如何通过c ++中的属性/标识符为PEGTL定义unicode范围

Posted 2021-05-05

使用PEGTL（https://github.com/taocpp/PEGTL），这是一个基于模板的C ++ 11仅头文件的PEG库，我可以定义unicode字符的范围，如下所示：

• utf8 :: range <0x0,0x10FF> //所有UTF8字符
• utf8 :: range <0x41,0x5A，0x61,0x7A> // UTF8 0x41-0x5A [A-Z]和0x61-0x7A [a-z]

现在使用UTF8，有一个属性分类（https://en.wikipedia.org/wiki/Unicode_character_property#General_Category），我可以用它来做[：Lu：]或[：ID_Start：]并得到一组/字符范围。

现在，因为我正在使用c ++模板，所以我需要在编译时使用这些范围。在我看来，我有以下选择：

1. 发现PEGTL本身有可能查找[：ID_Start：]或[：Lu：]
2. 找到一个c ++预处理器库，它允许在编译时进行此类查询
3. 获取应用程序/在线服务，我可以在其中执行这些查询并获取范围（如上所示），然后我可以将其粘贴到我的代码中。

这也代表了我喜欢的解决方案的顺序。

答案

PEGTL使用规则来匹配字符，而不是返回字符集。如果您想要将字符与某些Unicode字符属性匹配，您可以创建一个custom rule并在某些Unicode库的帮助下实现它，例如： ICU。它提供了测试各种属性的代码点的方法，请参阅this link。

这是一个完整的示例程序：

#include <iomanip>
#include <iostream>

#include <unicode/uchar.h>

#include <tao/pegtl.hpp>

using namespace tao::TAO_PEGTL_NAMESPACE;  // NOLINT

namespace test
{
   template< UProperty P >
   struct icu_has_binary_property
   {
      using analyze_t = analysis::generic< analysis::rule_type::ANY >;

      template< typename Input >
      static bool match( Input& in )
      {
         // this assumes the input is UTF8, adapt as necessary
         const auto r = internal::peek_utf8::peek( in );
         // if a code point is available, the size is >0
         if( r.size != 0 ) {
            // check the property
            if( u_hasBinaryProperty( r.data, P ) ) {
               // if it matches, consume the character
               in.bump( r.size );
               return true;
            }
         }
         return false;
      }
   };

   using icu_lower = icu_has_binary_property< UCHAR_LOWERCASE >;
   using icu_upper = icu_has_binary_property< UCHAR_UPPERCASE >;

   // clang-format off
   struct grammar : seq< icu_upper, plus< icu_lower >, eof > {};
   // clang-format on
}

int main( int argc, char** argv )
{
   for( int i = 1; i < argc; ++i ) {
      argv_input<> in( argv, i );
      std::cout << argv[ i ] << " matches: " << std::boolalpha << parse< test::grammar >( in ) << std::endl;
   }
}

现在我可以编译并运行它：

$ g++ -std=c++11 -pedantic -Wall -Wextra -Werror -O3 -Ipegtl/include icu.cpp -licuuc -licudata -o icu
$ ./icu Ďánîel DánÎel
Ďánîel matches: true
DánÎel matches: false
$ 

---

编辑：我已经将ICU rules（很多）添加到PEGTL中。因为他们需要ICU，一个外部依赖，我把它们放在contrib部分。