume();
|
||||
NodeDocType doc_type;
|
||||
doc_type.type = consume().value.value();
|
||||
NodeDocType doc_type { .type = consume().view };
|
||||
consume();
|
||||
return doc_type;
|
||||
}
|
||||
@ -254,17 +242,9 @@ bool Parser::peek_is(size_t ahead, TokenType type)
|
||||
return peek(ahead).value().get().type == type;
|
||||
}
|
||||
|
||||
bool Parser::peek_is_with_val(size_t ahead, TokenType type)
|
||||
{
|
||||
if (!peek_is(ahead, type)) {
|
||||
return false;
|
||||
}
|
||||
return peek(ahead).value().get().value.has_value();
|
||||
}
|
||||
|
||||
bool Parser::peek_is(size_t ahead, TokenType type, const std::string& val, Parser::StrCmp cmp)
|
||||
{
|
||||
if (!peek_is_with_val(ahead, type)) {
|
||||
if (!peek_is(ahead, type)) {
|
||||
return false;
|
||||
}
|
||||
switch (cmp) {
|
||||
@ -351,3 +331,23 @@ std::optional<NodeAttr> Parser::parse_attr()
|
||||
}
|
||||
|
||||
}
|
||||
|
||||
Utf8View::Utf8View(Utf8View::Iterator begin)
|
||||
: m_begin(begin)
|
||||
, m_end(Iterator(begin.base(), begin.base(), begin.base() + 1))
|
||||
{
|
||||
}
|
||||
|
||||
Utf8View::Utf8View(Utf8View::Iterator begin, Utf8View::Iterator end)
|
||||
: m_begin(begin)
|
||||
, m_end(end)
|
||||
{
|
||||
}
|
||||
Utf8View::Iterator Utf8View::begin() const
|
||||
{
|
||||
return m_begin;
|
||||
}
|
||||
Utf8View::Iterator Utf8View::end() const
|
||||
{
|
||||
return m_end;
|
||||
}
|
||||
|
@ -8,6 +8,21 @@
|
||||
|
||||
#include <utf8.h>
|
||||
|
||||
class Utf8View {
|
||||
public:
|
||||
using Iterator = utf8::iterator<std::string::iterator>;
|
||||
|
||||
explicit Utf8View(Iterator begin);
|
||||
Utf8View(Iterator begin, Iterator end);
|
||||
|
||||
[[nodiscard]] Iterator begin() const;
|
||||
[[nodiscard]] Iterator end() const;
|
||||
|
||||
private:
|
||||
Iterator m_begin;
|
||||
Iterator m_end;
|
||||
};
|
||||
|
||||
namespace html {
|
||||
|
||||
enum class TokenType {
|
||||
@ -34,7 +49,7 @@ enum class TokenType {
|
||||
|
||||
struct Token {
|
||||
TokenType type;
|
||||
std::optional<std::string> value = {};
|
||||
Utf8View view;
|
||||
|
||||
std::string to_string();
|
||||
};
|
||||
@ -50,7 +65,7 @@ private:
|
||||
};
|
||||
|
||||
struct NodeDocType {
|
||||
std::string type;
|
||||
Utf8View type;
|
||||
};
|
||||
|
||||
struct NodeAttr {
|
||||
@ -96,7 +111,6 @@ private:
|
||||
enum class StrCmp { case_sensitive, case_insensitive };
|
||||
|
||||
bool peek_is(size_t ahead, TokenType type);
|
||||
bool peek_is_with_val(size_t ahead, TokenType type);
|
||||
bool peek_is(size_t ahead, TokenType type, const std::string& val, StrCmp cmp);
|
||||
|
||||
Token& consume();
|
||||
|
Loading…
Reference in New Issue
Block a user