lib/Regexp/Wildcards.pm

   1 package Regexp::Wildcards;
   2
   3 use strict;
   4 use warnings;
   5
   6 use Carp qw/croak/;
   7 use Text::Balanced qw/extract_bracketed/;
   8
   9 =head1 NAME
  10
  11 Regexp::Wildcards - Converts wildcard expressions to Perl regular expressions.
  12
  13 =head1 VERSION
  14
  15 Version 1.02
  16
  17 =cut
  18
  19 use vars qw/$VERSION/;
  20 BEGIN {
  21  $VERSION = '1.02';
  22 }
  23
  24 =head1 SYNOPSIS
  25
  26     use Regexp::Wildcards;
  27
  28     my $rw = Regexp::Wildcards->new(type => 'unix');
  29
  30     my $re;
  31     $re = $rw->convert('a{b?,c}*');          # Do it Unix shell style.
  32     $re = $rw->convert('a?,b*',   'win32');  # Do it Windows shell style.
  33     $re = $rw->convert('*{x,y}?', 'jokers'); # Process the jokers and escape the rest.
  34     $re = $rw->convert('%a_c%',   'sql');    # Turn SQL wildcards into regexps.
  35
  36     $rw = Regexp::Wildcards->new(
  37      do      => [ qw/jokers brackets/ ], # Do jokers and brackets.
  38      capture => [ qw/any greedy/ ],      # Capture *'s greedily.
  39     );
  40
  41     $rw->do(add => 'groups');            # Don't escape groups.
  42     $rw->capture(rem => [ qw/greedy/ ]); # Actually we want non-greedy matches.
  43     $re = $rw->convert('*a{,(b)?}?c*');  # '(.*?)a(?:|(b).).c(.*?)'
  44     $rw->capture();                      # No more captures.
  45
  46 =head1 DESCRIPTION
  47
  48 In many situations, users may want to specify patterns to match but don't need the full power of regexps.
  49 Wildcards make one of those sets of simplified rules.
  50 This module converts wildcard expressions to Perl regular expressions, so that you can use them for matching.
  51
  52 It handles the C<*> and C<?> jokers, as well as Unix bracketed alternatives C<{,}>, but also C<%> and C<_> SQL wildcards.
  53 If required, it can also keep original C<(...)> groups or C<^> and C<$> anchors.
  54 Backspace (C<\>) is used as an escape character.
  55
  56 Typesets that mimic the behaviour of Windows and Unix shells are also provided.
  57
  58 =head1 METHODS
  59
  60 =cut
  61
  62 sub _check_self {
  63  croak 'First argument isn\'t a valid ' . __PACKAGE__ . ' object'
  64   unless ref $_[0] and $_[0]->isa(__PACKAGE__);
  65 }
  66
  67 my %types = (
  68  jokers   => [ qw/jokers/ ],
  69  sql      => [ qw/sql/ ],
  70  commas   => [ qw/commas/ ],
  71  brackets => [ qw/brackets/ ],
  72  unix     => [ qw/jokers brackets/ ],
  73  win32    => [ qw/jokers commas/ ],
  74 );
  75 $types{$_} = $types{win32} for qw/dos os2 MSWin32 cygwin/;
  76 $types{$_} = $types{unix}  for qw/linux
  77                                   darwin machten next
  78                                   aix irix hpux dgux dynixptx
  79                                   bsdos freebsd openbsd
  80                                   svr4 solaris sunos dec_osf
  81                                   sco_sv unicos unicosmk/;
  82
  83 my %escapes = (
  84  jokers   => '?*',
  85  sql      => '_%',
  86  commas   => ',',
  87  brackets => '{},',
  88  groups   => '()',
  89  anchors  => '^$',
  90 );
  91
  92 my %captures = (
  93  single   => sub { $_[1] ? '(.)' : '.' },
  94  any      => sub { $_[1] ? ($_[0]->{greedy} ? '(.*)'
  95                                             : '(.*?)')
  96                          : '.*' },
  97  brackets => sub { $_[1] ? '(' : '(?:'; },
  98  greedy   => undef
  99 );
 100
 101 sub _validate {
 102  my $self  = shift;
 103  _check_self $self;
 104  my $valid = shift;
 105  my $old   = shift;
 106  $old = { } unless defined $old;
 107
 108  my %opts;
 109  if (@_ <= 1) {
 110   $opts{set} = defined $_[0] ? $_[0] : { };
 111  } elsif (@_ % 2) {
 112   croak 'Arguments must be passed as an unique scalar or as key => value pairs';
 113  } else {
 114   %opts = @_;
 115  }
 116
 117  my %checked;
 118  for (qw/set add rem/) {
 119   my $opt = $opts{$_};
 120   next unless defined $opt;
 121   my $cb = {
 122    ''      => sub { +{ ($_[0] => 1) x (exists $valid->{$_[0]}) } },
 123    'ARRAY' => sub { +{ map { ($_ => 1) x (exists $valid->{$_}) } @{$_[0]} } },
 124    'HASH'  => sub { +{ map { ($_ => $_[0]->{$_}) x (exists $valid->{$_}) }
 125                         keys %{$_[0]} } }
 126   }->{ ref $opt };
 127   croak 'Wrong option set' unless $cb;
 128   $checked{$_} = $cb->($opt);
 129  }
 130
 131  my $config = (exists $checked{set}) ? $checked{set} : $old;
 132  $config->{$_} = $checked{add}->{$_} for grep $checked{add}->{$_},
 133                                           keys %{$checked{add} || {}};
 134  delete $config->{$_}                for grep $checked{rem}->{$_},
 135                                           keys %{$checked{rem} || {}};
 136
 137  $config;
 138 }
 139
 140 sub _do {
 141  my $self = shift;
 142  my $config;
 143  $config->{do} = $self->_validate(\%escapes, $self->{do}, @_);
 144  $config->{escape} = '';
 145  $config->{escape} .= $escapes{$_} for keys %{$config->{do}};
 146  $config->{escape} = quotemeta $config->{escape};
 147  $config;
 148 }
 149
 150 sub do {
 151  my $self = shift;
 152  _check_self $self;
 153  my $config = $self->_do(@_);
 154  $self->{$_} = $config->{$_} for keys %$config;
 155  $self;
 156 }
 157
 158 sub _capture {
 159  my $self = shift;
 160  my $config;
 161  $config->{capture} = $self->_validate(\%captures, $self->{capture}, @_);
 162  $config->{greedy}  = delete $config->{capture}->{greedy};
 163  for (keys %captures) {
 164   $config->{'c_' . $_} = $captures{$_}->($config, $config->{capture}->{$_})
 165                                                if $captures{$_}; # Skip 'greedy'
 166  }
 167  $config;
 168 }
 169
 170 sub capture {
 171  my $self = shift;
 172  _check_self $self;
 173  my $config = $self->_capture(@_);
 174  $self->{$_} = $config->{$_} for keys %$config;
 175  $self;
 176 }
 177
 178 sub _type {
 179  my ($self, $type) = @_;
 180  $type = 'unix'      unless defined $type;
 181  croak 'Wrong type'  unless exists $types{$type};
 182  my $config = $self->_do($types{$type});
 183  $config->{type} = $type;
 184  $config;
 185 }
 186
 187 sub type {
 188  my $self = shift;
 189  _check_self $self;
 190  my $config = $self->_type(@_);
 191  $self->{$_} = $config->{$_} for keys %$config;
 192  $self;
 193 }
 194
 195 sub new {
 196  my $class = shift;
 197  $class = ref($class) || $class || __PACKAGE__;
 198  croak 'Optional arguments must be passed as key => value pairs' if @_ % 2;
 199  my %args = @_;
 200  my $self = { };
 201  bless $self, $class;
 202  if (defined $args{do}) {
 203   $self->do($args{do});
 204  } else {
 205   $self->type($args{type});
 206  }
 207  $self->capture($args{capture});
 208 }
 209
 210 =head2 C<< new [ do => $what E<verbar> type => $type ], capture => $captures >>
 211
 212 Constructs a new L<Regexp::Wildcard> object.
 213
 214 C<do> lists all features that should be enabled when converting wildcards to regexps.
 215 Refer to L</do> for details on what can be passed in C<$what>.
 216
 217 The C<type> specifies a predefined set of C<do> features to use.
 218 See L</type> for details on which types are valid.
 219 The C<do> option overrides C<type>.
 220
 221 C<capture> lists which atoms should be capturing.
 222 Refer to L</capture> for more details.
 223
 224 =head2 C<< do [ $what E<verbar> set => $c1, add => $c2, rem => $c3 ] >>
 225
 226 Specifies the list of metacharacters to convert or to prevent for escaping.
 227 They fit into six classes :
 228
 229 =over 4
 230
 231 =item *
 232
 233 C<'jokers'> converts C<?> to C<.> and C<*> to C<.*> ;
 234
 235     'a**\\*b??\\?c' ==> 'a.*\\*b..\\?c'
 236
 237 =item *
 238
 239 C<'sql'> converts C<_> to C<.> and C<%> to C<.*> ;
 240
 241     'a%%\\%b__\\_c' ==> 'a.*\\%b..\\_c'
 242
 243 =item *
 244
 245 C<'commas'> converts all C<,> to C<|> and puts the complete resulting regular expression inside C<(?: ... )> ;
 246
 247     'a,b{c,d},e' ==> '(?:a|b\\{c|d\\}|e)'
 248
 249 =item *
 250
 251 C<'brackets'> converts all matching C<{ ... ,  ... }> brackets to C<(?: ... | ... )> alternations.
 252 If some brackets are unbalanced, it tries to substitute as many of them as possible, and then escape the remaining unmatched C<{> and C<}>.
 253 Commas outside of any bracket-delimited block are also escaped ;
 254
 255     'a,b{c,d},e'    ==> 'a\\,b(?:c|d)\\,e'
 256     '{a\\{b,c}d,e}' ==> '(?:a\\{b|c)d\\,e\\}'
 257     '{a{b,c\\}d,e}' ==> '\\{a\\{b\\,c\\}d\\,e\\}'
 258
 259 =item *
 260
 261 C<'groups'> keeps the parenthesis C<( ... )> of the original string without escaping them.
 262 Currently, no check is done to ensure that the parenthesis are matching.
 263
 264     'a(b(c))d\\(\\)' ==> (no change)
 265
 266 =item *
 267
 268 C<'anchors'> prevents the I<beginning-of-line> C<^> and I<end-of-line> C<$> anchors to be escaped.
 269 Since C<[...]> character class are currently escaped, a C<^> will always be interpreted as I<beginning-of-line>.
 270
 271     'a^b$c' ==> (no change)
 272
 273 =back
 274
 275 Each C<$c> can be any of :
 276
 277 =over 4
 278
 279 =item *
 280
 281 A hash reference, with wanted metacharacter group names (described above) as keys and booleans as values ;
 282
 283 =item *
 284
 285 An array reference containing the list of wanted metacharacter classes ;
 286
 287 =item *
 288
 289 A plain scalar, when only one group is required.
 290
 291 =back
 292
 293 When C<set> is present, the classes given as its value replace the current object options.
 294 Then the C<add> classes are added, and the C<rem> classes removed.
 295
 296 Passing a sole scalar C<$what> is equivalent as passing C<< set => $what >>.
 297 No argument means C<< set => [ ] >>.
 298
 299     $rw->do(set => 'jokers');           # Only translate jokers.
 300     $rw->do('jokers');                  # Same.
 301     $rw->do(add => [ qw/sql commas/ ]); # Translate also SQL and commas.
 302     $rw->do(rem => 'jokers');           # Specifying both 'sql' and 'jokers' is useless.
 303     $rw->do();                          # Translate nothing.
 304
 305 The C<do> method returns the L<Regexp::Wildcards> object.
 306
 307 =head2 C<type $type>
 308
 309 Notifies to convert the metacharacters that corresponds to the predefined type C<$type>.
 310 C<$type> can be any of :
 311
 312 =over 4
 313
 314 =item *
 315
 316 C<'jokers'>, C<'sql'>, C<'commas'>, C<'brackets'>
 317
 318 Singleton types that enable the corresponding C<do> classes.
 319
 320 =item *
 321
 322 C<'unix'>
 323
 324 Covers typical Unix shell globbing features (effectively C<'jokers'> and C<'brackets'>).
 325
 326 =item *
 327
 328 C<$^O> values for common Unix systems
 329
 330 Wrap to C<'unix'> (see L<perlport> for the list).
 331
 332 =item *
 333
 334 C<undef>
 335
 336 Defaults to C<'unix'>.
 337
 338 =item *
 339
 340 C<'win32'>
 341
 342 Covers typical Windows shell globbing features (effectively C<'jokers'> and C<'commas'>).
 343
 344 =item *
 345
 346 C<'dos'>, C<'os2'>, C<'MSWin32'>, C<'cygwin'>
 347
 348 Wrap to C<'win32'>.
 349
 350 =back
 351
 352 In particular, you can usually pass C<$^O> as the C<$type> and get the corresponding shell behaviour.
 353
 354     $rw->type('win32'); # Set type to win32.
 355     $rw->type($^O);     # Set type to unix on Unices and win32 on Windows
 356     $rw->type();        # Set type to unix.
 357
 358 The C<type> method returns the L<Regexp::Wildcards> object.
 359
 360 =head2 C<< capture [ $captures E<verbar> set => $c1, add => $c2, rem => $c3 ] >>
 361
 362 Specifies the list of atoms to capture.
 363 This method works like L</do>, except that the classes are different :
 364
 365 =over 4
 366
 367 =item *
 368
 369 C<'single'> will capture all unescaped I<"exactly one"> metacharacters, i.e. C<?> for wildcards or C<_> for SQL ;
 370
 371     'a???b\\??' ==> 'a(.)(.)(.)b\\?(.)'
 372     'a___b\\__' ==> 'a(.)(.)(.)b\\_(.)'
 373
 374 =item *
 375
 376 C<'any'> will capture all unescaped I<"any"> metacharacters, i.e. C<*> for wildcards or C<%> for SQL ;
 377
 378     'a***b\\**' ==> 'a(.*)b\\*(.*)'
 379     'a%%%b\\%%' ==> 'a(.*)b\\%(.*)'
 380
 381 =item *
 382
 383 C<'greedy'>, when used in conjunction with C<'any'>, will make the C<'any'> captures greedy (by default they are not) ;
 384
 385     'a***b\\**' ==> 'a(.*?)b\\*(.*?)'
 386     'a%%%b\\%%' ==> 'a(.*?)b\\%(.*?)'
 387
 388 =item *
 389
 390 C<'brackets'> will capture matching C<{ ... , ... }> alternations.
 391
 392     'a{b\\},\\{c}' ==> 'a(b\\}|\\{c)'
 393
 394 =back
 395
 396     $rw->capture(set => 'single');           # Only capture "exactly one" metacharacters.
 397     $rw->capture('single');                  # Same.
 398     $rw->capture(add => [ qw/any greedy/ ]); # Also greedily capture "any" metacharacters.
 399     $rw->capture(rem => 'greedy');           # No more greed please.
 400     $rw->capture();                          # Capture nothing.
 401
 402 =head2 C<convert $wc [ , $type ]>
 403
 404 Converts the wildcard expression C<$wc> into a regular expression according to the options stored into the L<Regexp::Wildcards> object, or to C<$type> if it's supplied.
 405 It successively escapes all unprotected regexp special characters that doesn't hold any meaning for wildcards, then replace C<'jokers'> or C<'sql'> and C<'commas'> or C<'brackets'> (depending on the L</do> or L</type> options), all of this by applying the C<'capture'> rules specified in the constructor or by L</capture>.
 406
 407 =cut
 408
 409 sub convert {
 410  my ($self, $wc, $type) = @_;
 411  _check_self $self;
 412  my $config = (defined $type) ? $self->_type($type) : $self;
 413  return unless defined $wc;
 414  my $do = $config->{do};
 415  my $e  = $config->{escape};
 416  $wc =~ s/(?<!\\)((?:\\\\)*[^\w\s\\$e])/\\$1/g;
 417  if ($do->{jokers}) {
 418   $wc = $self->_jokers($wc);
 419  } elsif ($do->{sql}) {
 420   $wc = $self->_sql($wc);
 421  }
 422  if ($do->{brackets}) {
 423   $wc = $self->_bracketed($wc);
 424  } elsif ($do->{commas}) {
 425   if ($wc =~ /(?<!\\)(?:\\\\)*,/) { # win32 allows comma-separated lists
 426    $wc = $self->{'c_brackets'} . $self->_commas($wc) . ')';
 427   }
 428  }
 429  return $wc;
 430 }
 431
 432 =head1 EXPORT
 433
 434 An object module shouldn't export any function, and so does this one.
 435
 436 =head1 DEPENDENCIES
 437
 438 L<Carp> (core module since perl 5), L<Text::Balanced> (since 5.7.3).
 439
 440 =head1 CAVEATS
 441
 442 This module does not implement the strange behaviours of Windows shell that result from the special handling of the three last characters (for the file extension).
 443 For example, Windows XP shell matches C<*a> like C<.*a>, C<*a?> like C<.*a.?>, C<*a??> like C<.*a.{0,2}> and so on.
 444
 445 =head1 SEE ALSO
 446
 447 L<Text::Glob>.
 448
 449 =head1 AUTHOR
 450
 451 Vincent Pit, C<< <perl at profvince.com> >>, L<http://www.profvince.com>.
 452
 453 You can contact me by mail or on C<irc.perl.org> (vincent).
 454
 455 =head1 BUGS
 456
 457 Please report any bugs or feature requests to C<bug-regexp-wildcards at rt.cpan.org>, or through the web interface at L<http://rt.cpan.org/NoAuth/ReportBug.html?Queue=Regexp-Wildcards>. I will be notified, and then you'll automatically be notified of progress on your bug as I make changes.
 458
 459 =head1 SUPPORT
 460
 461 You can find documentation for this module with the perldoc command.
 462
 463     perldoc Regexp::Wildcards
 464
 465 Tests code coverage report is available at L<http://www.profvince.com/perl/cover/Regexp-Wildcards>.
 466
 467 =head1 COPYRIGHT & LICENSE
 468
 469 Copyright 2007-2008 Vincent Pit, all rights reserved.
 470
 471 This program is free software; you can redistribute it and/or modify it
 472 under the same terms as Perl itself.
 473
 474 =cut
 475
 476 sub _extract ($) { extract_bracketed $_[0], '{',  qr/.*?(?<!\\)(?:\\\\)*(?={)/ }
 477
 478 sub _jokers {
 479  my $self = shift;
 480  local $_ = $_[0];
 481  # escape an odd number of \ that doesn't protect a regexp/wildcard special char
 482  s/(?<!\\)((?:\\\\)*\\(?:[\w\s]|$))/\\$1/g;
 483  # substitute ? preceded by an even number of \
 484  my $s = $self->{c_single};
 485  s/(?<!\\)((?:\\\\)*)\?/$1$s/g;
 486  # substitute * preceded by an even number of \
 487  $s = $self->{c_any};
 488  s/(?<!\\)((?:\\\\)*)\*+/$1$s/g;
 489  return $_;
 490 }
 491
 492 sub _sql {
 493  my $self = shift;
 494  local $_ = $_[0];
 495  # escape an odd number of \ that doesn't protect a regexp/wildcard special char
 496  s/(?<!\\)((?:\\\\)*\\(?:[^\W_]|\s|$))/\\$1/g;
 497  # substitute _ preceded by an even number of \
 498  my $s = $self->{c_single};
 499  s/(?<!\\)((?:\\\\)*)_/$1$s/g;
 500  # substitute % preceded by an even number of \
 501  $s = $self->{c_any};
 502  s/(?<!\\)((?:\\\\)*)%+/$1$s/g;
 503  return $_;
 504 }
 505
 506 sub _commas {
 507  local $_ = $_[1];
 508  # substitute , preceded by an even number of \
 509  s/(?<!\\)((?:\\\\)*),/$1|/g;
 510  return $_;
 511 }
 512
 513 sub _brackets {
 514  my ($self, $rest) = @_;
 515  substr $rest, 0, 1, '';
 516  chop $rest;
 517  my ($re, $bracket, $prefix) = ('');
 518  while (do { ($bracket, $rest, $prefix) = _extract $rest; $bracket }) {
 519   $re .= $self->_commas($prefix) . $self->_brackets($bracket);
 520  }
 521  $re .= $self->_commas($rest);
 522  return $self->{c_brackets} . $re . ')';
 523 }
 524
 525 sub _bracketed {
 526  my ($self, $rest) = @_;
 527  my ($re, $bracket, $prefix) = ('');
 528  while (do { ($bracket, $rest, $prefix) = _extract $rest; $bracket }) {
 529   $re .= $prefix . $self->_brackets($bracket);
 530  }
 531  $re .= $rest;
 532  $re =~ s/(?<!\\)((?:\\\\)*[\{\},])/\\$1/g;
 533  return $re;
 534 }
 535
 536 1; # End of Regexp::Wildcards