mirror of
https://github.com/RPCS3/llvm-mirror.git
synced 2024-11-26 04:32:44 +01:00
Resubmit r325107 (case folding DJB hash)
The issue was that the has function was generating different results depending on the signedness of char on the host platform. This commit fixes the issue by explicitly using an unsigned char type to prevent sign extension and adds some extra tests. The original commit message was: This patch implements a variant of the DJB hash function which folds the input according to the algorithm in the Dwarf 5 specification (Section 6.1.1.4.5), which in turn references the Unicode Standard (Section 5.18, "Case Mappings"). To achieve this, I have added a llvm::sys::unicode::foldCharSimple function, which performs this mapping. The implementation of this function was generated from the CaseMatching.txt file from the Unicode spec using a python script (which is also included in this patch). The script tries to optimize the function by coalescing adjecant mappings with the same shift and stride (terms I made up). Theoretically, it could be made a bit smarter and merge adjecant blocks that were interrupted by only one or two characters with exceptional mapping, but this would save only a couple of branches, while it would greatly complicate the implementation, so I deemed it was not worth it. Since we assume that the vast majority of the input characters will be US-ASCII, the folding hash function has a fast-path for handling these, and only whips out the full decode+fold+encode logic if we encounter a character outside of this range. It might be possible to implement the folding directly on utf8 sequences, but this would also bring a lot of complexity for the few cases where we will actually need to process non-ascii characters. Reviewers: JDevlieghere, aprantl, probinson, dblaikie Subscribers: mgorny, hintonda, echristo, clayborg, vleschuk, llvm-commits Differential Revision: https://reviews.llvm.org/D42740 llvm-svn: 325732
This commit is contained in:
parent
bef1acc269
commit
f85485df31
@ -20,6 +20,10 @@ namespace llvm {
|
|||||||
|
|
||||||
/// The Bernstein hash function used by the DWARF accelerator tables.
|
/// The Bernstein hash function used by the DWARF accelerator tables.
|
||||||
uint32_t djbHash(StringRef Buffer, uint32_t H = 5381);
|
uint32_t djbHash(StringRef Buffer, uint32_t H = 5381);
|
||||||
|
|
||||||
|
/// Computes the Bernstein hash after folding the input according to the Dwarf 5
|
||||||
|
/// standard case folding rules.
|
||||||
|
uint32_t caseFoldingDjbHash(StringRef Buffer, uint32_t H = 5381);
|
||||||
} // namespace llvm
|
} // namespace llvm
|
||||||
|
|
||||||
#endif // LLVM_SUPPORT_DJB_H
|
#endif // LLVM_SUPPORT_DJB_H
|
||||||
|
@ -60,6 +60,10 @@ bool isPrintable(int UCS);
|
|||||||
/// * 1 for each of the remaining characters.
|
/// * 1 for each of the remaining characters.
|
||||||
int columnWidthUTF8(StringRef Text);
|
int columnWidthUTF8(StringRef Text);
|
||||||
|
|
||||||
|
/// Fold input unicode character according the the Simple unicode case folding
|
||||||
|
/// rules.
|
||||||
|
int foldCharSimple(int C);
|
||||||
|
|
||||||
} // namespace unicode
|
} // namespace unicode
|
||||||
} // namespace sys
|
} // namespace sys
|
||||||
} // namespace llvm
|
} // namespace llvm
|
||||||
|
@ -113,6 +113,7 @@ add_llvm_library(LLVMSupport
|
|||||||
Triple.cpp
|
Triple.cpp
|
||||||
Twine.cpp
|
Twine.cpp
|
||||||
Unicode.cpp
|
Unicode.cpp
|
||||||
|
UnicodeCaseFold.cpp
|
||||||
YAMLParser.cpp
|
YAMLParser.cpp
|
||||||
YAMLTraits.cpp
|
YAMLTraits.cpp
|
||||||
raw_os_ostream.cpp
|
raw_os_ostream.cpp
|
||||||
|
@ -12,9 +12,85 @@
|
|||||||
//===----------------------------------------------------------------------===//
|
//===----------------------------------------------------------------------===//
|
||||||
|
|
||||||
#include "llvm/Support/DJB.h"
|
#include "llvm/Support/DJB.h"
|
||||||
|
#include "llvm/ADT/ArrayRef.h"
|
||||||
|
#include "llvm/Support/Compiler.h"
|
||||||
|
#include "llvm/Support/ConvertUTF.h"
|
||||||
|
#include "llvm/Support/Unicode.h"
|
||||||
|
|
||||||
|
using namespace llvm;
|
||||||
|
|
||||||
|
static inline uint32_t djbHashChar(unsigned char C, uint32_t H) {
|
||||||
|
return (H << 5) + H + C;
|
||||||
|
}
|
||||||
|
|
||||||
uint32_t llvm::djbHash(StringRef Buffer, uint32_t H) {
|
uint32_t llvm::djbHash(StringRef Buffer, uint32_t H) {
|
||||||
for (char C : Buffer.bytes())
|
for (unsigned char C : Buffer.bytes())
|
||||||
H = ((H << 5) + H) + C;
|
H = djbHashChar(C, H);
|
||||||
|
return H;
|
||||||
|
}
|
||||||
|
|
||||||
|
static UTF32 chopOneUTF32(StringRef &Buffer) {
|
||||||
|
UTF32 C;
|
||||||
|
const UTF8 *const Begin8Const =
|
||||||
|
reinterpret_cast<const UTF8 *>(Buffer.begin());
|
||||||
|
const UTF8 *Begin8 = Begin8Const;
|
||||||
|
UTF32 *Begin32 = &C;
|
||||||
|
|
||||||
|
// In lenient mode we will always end up with a "reasonable" value in C for
|
||||||
|
// non-empty input.
|
||||||
|
assert(!Buffer.empty());
|
||||||
|
ConvertUTF8toUTF32(&Begin8, reinterpret_cast<const UTF8 *>(Buffer.end()),
|
||||||
|
&Begin32, &C + 1, lenientConversion);
|
||||||
|
Buffer = Buffer.drop_front(Begin8 - Begin8Const);
|
||||||
|
return C;
|
||||||
|
}
|
||||||
|
|
||||||
|
static StringRef toUTF8(UTF32 C, MutableArrayRef<UTF8> Storage) {
|
||||||
|
const UTF32 *Begin32 = &C;
|
||||||
|
UTF8 *Begin8 = Storage.begin();
|
||||||
|
|
||||||
|
// The case-folded output should always be a valid unicode character, so use
|
||||||
|
// strict mode here.
|
||||||
|
ConversionResult CR = ConvertUTF32toUTF8(&Begin32, &C + 1, &Begin8,
|
||||||
|
Storage.end(), strictConversion);
|
||||||
|
assert(CR == conversionOK && "Case folding produced invalid char?");
|
||||||
|
(void)CR;
|
||||||
|
return StringRef(reinterpret_cast<char *>(Storage.begin()),
|
||||||
|
Begin8 - Storage.begin());
|
||||||
|
}
|
||||||
|
|
||||||
|
static UTF32 foldCharDwarf(UTF32 C) {
|
||||||
|
// DWARF v5 addition to the unicode folding rules.
|
||||||
|
// Fold "Latin Small Letter Dotless I" and "Latin Capital Letter I With Dot
|
||||||
|
// Above" into "i".
|
||||||
|
if (C == 0x130 || C == 0x131)
|
||||||
|
return 'i';
|
||||||
|
return sys::unicode::foldCharSimple(C);
|
||||||
|
}
|
||||||
|
|
||||||
|
static uint32_t caseFoldingDjbHashCharSlow(StringRef &Buffer, uint32_t H) {
|
||||||
|
UTF32 C = chopOneUTF32(Buffer);
|
||||||
|
|
||||||
|
C = foldCharDwarf(C);
|
||||||
|
|
||||||
|
std::array<UTF8, UNI_MAX_UTF8_BYTES_PER_CODE_POINT> Storage;
|
||||||
|
StringRef Folded = toUTF8(C, Storage);
|
||||||
|
return djbHash(Folded, H);
|
||||||
|
}
|
||||||
|
|
||||||
|
uint32_t llvm::caseFoldingDjbHash(StringRef Buffer, uint32_t H) {
|
||||||
|
while (!Buffer.empty()) {
|
||||||
|
unsigned char C = Buffer.front();
|
||||||
|
if (LLVM_LIKELY(C <= 0x7f)) {
|
||||||
|
// US-ASCII, encoded as one character in utf-8.
|
||||||
|
// This is by far the most common case, so handle this specially.
|
||||||
|
if (C >= 'A' && C <= 'Z')
|
||||||
|
C = 'a' + (C - 'A'); // fold uppercase into lowercase
|
||||||
|
H = djbHashChar(C, H);
|
||||||
|
Buffer = Buffer.drop_front();
|
||||||
|
continue;
|
||||||
|
}
|
||||||
|
H = caseFoldingDjbHashCharSlow(Buffer, H);
|
||||||
|
}
|
||||||
return H;
|
return H;
|
||||||
}
|
}
|
||||||
|
742
lib/Support/UnicodeCaseFold.cpp
Normal file
742
lib/Support/UnicodeCaseFold.cpp
Normal file
@ -0,0 +1,742 @@
|
|||||||
|
//===---------- Support/UnicodeCaseFold.cpp -------------------------------===//
|
||||||
|
//
|
||||||
|
// This file was generated by utils/unicode-case-fold.py from the Unicode
|
||||||
|
// case folding database at
|
||||||
|
// http://www.unicode.org/Public/9.0.0/ucd/CaseFolding.txt
|
||||||
|
//
|
||||||
|
// To regenerate this file, run:
|
||||||
|
// utils/unicode-case-fold.py \
|
||||||
|
// "http://www.unicode.org/Public/9.0.0/ucd/CaseFolding.txt" \
|
||||||
|
// > lib/Support/UnicodeCaseFold.cpp
|
||||||
|
//
|
||||||
|
//===----------------------------------------------------------------------===//
|
||||||
|
|
||||||
|
#include "llvm/Support/Unicode.h"
|
||||||
|
|
||||||
|
int llvm::sys::unicode::foldCharSimple(int C) {
|
||||||
|
if (C < 0x0041)
|
||||||
|
return C;
|
||||||
|
// 26 characters
|
||||||
|
if (C <= 0x005a)
|
||||||
|
return C + 32;
|
||||||
|
// MICRO SIGN
|
||||||
|
if (C == 0x00b5)
|
||||||
|
return 0x03bc;
|
||||||
|
if (C < 0x00c0)
|
||||||
|
return C;
|
||||||
|
// 23 characters
|
||||||
|
if (C <= 0x00d6)
|
||||||
|
return C + 32;
|
||||||
|
if (C < 0x00d8)
|
||||||
|
return C;
|
||||||
|
// 7 characters
|
||||||
|
if (C <= 0x00de)
|
||||||
|
return C + 32;
|
||||||
|
if (C < 0x0100)
|
||||||
|
return C;
|
||||||
|
// 24 characters
|
||||||
|
if (C <= 0x012e)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0x0132)
|
||||||
|
return C;
|
||||||
|
// 3 characters
|
||||||
|
if (C <= 0x0136)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0x0139)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x0147 && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
if (C < 0x014a)
|
||||||
|
return C;
|
||||||
|
// 23 characters
|
||||||
|
if (C <= 0x0176)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER Y WITH DIAERESIS
|
||||||
|
if (C == 0x0178)
|
||||||
|
return 0x00ff;
|
||||||
|
if (C < 0x0179)
|
||||||
|
return C;
|
||||||
|
// 3 characters
|
||||||
|
if (C <= 0x017d && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
// LATIN SMALL LETTER LONG S
|
||||||
|
if (C == 0x017f)
|
||||||
|
return 0x0073;
|
||||||
|
// LATIN CAPITAL LETTER B WITH HOOK
|
||||||
|
if (C == 0x0181)
|
||||||
|
return 0x0253;
|
||||||
|
if (C < 0x0182)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x0184)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER OPEN O
|
||||||
|
if (C == 0x0186)
|
||||||
|
return 0x0254;
|
||||||
|
// LATIN CAPITAL LETTER C WITH HOOK
|
||||||
|
if (C == 0x0187)
|
||||||
|
return 0x0188;
|
||||||
|
if (C < 0x0189)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x018a)
|
||||||
|
return C + 205;
|
||||||
|
// LATIN CAPITAL LETTER D WITH TOPBAR
|
||||||
|
if (C == 0x018b)
|
||||||
|
return 0x018c;
|
||||||
|
// LATIN CAPITAL LETTER REVERSED E
|
||||||
|
if (C == 0x018e)
|
||||||
|
return 0x01dd;
|
||||||
|
// LATIN CAPITAL LETTER SCHWA
|
||||||
|
if (C == 0x018f)
|
||||||
|
return 0x0259;
|
||||||
|
// LATIN CAPITAL LETTER OPEN E
|
||||||
|
if (C == 0x0190)
|
||||||
|
return 0x025b;
|
||||||
|
// LATIN CAPITAL LETTER F WITH HOOK
|
||||||
|
if (C == 0x0191)
|
||||||
|
return 0x0192;
|
||||||
|
// LATIN CAPITAL LETTER G WITH HOOK
|
||||||
|
if (C == 0x0193)
|
||||||
|
return 0x0260;
|
||||||
|
// LATIN CAPITAL LETTER GAMMA
|
||||||
|
if (C == 0x0194)
|
||||||
|
return 0x0263;
|
||||||
|
// LATIN CAPITAL LETTER IOTA
|
||||||
|
if (C == 0x0196)
|
||||||
|
return 0x0269;
|
||||||
|
// LATIN CAPITAL LETTER I WITH STROKE
|
||||||
|
if (C == 0x0197)
|
||||||
|
return 0x0268;
|
||||||
|
// LATIN CAPITAL LETTER K WITH HOOK
|
||||||
|
if (C == 0x0198)
|
||||||
|
return 0x0199;
|
||||||
|
// LATIN CAPITAL LETTER TURNED M
|
||||||
|
if (C == 0x019c)
|
||||||
|
return 0x026f;
|
||||||
|
// LATIN CAPITAL LETTER N WITH LEFT HOOK
|
||||||
|
if (C == 0x019d)
|
||||||
|
return 0x0272;
|
||||||
|
// LATIN CAPITAL LETTER O WITH MIDDLE TILDE
|
||||||
|
if (C == 0x019f)
|
||||||
|
return 0x0275;
|
||||||
|
if (C < 0x01a0)
|
||||||
|
return C;
|
||||||
|
// 3 characters
|
||||||
|
if (C <= 0x01a4)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN LETTER YR
|
||||||
|
if (C == 0x01a6)
|
||||||
|
return 0x0280;
|
||||||
|
// LATIN CAPITAL LETTER TONE TWO
|
||||||
|
if (C == 0x01a7)
|
||||||
|
return 0x01a8;
|
||||||
|
// LATIN CAPITAL LETTER ESH
|
||||||
|
if (C == 0x01a9)
|
||||||
|
return 0x0283;
|
||||||
|
// LATIN CAPITAL LETTER T WITH HOOK
|
||||||
|
if (C == 0x01ac)
|
||||||
|
return 0x01ad;
|
||||||
|
// LATIN CAPITAL LETTER T WITH RETROFLEX HOOK
|
||||||
|
if (C == 0x01ae)
|
||||||
|
return 0x0288;
|
||||||
|
// LATIN CAPITAL LETTER U WITH HORN
|
||||||
|
if (C == 0x01af)
|
||||||
|
return 0x01b0;
|
||||||
|
if (C < 0x01b1)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x01b2)
|
||||||
|
return C + 217;
|
||||||
|
if (C < 0x01b3)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x01b5 && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
// LATIN CAPITAL LETTER EZH
|
||||||
|
if (C == 0x01b7)
|
||||||
|
return 0x0292;
|
||||||
|
if (C < 0x01b8)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x01bc && C % 4 == 0)
|
||||||
|
return C + 1;
|
||||||
|
// LATIN CAPITAL LETTER DZ WITH CARON
|
||||||
|
if (C == 0x01c4)
|
||||||
|
return 0x01c6;
|
||||||
|
// LATIN CAPITAL LETTER D WITH SMALL LETTER Z WITH CARON
|
||||||
|
if (C == 0x01c5)
|
||||||
|
return 0x01c6;
|
||||||
|
// LATIN CAPITAL LETTER LJ
|
||||||
|
if (C == 0x01c7)
|
||||||
|
return 0x01c9;
|
||||||
|
// LATIN CAPITAL LETTER L WITH SMALL LETTER J
|
||||||
|
if (C == 0x01c8)
|
||||||
|
return 0x01c9;
|
||||||
|
// LATIN CAPITAL LETTER NJ
|
||||||
|
if (C == 0x01ca)
|
||||||
|
return 0x01cc;
|
||||||
|
if (C < 0x01cb)
|
||||||
|
return C;
|
||||||
|
// 9 characters
|
||||||
|
if (C <= 0x01db && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
if (C < 0x01de)
|
||||||
|
return C;
|
||||||
|
// 9 characters
|
||||||
|
if (C <= 0x01ee)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER DZ
|
||||||
|
if (C == 0x01f1)
|
||||||
|
return 0x01f3;
|
||||||
|
if (C < 0x01f2)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x01f4)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER HWAIR
|
||||||
|
if (C == 0x01f6)
|
||||||
|
return 0x0195;
|
||||||
|
// LATIN CAPITAL LETTER WYNN
|
||||||
|
if (C == 0x01f7)
|
||||||
|
return 0x01bf;
|
||||||
|
if (C < 0x01f8)
|
||||||
|
return C;
|
||||||
|
// 20 characters
|
||||||
|
if (C <= 0x021e)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER N WITH LONG RIGHT LEG
|
||||||
|
if (C == 0x0220)
|
||||||
|
return 0x019e;
|
||||||
|
if (C < 0x0222)
|
||||||
|
return C;
|
||||||
|
// 9 characters
|
||||||
|
if (C <= 0x0232)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER A WITH STROKE
|
||||||
|
if (C == 0x023a)
|
||||||
|
return 0x2c65;
|
||||||
|
// LATIN CAPITAL LETTER C WITH STROKE
|
||||||
|
if (C == 0x023b)
|
||||||
|
return 0x023c;
|
||||||
|
// LATIN CAPITAL LETTER L WITH BAR
|
||||||
|
if (C == 0x023d)
|
||||||
|
return 0x019a;
|
||||||
|
// LATIN CAPITAL LETTER T WITH DIAGONAL STROKE
|
||||||
|
if (C == 0x023e)
|
||||||
|
return 0x2c66;
|
||||||
|
// LATIN CAPITAL LETTER GLOTTAL STOP
|
||||||
|
if (C == 0x0241)
|
||||||
|
return 0x0242;
|
||||||
|
// LATIN CAPITAL LETTER B WITH STROKE
|
||||||
|
if (C == 0x0243)
|
||||||
|
return 0x0180;
|
||||||
|
// LATIN CAPITAL LETTER U BAR
|
||||||
|
if (C == 0x0244)
|
||||||
|
return 0x0289;
|
||||||
|
// LATIN CAPITAL LETTER TURNED V
|
||||||
|
if (C == 0x0245)
|
||||||
|
return 0x028c;
|
||||||
|
if (C < 0x0246)
|
||||||
|
return C;
|
||||||
|
// 5 characters
|
||||||
|
if (C <= 0x024e)
|
||||||
|
return C | 1;
|
||||||
|
// COMBINING GREEK YPOGEGRAMMENI
|
||||||
|
if (C == 0x0345)
|
||||||
|
return 0x03b9;
|
||||||
|
if (C < 0x0370)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x0372)
|
||||||
|
return C | 1;
|
||||||
|
// GREEK CAPITAL LETTER PAMPHYLIAN DIGAMMA
|
||||||
|
if (C == 0x0376)
|
||||||
|
return 0x0377;
|
||||||
|
// GREEK CAPITAL LETTER YOT
|
||||||
|
if (C == 0x037f)
|
||||||
|
return 0x03f3;
|
||||||
|
// GREEK CAPITAL LETTER ALPHA WITH TONOS
|
||||||
|
if (C == 0x0386)
|
||||||
|
return 0x03ac;
|
||||||
|
if (C < 0x0388)
|
||||||
|
return C;
|
||||||
|
// 3 characters
|
||||||
|
if (C <= 0x038a)
|
||||||
|
return C + 37;
|
||||||
|
// GREEK CAPITAL LETTER OMICRON WITH TONOS
|
||||||
|
if (C == 0x038c)
|
||||||
|
return 0x03cc;
|
||||||
|
if (C < 0x038e)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x038f)
|
||||||
|
return C + 63;
|
||||||
|
if (C < 0x0391)
|
||||||
|
return C;
|
||||||
|
// 17 characters
|
||||||
|
if (C <= 0x03a1)
|
||||||
|
return C + 32;
|
||||||
|
if (C < 0x03a3)
|
||||||
|
return C;
|
||||||
|
// 9 characters
|
||||||
|
if (C <= 0x03ab)
|
||||||
|
return C + 32;
|
||||||
|
// GREEK SMALL LETTER FINAL SIGMA
|
||||||
|
if (C == 0x03c2)
|
||||||
|
return 0x03c3;
|
||||||
|
// GREEK CAPITAL KAI SYMBOL
|
||||||
|
if (C == 0x03cf)
|
||||||
|
return 0x03d7;
|
||||||
|
// GREEK BETA SYMBOL
|
||||||
|
if (C == 0x03d0)
|
||||||
|
return 0x03b2;
|
||||||
|
// GREEK THETA SYMBOL
|
||||||
|
if (C == 0x03d1)
|
||||||
|
return 0x03b8;
|
||||||
|
// GREEK PHI SYMBOL
|
||||||
|
if (C == 0x03d5)
|
||||||
|
return 0x03c6;
|
||||||
|
// GREEK PI SYMBOL
|
||||||
|
if (C == 0x03d6)
|
||||||
|
return 0x03c0;
|
||||||
|
if (C < 0x03d8)
|
||||||
|
return C;
|
||||||
|
// 12 characters
|
||||||
|
if (C <= 0x03ee)
|
||||||
|
return C | 1;
|
||||||
|
// GREEK KAPPA SYMBOL
|
||||||
|
if (C == 0x03f0)
|
||||||
|
return 0x03ba;
|
||||||
|
// GREEK RHO SYMBOL
|
||||||
|
if (C == 0x03f1)
|
||||||
|
return 0x03c1;
|
||||||
|
// GREEK CAPITAL THETA SYMBOL
|
||||||
|
if (C == 0x03f4)
|
||||||
|
return 0x03b8;
|
||||||
|
// GREEK LUNATE EPSILON SYMBOL
|
||||||
|
if (C == 0x03f5)
|
||||||
|
return 0x03b5;
|
||||||
|
// GREEK CAPITAL LETTER SHO
|
||||||
|
if (C == 0x03f7)
|
||||||
|
return 0x03f8;
|
||||||
|
// GREEK CAPITAL LUNATE SIGMA SYMBOL
|
||||||
|
if (C == 0x03f9)
|
||||||
|
return 0x03f2;
|
||||||
|
// GREEK CAPITAL LETTER SAN
|
||||||
|
if (C == 0x03fa)
|
||||||
|
return 0x03fb;
|
||||||
|
if (C < 0x03fd)
|
||||||
|
return C;
|
||||||
|
// 3 characters
|
||||||
|
if (C <= 0x03ff)
|
||||||
|
return C + -130;
|
||||||
|
if (C < 0x0400)
|
||||||
|
return C;
|
||||||
|
// 16 characters
|
||||||
|
if (C <= 0x040f)
|
||||||
|
return C + 80;
|
||||||
|
if (C < 0x0410)
|
||||||
|
return C;
|
||||||
|
// 32 characters
|
||||||
|
if (C <= 0x042f)
|
||||||
|
return C + 32;
|
||||||
|
if (C < 0x0460)
|
||||||
|
return C;
|
||||||
|
// 17 characters
|
||||||
|
if (C <= 0x0480)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0x048a)
|
||||||
|
return C;
|
||||||
|
// 27 characters
|
||||||
|
if (C <= 0x04be)
|
||||||
|
return C | 1;
|
||||||
|
// CYRILLIC LETTER PALOCHKA
|
||||||
|
if (C == 0x04c0)
|
||||||
|
return 0x04cf;
|
||||||
|
if (C < 0x04c1)
|
||||||
|
return C;
|
||||||
|
// 7 characters
|
||||||
|
if (C <= 0x04cd && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
if (C < 0x04d0)
|
||||||
|
return C;
|
||||||
|
// 48 characters
|
||||||
|
if (C <= 0x052e)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0x0531)
|
||||||
|
return C;
|
||||||
|
// 38 characters
|
||||||
|
if (C <= 0x0556)
|
||||||
|
return C + 48;
|
||||||
|
if (C < 0x10a0)
|
||||||
|
return C;
|
||||||
|
// 38 characters
|
||||||
|
if (C <= 0x10c5)
|
||||||
|
return C + 7264;
|
||||||
|
if (C < 0x10c7)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x10cd && C % 6 == 5)
|
||||||
|
return C + 7264;
|
||||||
|
if (C < 0x13f8)
|
||||||
|
return C;
|
||||||
|
// 6 characters
|
||||||
|
if (C <= 0x13fd)
|
||||||
|
return C + -8;
|
||||||
|
// CYRILLIC SMALL LETTER ROUNDED VE
|
||||||
|
if (C == 0x1c80)
|
||||||
|
return 0x0432;
|
||||||
|
// CYRILLIC SMALL LETTER LONG-LEGGED DE
|
||||||
|
if (C == 0x1c81)
|
||||||
|
return 0x0434;
|
||||||
|
// CYRILLIC SMALL LETTER NARROW O
|
||||||
|
if (C == 0x1c82)
|
||||||
|
return 0x043e;
|
||||||
|
if (C < 0x1c83)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1c84)
|
||||||
|
return C + -6210;
|
||||||
|
// CYRILLIC SMALL LETTER THREE-LEGGED TE
|
||||||
|
if (C == 0x1c85)
|
||||||
|
return 0x0442;
|
||||||
|
// CYRILLIC SMALL LETTER TALL HARD SIGN
|
||||||
|
if (C == 0x1c86)
|
||||||
|
return 0x044a;
|
||||||
|
// CYRILLIC SMALL LETTER TALL YAT
|
||||||
|
if (C == 0x1c87)
|
||||||
|
return 0x0463;
|
||||||
|
// CYRILLIC SMALL LETTER UNBLENDED UK
|
||||||
|
if (C == 0x1c88)
|
||||||
|
return 0xa64b;
|
||||||
|
if (C < 0x1e00)
|
||||||
|
return C;
|
||||||
|
// 75 characters
|
||||||
|
if (C <= 0x1e94)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN SMALL LETTER LONG S WITH DOT ABOVE
|
||||||
|
if (C == 0x1e9b)
|
||||||
|
return 0x1e61;
|
||||||
|
// LATIN CAPITAL LETTER SHARP S
|
||||||
|
if (C == 0x1e9e)
|
||||||
|
return 0x00df;
|
||||||
|
if (C < 0x1ea0)
|
||||||
|
return C;
|
||||||
|
// 48 characters
|
||||||
|
if (C <= 0x1efe)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0x1f08)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x1f0f)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f18)
|
||||||
|
return C;
|
||||||
|
// 6 characters
|
||||||
|
if (C <= 0x1f1d)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f28)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x1f2f)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f38)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x1f3f)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f48)
|
||||||
|
return C;
|
||||||
|
// 6 characters
|
||||||
|
if (C <= 0x1f4d)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f59)
|
||||||
|
return C;
|
||||||
|
// 4 characters
|
||||||
|
if (C <= 0x1f5f && C % 2 == 1)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f68)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x1f6f)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f88)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x1f8f)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1f98)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x1f9f)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1fa8)
|
||||||
|
return C;
|
||||||
|
// 8 characters
|
||||||
|
if (C <= 0x1faf)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1fb8)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1fb9)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1fba)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1fbb)
|
||||||
|
return C + -74;
|
||||||
|
// GREEK CAPITAL LETTER ALPHA WITH PROSGEGRAMMENI
|
||||||
|
if (C == 0x1fbc)
|
||||||
|
return 0x1fb3;
|
||||||
|
// GREEK PROSGEGRAMMENI
|
||||||
|
if (C == 0x1fbe)
|
||||||
|
return 0x03b9;
|
||||||
|
if (C < 0x1fc8)
|
||||||
|
return C;
|
||||||
|
// 4 characters
|
||||||
|
if (C <= 0x1fcb)
|
||||||
|
return C + -86;
|
||||||
|
// GREEK CAPITAL LETTER ETA WITH PROSGEGRAMMENI
|
||||||
|
if (C == 0x1fcc)
|
||||||
|
return 0x1fc3;
|
||||||
|
if (C < 0x1fd8)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1fd9)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1fda)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1fdb)
|
||||||
|
return C + -100;
|
||||||
|
if (C < 0x1fe8)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1fe9)
|
||||||
|
return C + -8;
|
||||||
|
if (C < 0x1fea)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1feb)
|
||||||
|
return C + -112;
|
||||||
|
// GREEK CAPITAL LETTER RHO WITH DASIA
|
||||||
|
if (C == 0x1fec)
|
||||||
|
return 0x1fe5;
|
||||||
|
if (C < 0x1ff8)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1ff9)
|
||||||
|
return C + -128;
|
||||||
|
if (C < 0x1ffa)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x1ffb)
|
||||||
|
return C + -126;
|
||||||
|
// GREEK CAPITAL LETTER OMEGA WITH PROSGEGRAMMENI
|
||||||
|
if (C == 0x1ffc)
|
||||||
|
return 0x1ff3;
|
||||||
|
// OHM SIGN
|
||||||
|
if (C == 0x2126)
|
||||||
|
return 0x03c9;
|
||||||
|
// KELVIN SIGN
|
||||||
|
if (C == 0x212a)
|
||||||
|
return 0x006b;
|
||||||
|
// ANGSTROM SIGN
|
||||||
|
if (C == 0x212b)
|
||||||
|
return 0x00e5;
|
||||||
|
// TURNED CAPITAL F
|
||||||
|
if (C == 0x2132)
|
||||||
|
return 0x214e;
|
||||||
|
if (C < 0x2160)
|
||||||
|
return C;
|
||||||
|
// 16 characters
|
||||||
|
if (C <= 0x216f)
|
||||||
|
return C + 16;
|
||||||
|
// ROMAN NUMERAL REVERSED ONE HUNDRED
|
||||||
|
if (C == 0x2183)
|
||||||
|
return 0x2184;
|
||||||
|
if (C < 0x24b6)
|
||||||
|
return C;
|
||||||
|
// 26 characters
|
||||||
|
if (C <= 0x24cf)
|
||||||
|
return C + 26;
|
||||||
|
if (C < 0x2c00)
|
||||||
|
return C;
|
||||||
|
// 47 characters
|
||||||
|
if (C <= 0x2c2e)
|
||||||
|
return C + 48;
|
||||||
|
// LATIN CAPITAL LETTER L WITH DOUBLE BAR
|
||||||
|
if (C == 0x2c60)
|
||||||
|
return 0x2c61;
|
||||||
|
// LATIN CAPITAL LETTER L WITH MIDDLE TILDE
|
||||||
|
if (C == 0x2c62)
|
||||||
|
return 0x026b;
|
||||||
|
// LATIN CAPITAL LETTER P WITH STROKE
|
||||||
|
if (C == 0x2c63)
|
||||||
|
return 0x1d7d;
|
||||||
|
// LATIN CAPITAL LETTER R WITH TAIL
|
||||||
|
if (C == 0x2c64)
|
||||||
|
return 0x027d;
|
||||||
|
if (C < 0x2c67)
|
||||||
|
return C;
|
||||||
|
// 3 characters
|
||||||
|
if (C <= 0x2c6b && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
// LATIN CAPITAL LETTER ALPHA
|
||||||
|
if (C == 0x2c6d)
|
||||||
|
return 0x0251;
|
||||||
|
// LATIN CAPITAL LETTER M WITH HOOK
|
||||||
|
if (C == 0x2c6e)
|
||||||
|
return 0x0271;
|
||||||
|
// LATIN CAPITAL LETTER TURNED A
|
||||||
|
if (C == 0x2c6f)
|
||||||
|
return 0x0250;
|
||||||
|
// LATIN CAPITAL LETTER TURNED ALPHA
|
||||||
|
if (C == 0x2c70)
|
||||||
|
return 0x0252;
|
||||||
|
if (C < 0x2c72)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x2c75 && C % 3 == 2)
|
||||||
|
return C + 1;
|
||||||
|
if (C < 0x2c7e)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x2c7f)
|
||||||
|
return C + -10815;
|
||||||
|
if (C < 0x2c80)
|
||||||
|
return C;
|
||||||
|
// 50 characters
|
||||||
|
if (C <= 0x2ce2)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0x2ceb)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0x2ced && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
if (C < 0x2cf2)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0xa640 && C % 31054 == 11506)
|
||||||
|
return C + 1;
|
||||||
|
if (C < 0xa642)
|
||||||
|
return C;
|
||||||
|
// 22 characters
|
||||||
|
if (C <= 0xa66c)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0xa680)
|
||||||
|
return C;
|
||||||
|
// 14 characters
|
||||||
|
if (C <= 0xa69a)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0xa722)
|
||||||
|
return C;
|
||||||
|
// 7 characters
|
||||||
|
if (C <= 0xa72e)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0xa732)
|
||||||
|
return C;
|
||||||
|
// 31 characters
|
||||||
|
if (C <= 0xa76e)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0xa779)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0xa77b && C % 2 == 1)
|
||||||
|
return C + 1;
|
||||||
|
// LATIN CAPITAL LETTER INSULAR G
|
||||||
|
if (C == 0xa77d)
|
||||||
|
return 0x1d79;
|
||||||
|
if (C < 0xa77e)
|
||||||
|
return C;
|
||||||
|
// 5 characters
|
||||||
|
if (C <= 0xa786)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER SALTILLO
|
||||||
|
if (C == 0xa78b)
|
||||||
|
return 0xa78c;
|
||||||
|
// LATIN CAPITAL LETTER TURNED H
|
||||||
|
if (C == 0xa78d)
|
||||||
|
return 0x0265;
|
||||||
|
if (C < 0xa790)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0xa792)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0xa796)
|
||||||
|
return C;
|
||||||
|
// 10 characters
|
||||||
|
if (C <= 0xa7a8)
|
||||||
|
return C | 1;
|
||||||
|
// LATIN CAPITAL LETTER H WITH HOOK
|
||||||
|
if (C == 0xa7aa)
|
||||||
|
return 0x0266;
|
||||||
|
// LATIN CAPITAL LETTER REVERSED OPEN E
|
||||||
|
if (C == 0xa7ab)
|
||||||
|
return 0x025c;
|
||||||
|
// LATIN CAPITAL LETTER SCRIPT G
|
||||||
|
if (C == 0xa7ac)
|
||||||
|
return 0x0261;
|
||||||
|
// LATIN CAPITAL LETTER L WITH BELT
|
||||||
|
if (C == 0xa7ad)
|
||||||
|
return 0x026c;
|
||||||
|
// LATIN CAPITAL LETTER SMALL CAPITAL I
|
||||||
|
if (C == 0xa7ae)
|
||||||
|
return 0x026a;
|
||||||
|
// LATIN CAPITAL LETTER TURNED K
|
||||||
|
if (C == 0xa7b0)
|
||||||
|
return 0x029e;
|
||||||
|
// LATIN CAPITAL LETTER TURNED T
|
||||||
|
if (C == 0xa7b1)
|
||||||
|
return 0x0287;
|
||||||
|
// LATIN CAPITAL LETTER J WITH CROSSED-TAIL
|
||||||
|
if (C == 0xa7b2)
|
||||||
|
return 0x029d;
|
||||||
|
// LATIN CAPITAL LETTER CHI
|
||||||
|
if (C == 0xa7b3)
|
||||||
|
return 0xab53;
|
||||||
|
if (C < 0xa7b4)
|
||||||
|
return C;
|
||||||
|
// 2 characters
|
||||||
|
if (C <= 0xa7b6)
|
||||||
|
return C | 1;
|
||||||
|
if (C < 0xab70)
|
||||||
|
return C;
|
||||||
|
// 80 characters
|
||||||
|
if (C <= 0xabbf)
|
||||||
|
return C + -38864;
|
||||||
|
if (C < 0xff21)
|
||||||
|
return C;
|
||||||
|
// 26 characters
|
||||||
|
if (C <= 0xff3a)
|
||||||
|
return C + 32;
|
||||||
|
if (C < 0x10400)
|
||||||
|
return C;
|
||||||
|
// 40 characters
|
||||||
|
if (C <= 0x10427)
|
||||||
|
return C + 40;
|
||||||
|
if (C < 0x104b0)
|
||||||
|
return C;
|
||||||
|
// 36 characters
|
||||||
|
if (C <= 0x104d3)
|
||||||
|
return C + 40;
|
||||||
|
if (C < 0x10c80)
|
||||||
|
return C;
|
||||||
|
// 51 characters
|
||||||
|
if (C <= 0x10cb2)
|
||||||
|
return C + 64;
|
||||||
|
if (C < 0x118a0)
|
||||||
|
return C;
|
||||||
|
// 32 characters
|
||||||
|
if (C <= 0x118bf)
|
||||||
|
return C + 32;
|
||||||
|
if (C < 0x1e900)
|
||||||
|
return C;
|
||||||
|
// 34 characters
|
||||||
|
if (C <= 0x1e921)
|
||||||
|
return C + 34;
|
||||||
|
|
||||||
|
return C;
|
||||||
|
}
|
@ -19,6 +19,7 @@ add_llvm_unittest(SupportTests
|
|||||||
ConvertUTFTest.cpp
|
ConvertUTFTest.cpp
|
||||||
DataExtractorTest.cpp
|
DataExtractorTest.cpp
|
||||||
DebugTest.cpp
|
DebugTest.cpp
|
||||||
|
DJBTest.cpp
|
||||||
EndianStreamTest.cpp
|
EndianStreamTest.cpp
|
||||||
EndianTest.cpp
|
EndianTest.cpp
|
||||||
ErrnoTest.cpp
|
ErrnoTest.cpp
|
||||||
|
96
unittests/Support/DJBTest.cpp
Normal file
96
unittests/Support/DJBTest.cpp
Normal file
@ -0,0 +1,96 @@
|
|||||||
|
//===---------- llvm/unittest/Support/DJBTest.cpp -------------------------===//
|
||||||
|
//
|
||||||
|
// The LLVM Compiler Infrastructure
|
||||||
|
//
|
||||||
|
// This file is distributed under the University of Illinois Open Source
|
||||||
|
// License. See LICENSE.TXT for details.
|
||||||
|
//
|
||||||
|
//===----------------------------------------------------------------------===//
|
||||||
|
|
||||||
|
#include "llvm/Support/DJB.h"
|
||||||
|
#include "llvm/ADT/Twine.h"
|
||||||
|
#include "gtest/gtest.h"
|
||||||
|
|
||||||
|
using namespace llvm;
|
||||||
|
|
||||||
|
TEST(DJBTest, caseFolding) {
|
||||||
|
struct TestCase {
|
||||||
|
StringLiteral One;
|
||||||
|
StringLiteral Two;
|
||||||
|
};
|
||||||
|
|
||||||
|
static constexpr TestCase Tests[] = {
|
||||||
|
{{"ASDF"}, {"asdf"}},
|
||||||
|
{{"qWeR"}, {"QwEr"}},
|
||||||
|
{{"qqqqqqqqqqqqqqqqqqqq"}, {"QQQQQQQQQQQQQQQQQQQQ"}},
|
||||||
|
|
||||||
|
{{"I"}, {"i"}},
|
||||||
|
// Latin Small Letter Dotless I
|
||||||
|
{{u8"\u0130"}, {"i"}},
|
||||||
|
// Latin Capital Letter I With Dot Above
|
||||||
|
{{u8"\u0131"}, {"i"}},
|
||||||
|
|
||||||
|
// Latin Capital Letter A With Grave
|
||||||
|
{{u8"\u00c0"}, {u8"\u00e0"}},
|
||||||
|
// Latin Capital Letter A With Macron
|
||||||
|
{{u8"\u0100"}, {u8"\u0101"}},
|
||||||
|
// Latin Capital Letter L With Acute
|
||||||
|
{{u8"\u0139"}, {u8"\u013a"}},
|
||||||
|
// Cyrillic Capital Letter Ie
|
||||||
|
{{u8"\u0415"}, {u8"\u0435"}},
|
||||||
|
// Latin Capital Letter A With Circumflex And Grave
|
||||||
|
{{u8"\u1ea6"}, {u8"\u1ea7"}},
|
||||||
|
// Kelvin Sign
|
||||||
|
{{u8"\u212a"}, {u8"\u006b"}},
|
||||||
|
// Glagolitic Capital Letter Chrivi
|
||||||
|
{{u8"\u2c1d"}, {u8"\u2c4d"}},
|
||||||
|
// Fullwidth Latin Capital Letter M
|
||||||
|
{{u8"\uff2d"}, {u8"\uff4d"}},
|
||||||
|
// Old Hungarian Capital Letter Ej
|
||||||
|
{{u8"\U00010c92"}, {u8"\U00010cd2"}},
|
||||||
|
};
|
||||||
|
|
||||||
|
for (const TestCase &T : Tests) {
|
||||||
|
SCOPED_TRACE("Comparing '" + T.One + "' and '" + T.Two + "'");
|
||||||
|
EXPECT_EQ(caseFoldingDjbHash(T.One), caseFoldingDjbHash(T.Two));
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
TEST(DJBTest, knownValuesLowerCase) {
|
||||||
|
struct TestCase {
|
||||||
|
StringLiteral Text;
|
||||||
|
uint32_t Hash;
|
||||||
|
};
|
||||||
|
static constexpr TestCase Tests[] = {
|
||||||
|
{{""}, 5381u},
|
||||||
|
{{"f"}, 177675u},
|
||||||
|
{{"fo"}, 5863386u},
|
||||||
|
{{"foo"}, 193491849u},
|
||||||
|
{{"foob"}, 2090263819u},
|
||||||
|
{{"fooba"}, 259229388u},
|
||||||
|
{{"foobar"}, 4259602622u},
|
||||||
|
{{"pneumonoultramicroscopicsilicovolcanoconiosis"}, 3999417781u},
|
||||||
|
};
|
||||||
|
|
||||||
|
for (const TestCase &T : Tests) {
|
||||||
|
SCOPED_TRACE("Text: '" + T.Text + "'");
|
||||||
|
EXPECT_EQ(T.Hash, djbHash(T.Text));
|
||||||
|
EXPECT_EQ(T.Hash, caseFoldingDjbHash(T.Text));
|
||||||
|
EXPECT_EQ(T.Hash, caseFoldingDjbHash(T.Text.upper()));
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
TEST(DJBTest, knownValuesUnicode) {
|
||||||
|
EXPECT_EQ(5866553u, djbHash(u8"\u0130"));
|
||||||
|
EXPECT_EQ(177678u, caseFoldingDjbHash(u8"\u0130"));
|
||||||
|
EXPECT_EQ(
|
||||||
|
1302161417u,
|
||||||
|
djbHash(
|
||||||
|
u8"\u0130\u0131\u00c0\u00e0\u0100\u0101\u0139\u013a\u0415\u0435\u1ea6"
|
||||||
|
u8"\u1ea7\u212a\u006b\u2c1d\u2c4d\uff2d\uff4d\U00010c92\U00010cd2"));
|
||||||
|
EXPECT_EQ(
|
||||||
|
1145571043u,
|
||||||
|
caseFoldingDjbHash(
|
||||||
|
u8"\u0130\u0131\u00c0\u00e0\u0100\u0101\u0139\u013a\u0415\u0435\u1ea6"
|
||||||
|
u8"\u1ea7\u212a\u006b\u2c1d\u2c4d\uff2d\uff4d\U00010c92\U00010cd2"));
|
||||||
|
}
|
137
utils/unicode-case-fold.py
Executable file
137
utils/unicode-case-fold.py
Executable file
@ -0,0 +1,137 @@
|
|||||||
|
#!/usr/bin/env python
|
||||||
|
"""
|
||||||
|
Unicode case folding database conversion utility
|
||||||
|
|
||||||
|
Parses the database and generates a C++ function which implements the case
|
||||||
|
folding algorithm. The database entries are of the form:
|
||||||
|
|
||||||
|
<code>; <status>; <mapping>; # <name>
|
||||||
|
|
||||||
|
<status> can be one of four characters:
|
||||||
|
C - Common mappings
|
||||||
|
S - mappings for Simple case folding
|
||||||
|
F - mappings for Full case folding
|
||||||
|
T - special case for Turkish I characters
|
||||||
|
|
||||||
|
Right now this generates a function which implements simple case folding (C+S
|
||||||
|
entries).
|
||||||
|
"""
|
||||||
|
|
||||||
|
import sys
|
||||||
|
import re
|
||||||
|
import urllib2
|
||||||
|
|
||||||
|
# This variable will body of the mappings function
|
||||||
|
body = ""
|
||||||
|
|
||||||
|
# Reads file line-by-line, extracts Common and Simple case fold mappings and
|
||||||
|
# returns a (from_char, to_char, from_name) tuple.
|
||||||
|
def mappings(f):
|
||||||
|
previous_from = -1
|
||||||
|
expr = re.compile(r'^(.*); [CS]; (.*); # (.*)')
|
||||||
|
for line in f:
|
||||||
|
m = expr.match(line)
|
||||||
|
if not m: continue
|
||||||
|
from_char = int(m.group(1), 16)
|
||||||
|
to_char = int(m.group(2), 16)
|
||||||
|
from_name = m.group(3)
|
||||||
|
|
||||||
|
if from_char <= previous_from:
|
||||||
|
raise Exception("Duplicate or unsorted characters in input")
|
||||||
|
yield from_char, to_char, from_name
|
||||||
|
previous_from = from_char
|
||||||
|
|
||||||
|
# Computes the shift (to_char - from_char) in a mapping.
|
||||||
|
def shift(mapping):
|
||||||
|
return mapping[1] - mapping[0]
|
||||||
|
|
||||||
|
# Computes the stride (from_char2 - from_char1) of two mappings.
|
||||||
|
def stride2(mapping1, mapping2):
|
||||||
|
return mapping2[0] - mapping1[0]
|
||||||
|
|
||||||
|
# Computes the stride of a list of mappings. The list should have at least two
|
||||||
|
# mappings. All mappings in the list are assumed to have the same stride.
|
||||||
|
def stride(block):
|
||||||
|
return stride2(block[0], block[1])
|
||||||
|
|
||||||
|
|
||||||
|
# b is a list of mappings. All the mappings are assumed to have the same
|
||||||
|
# shift and the stride between adjecant mappings (if any) is constant.
|
||||||
|
def dump_block(b):
|
||||||
|
global body
|
||||||
|
|
||||||
|
if len(b) == 1:
|
||||||
|
# Special case for handling blocks of length 1. We don't even need to
|
||||||
|
# emit the "if (C < X) return C" check below as all characters in this
|
||||||
|
# range will be caught by the "C < X" check emitted by the first
|
||||||
|
# non-trivial block.
|
||||||
|
body += " // {2}\n if (C == {0:#06x})\n return {1:#06x};\n".format(*b[0])
|
||||||
|
return
|
||||||
|
|
||||||
|
first = b[0][0]
|
||||||
|
last = first + stride(b) * (len(b)-1)
|
||||||
|
modulo = first % stride(b)
|
||||||
|
|
||||||
|
# All characters before this block map to themselves.
|
||||||
|
body += " if (C < {0:#06x})\n return C;\n".format(first)
|
||||||
|
body += " // {0} characters\n".format(len(b))
|
||||||
|
|
||||||
|
# Generic pattern: check upper bound (lower bound is checked by the "if"
|
||||||
|
# above) and modulo of C, return C+shift.
|
||||||
|
pattern = " if (C <= {0:#06x} && C % {1} == {2})\n return C + {3};\n"
|
||||||
|
|
||||||
|
if stride(b) == 2 and shift(b[0]) == 1 and modulo == 0:
|
||||||
|
# Special case:
|
||||||
|
# We can elide the modulo-check because the expression "C|1" will map
|
||||||
|
# the intervening characters to themselves.
|
||||||
|
pattern = " if (C <= {0:#06x})\n return C | 1;\n"
|
||||||
|
elif stride(b) == 1:
|
||||||
|
# Another special case: X % 1 is always zero, so don't emit the
|
||||||
|
# modulo-check.
|
||||||
|
pattern = " if (C <= {0:#06x})\n return C + {3};\n"
|
||||||
|
|
||||||
|
body += pattern.format(last, stride(b), modulo, shift(b[0]))
|
||||||
|
|
||||||
|
current_block = []
|
||||||
|
f = urllib2.urlopen(sys.argv[1])
|
||||||
|
for m in mappings(f):
|
||||||
|
if len(current_block) == 0:
|
||||||
|
current_block.append(m)
|
||||||
|
continue
|
||||||
|
|
||||||
|
if shift(current_block[0]) != shift(m):
|
||||||
|
# Incompatible shift, start a new block.
|
||||||
|
dump_block(current_block)
|
||||||
|
current_block = [m]
|
||||||
|
continue
|
||||||
|
|
||||||
|
if len(current_block) == 1 or stride(current_block) == stride2(current_block[-1], m):
|
||||||
|
current_block.append(m)
|
||||||
|
continue
|
||||||
|
|
||||||
|
# Incompatible stride, start a new block.
|
||||||
|
dump_block(current_block)
|
||||||
|
current_block = [m]
|
||||||
|
f.close()
|
||||||
|
|
||||||
|
dump_block(current_block)
|
||||||
|
|
||||||
|
print '//===---------- Support/UnicodeCaseFold.cpp -------------------------------===//'
|
||||||
|
print '//'
|
||||||
|
print '// This file was generated by utils/unicode-case-fold.py from the Unicode'
|
||||||
|
print '// case folding database at'
|
||||||
|
print '// ', sys.argv[1]
|
||||||
|
print '//'
|
||||||
|
print '// To regenerate this file, run:'
|
||||||
|
print '// utils/unicode-case-fold.py \\'
|
||||||
|
print '// "{}" \\'.format(sys.argv[1])
|
||||||
|
print '// > lib/Support/UnicodeCaseFold.cpp'
|
||||||
|
print '//'
|
||||||
|
print '//===----------------------------------------------------------------------===//'
|
||||||
|
print ''
|
||||||
|
print '#include "llvm/Support/Unicode.h"'
|
||||||
|
print ''
|
||||||
|
print "int llvm::sys::unicode::foldCharSimple(int C) {"
|
||||||
|
print body
|
||||||
|
print " return C;"
|
||||||
|
print "}"
|
Loading…
Reference in New Issue
Block a user