contrib/llvm/tools/clang/lib/Lex/LiteralSupport.cpp

   1 //===--- LiteralSupport.cpp - Code to parse and process literals ----------===//
   2 //
   3 //                     The LLVM Compiler Infrastructure
   4 //
   5 // This file is distributed under the University of Illinois Open Source
   6 // License. See LICENSE.TXT for details.
   7 //
   8 //===----------------------------------------------------------------------===//
   9 //
  10 // This file implements the NumericLiteralParser, CharLiteralParser, and
  11 // StringLiteralParser interfaces.
  12 //
  13 //===----------------------------------------------------------------------===//
  14
  15 #include "clang/Lex/LiteralSupport.h"
  16 #include "clang/Basic/CharInfo.h"
  17 #include "clang/Basic/TargetInfo.h"
  18 #include "clang/Lex/LexDiagnostic.h"
  19 #include "clang/Lex/Preprocessor.h"
  20 #include "llvm/ADT/StringExtras.h"
  21 #include "llvm/Support/ConvertUTF.h"
  22 #include "llvm/Support/ErrorHandling.h"
  23
  24 using namespace clang;
  25
  26 static unsigned getCharWidth(tok::TokenKind kind, const TargetInfo &Target) {
  27   switch (kind) {
  28   default: llvm_unreachable("Unknown token type!");
  29   case tok::char_constant:
  30   case tok::string_literal:
  31   case tok::utf8_char_constant:
  32   case tok::utf8_string_literal:
  33     return Target.getCharWidth();
  34   case tok::wide_char_constant:
  35   case tok::wide_string_literal:
  36     return Target.getWCharWidth();
  37   case tok::utf16_char_constant:
  38   case tok::utf16_string_literal:
  39     return Target.getChar16Width();
  40   case tok::utf32_char_constant:
  41   case tok::utf32_string_literal:
  42     return Target.getChar32Width();
  43   }
  44 }
  45
  46 static CharSourceRange MakeCharSourceRange(const LangOptions &Features,
  47                                            FullSourceLoc TokLoc,
  48                                            const char *TokBegin,
  49                                            const char *TokRangeBegin,
  50                                            const char *TokRangeEnd) {
  51   SourceLocation Begin =
  52     Lexer::AdvanceToTokenCharacter(TokLoc, TokRangeBegin - TokBegin,
  53                                    TokLoc.getManager(), Features);
  54   SourceLocation End =
  55     Lexer::AdvanceToTokenCharacter(Begin, TokRangeEnd - TokRangeBegin,
  56                                    TokLoc.getManager(), Features);
  57   return CharSourceRange::getCharRange(Begin, End);
  58 }
  59
  60 /// \brief Produce a diagnostic highlighting some portion of a literal.
  61 ///
  62 /// Emits the diagnostic \p DiagID, highlighting the range of characters from
  63 /// \p TokRangeBegin (inclusive) to \p TokRangeEnd (exclusive), which must be
  64 /// a substring of a spelling buffer for the token beginning at \p TokBegin.
  65 static DiagnosticBuilder Diag(DiagnosticsEngine *Diags,
  66                               const LangOptions &Features, FullSourceLoc TokLoc,
  67                               const char *TokBegin, const char *TokRangeBegin,
  68                               const char *TokRangeEnd, unsigned DiagID) {
  69   SourceLocation Begin =
  70     Lexer::AdvanceToTokenCharacter(TokLoc, TokRangeBegin - TokBegin,
  71                                    TokLoc.getManager(), Features);
  72   return Diags->Report(Begin, DiagID) <<
  73     MakeCharSourceRange(Features, TokLoc, TokBegin, TokRangeBegin, TokRangeEnd);
  74 }
  75
  76 /// ProcessCharEscape - Parse a standard C escape sequence, which can occur in
  77 /// either a character or a string literal.
  78 static unsigned ProcessCharEscape(const char *ThisTokBegin,
  79                                   const char *&ThisTokBuf,
  80                                   const char *ThisTokEnd, bool &HadError,
  81                                   FullSourceLoc Loc, unsigned CharWidth,
  82                                   DiagnosticsEngine *Diags,
  83                                   const LangOptions &Features) {
  84   const char *EscapeBegin = ThisTokBuf;
  85
  86   // Skip the '\' char.
  87   ++ThisTokBuf;
  88
  89   // We know that this character can't be off the end of the buffer, because
  90   // that would have been \", which would not have been the end of string.
  91   unsigned ResultChar = *ThisTokBuf++;
  92   switch (ResultChar) {
  93   // These map to themselves.
  94   case '\\': case '\'': case '"': case '?': break;
  95
  96     // These have fixed mappings.
  97   case 'a':
  98     // TODO: K&R: the meaning of '\\a' is different in traditional C
  99     ResultChar = 7;
 100     break;
 101   case 'b':
 102     ResultChar = 8;
 103     break;
 104   case 'e':
 105     if (Diags)
 106       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 107            diag::ext_nonstandard_escape) << "e";
 108     ResultChar = 27;
 109     break;
 110   case 'E':
 111     if (Diags)
 112       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 113            diag::ext_nonstandard_escape) << "E";
 114     ResultChar = 27;
 115     break;
 116   case 'f':
 117     ResultChar = 12;
 118     break;
 119   case 'n':
 120     ResultChar = 10;
 121     break;
 122   case 'r':
 123     ResultChar = 13;
 124     break;
 125   case 't':
 126     ResultChar = 9;
 127     break;
 128   case 'v':
 129     ResultChar = 11;
 130     break;
 131   case 'x': { // Hex escape.
 132     ResultChar = 0;
 133     if (ThisTokBuf == ThisTokEnd || !isHexDigit(*ThisTokBuf)) {
 134       if (Diags)
 135         Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 136              diag::err_hex_escape_no_digits) << "x";
 137       HadError = 1;
 138       break;
 139     }
 140
 141     // Hex escapes are a maximal series of hex digits.
 142     bool Overflow = false;
 143     for (; ThisTokBuf != ThisTokEnd; ++ThisTokBuf) {
 144       int CharVal = llvm::hexDigitValue(ThisTokBuf[0]);
 145       if (CharVal == -1) break;
 146       // About to shift out a digit?
 147       if (ResultChar & 0xF0000000)
 148         Overflow = true;
 149       ResultChar <<= 4;
 150       ResultChar |= CharVal;
 151     }
 152
 153     // See if any bits will be truncated when evaluated as a character.
 154     if (CharWidth != 32 && (ResultChar >> CharWidth) != 0) {
 155       Overflow = true;
 156       ResultChar &= ~0U >> (32-CharWidth);
 157     }
 158
 159     // Check for overflow.
 160     if (Overflow && Diags)   // Too many digits to fit in
 161       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 162            diag::err_escape_too_large) << 0;
 163     break;
 164   }
 165   case '0': case '1': case '2': case '3':
 166   case '4': case '5': case '6': case '7': {
 167     // Octal escapes.
 168     --ThisTokBuf;
 169     ResultChar = 0;
 170
 171     // Octal escapes are a series of octal digits with maximum length 3.
 172     // "\0123" is a two digit sequence equal to "\012" "3".
 173     unsigned NumDigits = 0;
 174     do {
 175       ResultChar <<= 3;
 176       ResultChar |= *ThisTokBuf++ - '0';
 177       ++NumDigits;
 178     } while (ThisTokBuf != ThisTokEnd && NumDigits < 3 &&
 179              ThisTokBuf[0] >= '0' && ThisTokBuf[0] <= '7');
 180
 181     // Check for overflow.  Reject '\777', but not L'\777'.
 182     if (CharWidth != 32 && (ResultChar >> CharWidth) != 0) {
 183       if (Diags)
 184         Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 185              diag::err_escape_too_large) << 1;
 186       ResultChar &= ~0U >> (32-CharWidth);
 187     }
 188     break;
 189   }
 190
 191     // Otherwise, these are not valid escapes.
 192   case '(': case '{': case '[': case '%':
 193     // GCC accepts these as extensions.  We warn about them as such though.
 194     if (Diags)
 195       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 196            diag::ext_nonstandard_escape)
 197         << std::string(1, ResultChar);
 198     break;
 199   default:
 200     if (!Diags)
 201       break;
 202
 203     if (isPrintable(ResultChar))
 204       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 205            diag::ext_unknown_escape)
 206         << std::string(1, ResultChar);
 207     else
 208       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 209            diag::ext_unknown_escape)
 210         << "x" + llvm::utohexstr(ResultChar);
 211     break;
 212   }
 213
 214   return ResultChar;
 215 }
 216
 217 static void appendCodePoint(unsigned Codepoint,
 218                             llvm::SmallVectorImpl<char> &Str) {
 219   char ResultBuf[4];
 220   char *ResultPtr = ResultBuf;
 221   bool Res = llvm::ConvertCodePointToUTF8(Codepoint, ResultPtr);
 222   (void)Res;
 223   assert(Res && "Unexpected conversion failure");
 224   Str.append(ResultBuf, ResultPtr);
 225 }
 226
 227 void clang::expandUCNs(SmallVectorImpl<char> &Buf, StringRef Input) {
 228   for (StringRef::iterator I = Input.begin(), E = Input.end(); I != E; ++I) {
 229     if (*I != '\\') {
 230       Buf.push_back(*I);
 231       continue;
 232     }
 233
 234     ++I;
 235     assert(*I == 'u' || *I == 'U');
 236
 237     unsigned NumHexDigits;
 238     if (*I == 'u')
 239       NumHexDigits = 4;
 240     else
 241       NumHexDigits = 8;
 242
 243     assert(I + NumHexDigits <= E);
 244
 245     uint32_t CodePoint = 0;
 246     for (++I; NumHexDigits != 0; ++I, --NumHexDigits) {
 247       unsigned Value = llvm::hexDigitValue(*I);
 248       assert(Value != -1U);
 249
 250       CodePoint <<= 4;
 251       CodePoint += Value;
 252     }
 253
 254     appendCodePoint(CodePoint, Buf);
 255     --I;
 256   }
 257 }
 258
 259 /// ProcessUCNEscape - Read the Universal Character Name, check constraints and
 260 /// return the UTF32.
 261 static bool ProcessUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 262                              const char *ThisTokEnd,
 263                              uint32_t &UcnVal, unsigned short &UcnLen,
 264                              FullSourceLoc Loc, DiagnosticsEngine *Diags,
 265                              const LangOptions &Features,
 266                              bool in_char_string_literal = false) {
 267   const char *UcnBegin = ThisTokBuf;
 268
 269   // Skip the '\u' char's.
 270   ThisTokBuf += 2;
 271
 272   if (ThisTokBuf == ThisTokEnd || !isHexDigit(*ThisTokBuf)) {
 273     if (Diags)
 274       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 275            diag::err_hex_escape_no_digits) << StringRef(&ThisTokBuf[-1], 1);
 276     return false;
 277   }
 278   UcnLen = (ThisTokBuf[-1] == 'u' ? 4 : 8);
 279   unsigned short UcnLenSave = UcnLen;
 280   for (; ThisTokBuf != ThisTokEnd && UcnLenSave; ++ThisTokBuf, UcnLenSave--) {
 281     int CharVal = llvm::hexDigitValue(ThisTokBuf[0]);
 282     if (CharVal == -1) break;
 283     UcnVal <<= 4;
 284     UcnVal |= CharVal;
 285   }
 286   // If we didn't consume the proper number of digits, there is a problem.
 287   if (UcnLenSave) {
 288     if (Diags)
 289       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 290            diag::err_ucn_escape_incomplete);
 291     return false;
 292   }
 293
 294   // Check UCN constraints (C99 6.4.3p2) [C++11 lex.charset p2]
 295   if ((0xD800 <= UcnVal && UcnVal <= 0xDFFF) || // surrogate codepoints
 296       UcnVal > 0x10FFFF) {                      // maximum legal UTF32 value
 297     if (Diags)
 298       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 299            diag::err_ucn_escape_invalid);
 300     return false;
 301   }
 302
 303   // C++11 allows UCNs that refer to control characters and basic source
 304   // characters inside character and string literals
 305   if (UcnVal < 0xa0 &&
 306       (UcnVal != 0x24 && UcnVal != 0x40 && UcnVal != 0x60)) {  // $, @, `
 307     bool IsError = (!Features.CPlusPlus11 || !in_char_string_literal);
 308     if (Diags) {
 309       char BasicSCSChar = UcnVal;
 310       if (UcnVal >= 0x20 && UcnVal < 0x7f)
 311         Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 312              IsError ? diag::err_ucn_escape_basic_scs :
 313                        diag::warn_cxx98_compat_literal_ucn_escape_basic_scs)
 314             << StringRef(&BasicSCSChar, 1);
 315       else
 316         Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 317              IsError ? diag::err_ucn_control_character :
 318                        diag::warn_cxx98_compat_literal_ucn_control_character);
 319     }
 320     if (IsError)
 321       return false;
 322   }
 323
 324   if (!Features.CPlusPlus && !Features.C99 && Diags)
 325     Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 326          diag::warn_ucn_not_valid_in_c89_literal);
 327
 328   return true;
 329 }
 330
 331 /// MeasureUCNEscape - Determine the number of bytes within the resulting string
 332 /// which this UCN will occupy.
 333 static int MeasureUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 334                             const char *ThisTokEnd, unsigned CharByteWidth,
 335                             const LangOptions &Features, bool &HadError) {
 336   // UTF-32: 4 bytes per escape.
 337   if (CharByteWidth == 4)
 338     return 4;
 339
 340   uint32_t UcnVal = 0;
 341   unsigned short UcnLen = 0;
 342   FullSourceLoc Loc;
 343
 344   if (!ProcessUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, UcnVal,
 345                         UcnLen, Loc, nullptr, Features, true)) {
 346     HadError = true;
 347     return 0;
 348   }
 349
 350   // UTF-16: 2 bytes for BMP, 4 bytes otherwise.
 351   if (CharByteWidth == 2)
 352     return UcnVal <= 0xFFFF ? 2 : 4;
 353
 354   // UTF-8.
 355   if (UcnVal < 0x80)
 356     return 1;
 357   if (UcnVal < 0x800)
 358     return 2;
 359   if (UcnVal < 0x10000)
 360     return 3;
 361   return 4;
 362 }
 363
 364 /// EncodeUCNEscape - Read the Universal Character Name, check constraints and
 365 /// convert the UTF32 to UTF8 or UTF16. This is a subroutine of
 366 /// StringLiteralParser. When we decide to implement UCN's for identifiers,
 367 /// we will likely rework our support for UCN's.
 368 static void EncodeUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 369                             const char *ThisTokEnd,
 370                             char *&ResultBuf, bool &HadError,
 371                             FullSourceLoc Loc, unsigned CharByteWidth,
 372                             DiagnosticsEngine *Diags,
 373                             const LangOptions &Features) {
 374   typedef uint32_t UTF32;
 375   UTF32 UcnVal = 0;
 376   unsigned short UcnLen = 0;
 377   if (!ProcessUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, UcnVal, UcnLen,
 378                         Loc, Diags, Features, true)) {
 379     HadError = true;
 380     return;
 381   }
 382
 383   assert((CharByteWidth == 1 || CharByteWidth == 2 || CharByteWidth == 4) &&
 384          "only character widths of 1, 2, or 4 bytes supported");
 385
 386   (void)UcnLen;
 387   assert((UcnLen== 4 || UcnLen== 8) && "only ucn length of 4 or 8 supported");
 388
 389   if (CharByteWidth == 4) {
 390     // FIXME: Make the type of the result buffer correct instead of
 391     // using reinterpret_cast.
 392     UTF32 *ResultPtr = reinterpret_cast<UTF32*>(ResultBuf);
 393     *ResultPtr = UcnVal;
 394     ResultBuf += 4;
 395     return;
 396   }
 397
 398   if (CharByteWidth == 2) {
 399     // FIXME: Make the type of the result buffer correct instead of
 400     // using reinterpret_cast.
 401     UTF16 *ResultPtr = reinterpret_cast<UTF16*>(ResultBuf);
 402
 403     if (UcnVal <= (UTF32)0xFFFF) {
 404       *ResultPtr = UcnVal;
 405       ResultBuf += 2;
 406       return;
 407     }
 408
 409     // Convert to UTF16.
 410     UcnVal -= 0x10000;
 411     *ResultPtr     = 0xD800 + (UcnVal >> 10);
 412     *(ResultPtr+1) = 0xDC00 + (UcnVal & 0x3FF);
 413     ResultBuf += 4;
 414     return;
 415   }
 416
 417   assert(CharByteWidth == 1 && "UTF-8 encoding is only for 1 byte characters");
 418
 419   // Now that we've parsed/checked the UCN, we convert from UTF32->UTF8.
 420   // The conversion below was inspired by:
 421   //   http://www.unicode.org/Public/PROGRAMS/CVTUTF/ConvertUTF.c
 422   // First, we determine how many bytes the result will require.
 423   typedef uint8_t UTF8;
 424
 425   unsigned short bytesToWrite = 0;
 426   if (UcnVal < (UTF32)0x80)
 427     bytesToWrite = 1;
 428   else if (UcnVal < (UTF32)0x800)
 429     bytesToWrite = 2;
 430   else if (UcnVal < (UTF32)0x10000)
 431     bytesToWrite = 3;
 432   else
 433     bytesToWrite = 4;
 434
 435   const unsigned byteMask = 0xBF;
 436   const unsigned byteMark = 0x80;
 437
 438   // Once the bits are split out into bytes of UTF8, this is a mask OR-ed
 439   // into the first byte, depending on how many bytes follow.
 440   static const UTF8 firstByteMark[5] = {
 441     0x00, 0x00, 0xC0, 0xE0, 0xF0
 442   };
 443   // Finally, we write the bytes into ResultBuf.
 444   ResultBuf += bytesToWrite;
 445   switch (bytesToWrite) { // note: everything falls through.
 446   case 4: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 447   case 3: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 448   case 2: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 449   case 1: *--ResultBuf = (UTF8) (UcnVal | firstByteMark[bytesToWrite]);
 450   }
 451   // Update the buffer.
 452   ResultBuf += bytesToWrite;
 453 }
 454
 455
 456 ///       integer-constant: [C99 6.4.4.1]
 457 ///         decimal-constant integer-suffix
 458 ///         octal-constant integer-suffix
 459 ///         hexadecimal-constant integer-suffix
 460 ///         binary-literal integer-suffix [GNU, C++1y]
 461 ///       user-defined-integer-literal: [C++11 lex.ext]
 462 ///         decimal-literal ud-suffix
 463 ///         octal-literal ud-suffix
 464 ///         hexadecimal-literal ud-suffix
 465 ///         binary-literal ud-suffix [GNU, C++1y]
 466 ///       decimal-constant:
 467 ///         nonzero-digit
 468 ///         decimal-constant digit
 469 ///       octal-constant:
 470 ///         0
 471 ///         octal-constant octal-digit
 472 ///       hexadecimal-constant:
 473 ///         hexadecimal-prefix hexadecimal-digit
 474 ///         hexadecimal-constant hexadecimal-digit
 475 ///       hexadecimal-prefix: one of
 476 ///         0x 0X
 477 ///       binary-literal:
 478 ///         0b binary-digit
 479 ///         0B binary-digit
 480 ///         binary-literal binary-digit
 481 ///       integer-suffix:
 482 ///         unsigned-suffix [long-suffix]
 483 ///         unsigned-suffix [long-long-suffix]
 484 ///         long-suffix [unsigned-suffix]
 485 ///         long-long-suffix [unsigned-sufix]
 486 ///       nonzero-digit:
 487 ///         1 2 3 4 5 6 7 8 9
 488 ///       octal-digit:
 489 ///         0 1 2 3 4 5 6 7
 490 ///       hexadecimal-digit:
 491 ///         0 1 2 3 4 5 6 7 8 9
 492 ///         a b c d e f
 493 ///         A B C D E F
 494 ///       binary-digit:
 495 ///         0
 496 ///         1
 497 ///       unsigned-suffix: one of
 498 ///         u U
 499 ///       long-suffix: one of
 500 ///         l L
 501 ///       long-long-suffix: one of
 502 ///         ll LL
 503 ///
 504 ///       floating-constant: [C99 6.4.4.2]
 505 ///         TODO: add rules...
 506 ///
 507 NumericLiteralParser::NumericLiteralParser(StringRef TokSpelling,
 508                                            SourceLocation TokLoc,
 509                                            Preprocessor &PP)
 510   : PP(PP), ThisTokBegin(TokSpelling.begin()), ThisTokEnd(TokSpelling.end()) {
 511
 512   // This routine assumes that the range begin/end matches the regex for integer
 513   // and FP constants (specifically, the 'pp-number' regex), and assumes that
 514   // the byte at "*end" is both valid and not part of the regex.  Because of
 515   // this, it doesn't have to check for 'overscan' in various places.
 516   assert(!isPreprocessingNumberBody(*ThisTokEnd) && "didn't maximally munch?");
 517
 518   s = DigitsBegin = ThisTokBegin;
 519   saw_exponent = false;
 520   saw_period = false;
 521   saw_ud_suffix = false;
 522   isLong = false;
 523   isUnsigned = false;
 524   isLongLong = false;
 525   isFloat = false;
 526   isImaginary = false;
 527   MicrosoftInteger = 0;
 528   hadError = false;
 529
 530   if (*s == '0') { // parse radix
 531     ParseNumberStartingWithZero(TokLoc);
 532     if (hadError)
 533       return;
 534   } else { // the first digit is non-zero
 535     radix = 10;
 536     s = SkipDigits(s);
 537     if (s == ThisTokEnd) {
 538       // Done.
 539     } else if (isHexDigit(*s) && !(*s == 'e' || *s == 'E')) {
 540       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 541               diag::err_invalid_digit) << StringRef(s, 1) << 0;
 542       hadError = true;
 543       return;
 544     } else if (*s == '.') {
 545       checkSeparator(TokLoc, s, CSK_AfterDigits);
 546       s++;
 547       saw_period = true;
 548       checkSeparator(TokLoc, s, CSK_BeforeDigits);
 549       s = SkipDigits(s);
 550     }
 551     if ((*s == 'e' || *s == 'E')) { // exponent
 552       checkSeparator(TokLoc, s, CSK_AfterDigits);
 553       const char *Exponent = s;
 554       s++;
 555       saw_exponent = true;
 556       if (*s == '+' || *s == '-')  s++; // sign
 557       checkSeparator(TokLoc, s, CSK_BeforeDigits);
 558       const char *first_non_digit = SkipDigits(s);
 559       if (first_non_digit != s) {
 560         s = first_non_digit;
 561       } else {
 562         PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent - ThisTokBegin),
 563                 diag::err_exponent_has_no_digits);
 564         hadError = true;
 565         return;
 566       }
 567     }
 568   }
 569
 570   SuffixBegin = s;
 571   checkSeparator(TokLoc, s, CSK_AfterDigits);
 572
 573   // Parse the suffix.  At this point we can classify whether we have an FP or
 574   // integer constant.
 575   bool isFPConstant = isFloatingLiteral();
 576   const char *ImaginarySuffixLoc = nullptr;
 577
 578   // Loop over all of the characters of the suffix.  If we see something bad,
 579   // we break out of the loop.
 580   for (; s != ThisTokEnd; ++s) {
 581     switch (*s) {
 582     case 'f':      // FP Suffix for "float"
 583     case 'F':
 584       if (!isFPConstant) break;  // Error for integer constant.
 585       if (isFloat || isLong) break; // FF, LF invalid.
 586       isFloat = true;
 587       continue;  // Success.
 588     case 'u':
 589     case 'U':
 590       if (isFPConstant) break;  // Error for floating constant.
 591       if (isUnsigned) break;    // Cannot be repeated.
 592       isUnsigned = true;
 593       continue;  // Success.
 594     case 'l':
 595     case 'L':
 596       if (isLong || isLongLong) break;  // Cannot be repeated.
 597       if (isFloat) break;               // LF invalid.
 598
 599       // Check for long long.  The L's need to be adjacent and the same case.
 600       if (s[1] == s[0]) {
 601         assert(s + 1 < ThisTokEnd && "didn't maximally munch?");
 602         if (isFPConstant) break;        // long long invalid for floats.
 603         isLongLong = true;
 604         ++s;  // Eat both of them.
 605       } else {
 606         isLong = true;
 607       }
 608       continue;  // Success.
 609     case 'i':
 610     case 'I':
 611       if (PP.getLangOpts().MicrosoftExt) {
 612         if (isLong || isLongLong || MicrosoftInteger)
 613           break;
 614
 615         if (!isFPConstant) {
 616           // Allow i8, i16, i32, and i64.
 617           switch (s[1]) {
 618           case '8':
 619             s += 2; // i8 suffix
 620             MicrosoftInteger = 8;
 621             break;
 622           case '1':
 623             if (s[2] == '6') {
 624               s += 3; // i16 suffix
 625               MicrosoftInteger = 16;
 626             }
 627             break;
 628           case '3':
 629             if (s[2] == '2') {
 630               s += 3; // i32 suffix
 631               MicrosoftInteger = 32;
 632             }
 633             break;
 634           case '6':
 635             if (s[2] == '4') {
 636               s += 3; // i64 suffix
 637               MicrosoftInteger = 64;
 638             }
 639             break;
 640           default:
 641             break;
 642           }
 643         }
 644         if (MicrosoftInteger) {
 645           assert(s <= ThisTokEnd && "didn't maximally munch?");
 646           break;
 647         }
 648       }
 649       // "i", "if", and "il" are user-defined suffixes in C++1y.
 650       if (*s == 'i' && PP.getLangOpts().CPlusPlus14)
 651         break;
 652       // fall through.
 653     case 'j':
 654     case 'J':
 655       if (isImaginary) break;   // Cannot be repeated.
 656       isImaginary = true;
 657       ImaginarySuffixLoc = s;
 658       continue;  // Success.
 659     }
 660     // If we reached here, there was an error or a ud-suffix.
 661     break;
 662   }
 663
 664   if (s != ThisTokEnd) {
 665     // FIXME: Don't bother expanding UCNs if !tok.hasUCN().
 666     expandUCNs(UDSuffixBuf, StringRef(SuffixBegin, ThisTokEnd - SuffixBegin));
 667     if (isValidUDSuffix(PP.getLangOpts(), UDSuffixBuf)) {
 668       // Any suffix pieces we might have parsed are actually part of the
 669       // ud-suffix.
 670       isLong = false;
 671       isUnsigned = false;
 672       isLongLong = false;
 673       isFloat = false;
 674       isImaginary = false;
 675       MicrosoftInteger = 0;
 676
 677       saw_ud_suffix = true;
 678       return;
 679     }
 680
 681     // Report an error if there are any.
 682     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, SuffixBegin - ThisTokBegin),
 683             diag::err_invalid_suffix_constant)
 684       << StringRef(SuffixBegin, ThisTokEnd-SuffixBegin) << isFPConstant;
 685     hadError = true;
 686     return;
 687   }
 688
 689   if (isImaginary) {
 690     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc,
 691                                        ImaginarySuffixLoc - ThisTokBegin),
 692             diag::ext_imaginary_constant);
 693   }
 694 }
 695
 696 /// Determine whether a suffix is a valid ud-suffix. We avoid treating reserved
 697 /// suffixes as ud-suffixes, because the diagnostic experience is better if we
 698 /// treat it as an invalid suffix.
 699 bool NumericLiteralParser::isValidUDSuffix(const LangOptions &LangOpts,
 700                                            StringRef Suffix) {
 701   if (!LangOpts.CPlusPlus11 || Suffix.empty())
 702     return false;
 703
 704   // By C++11 [lex.ext]p10, ud-suffixes starting with an '_' are always valid.
 705   if (Suffix[0] == '_')
 706     return true;
 707
 708   // In C++11, there are no library suffixes.
 709   if (!LangOpts.CPlusPlus14)
 710     return false;
 711
 712   // In C++1y, "s", "h", "min", "ms", "us", and "ns" are used in the library.
 713   // Per tweaked N3660, "il", "i", and "if" are also used in the library.
 714   return llvm::StringSwitch<bool>(Suffix)
 715       .Cases("h", "min", "s", true)
 716       .Cases("ms", "us", "ns", true)
 717       .Cases("il", "i", "if", true)
 718       .Default(false);
 719 }
 720
 721 void NumericLiteralParser::checkSeparator(SourceLocation TokLoc,
 722                                           const char *Pos,
 723                                           CheckSeparatorKind IsAfterDigits) {
 724   if (IsAfterDigits == CSK_AfterDigits) {
 725     if (Pos == ThisTokBegin)
 726       return;
 727     --Pos;
 728   } else if (Pos == ThisTokEnd)
 729     return;
 730
 731   if (isDigitSeparator(*Pos))
 732     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Pos - ThisTokBegin),
 733             diag::err_digit_separator_not_between_digits)
 734       << IsAfterDigits;
 735 }
 736
 737 /// ParseNumberStartingWithZero - This method is called when the first character
 738 /// of the number is found to be a zero.  This means it is either an octal
 739 /// number (like '04') or a hex number ('0x123a') a binary number ('0b1010') or
 740 /// a floating point number (01239.123e4).  Eat the prefix, determining the
 741 /// radix etc.
 742 void NumericLiteralParser::ParseNumberStartingWithZero(SourceLocation TokLoc) {
 743   assert(s[0] == '0' && "Invalid method call");
 744   s++;
 745
 746   int c1 = s[0];
 747
 748   // Handle a hex number like 0x1234.
 749   if ((c1 == 'x' || c1 == 'X') && (isHexDigit(s[1]) || s[1] == '.')) {
 750     s++;
 751     assert(s < ThisTokEnd && "didn't maximally munch?");
 752     radix = 16;
 753     DigitsBegin = s;
 754     s = SkipHexDigits(s);
 755     bool noSignificand = (s == DigitsBegin);
 756     if (s == ThisTokEnd) {
 757       // Done.
 758     } else if (*s == '.') {
 759       s++;
 760       saw_period = true;
 761       const char *floatDigitsBegin = s;
 762       checkSeparator(TokLoc, s, CSK_BeforeDigits);
 763       s = SkipHexDigits(s);
 764       noSignificand &= (floatDigitsBegin == s);
 765     }
 766
 767     if (noSignificand) {
 768       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 769         diag::err_hexconstant_requires) << 1;
 770       hadError = true;
 771       return;
 772     }
 773
 774     // A binary exponent can appear with or with a '.'. If dotted, the
 775     // binary exponent is required.
 776     if (*s == 'p' || *s == 'P') {
 777       checkSeparator(TokLoc, s, CSK_AfterDigits);
 778       const char *Exponent = s;
 779       s++;
 780       saw_exponent = true;
 781       if (*s == '+' || *s == '-')  s++; // sign
 782       const char *first_non_digit = SkipDigits(s);
 783       if (first_non_digit == s) {
 784         PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent-ThisTokBegin),
 785                 diag::err_exponent_has_no_digits);
 786         hadError = true;
 787         return;
 788       }
 789       checkSeparator(TokLoc, s, CSK_BeforeDigits);
 790       s = first_non_digit;
 791
 792       if (!PP.getLangOpts().HexFloats)
 793         PP.Diag(TokLoc, diag::ext_hexconstant_invalid);
 794     } else if (saw_period) {
 795       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 796               diag::err_hexconstant_requires) << 0;
 797       hadError = true;
 798     }
 799     return;
 800   }
 801
 802   // Handle simple binary numbers 0b01010
 803   if ((c1 == 'b' || c1 == 'B') && (s[1] == '0' || s[1] == '1')) {
 804     // 0b101010 is a C++1y / GCC extension.
 805     PP.Diag(TokLoc,
 806             PP.getLangOpts().CPlusPlus14
 807               ? diag::warn_cxx11_compat_binary_literal
 808               : PP.getLangOpts().CPlusPlus
 809                 ? diag::ext_binary_literal_cxx14
 810                 : diag::ext_binary_literal);
 811     ++s;
 812     assert(s < ThisTokEnd && "didn't maximally munch?");
 813     radix = 2;
 814     DigitsBegin = s;
 815     s = SkipBinaryDigits(s);
 816     if (s == ThisTokEnd) {
 817       // Done.
 818     } else if (isHexDigit(*s)) {
 819       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 820               diag::err_invalid_digit) << StringRef(s, 1) << 2;
 821       hadError = true;
 822     }
 823     // Other suffixes will be diagnosed by the caller.
 824     return;
 825   }
 826
 827   // For now, the radix is set to 8. If we discover that we have a
 828   // floating point constant, the radix will change to 10. Octal floating
 829   // point constants are not permitted (only decimal and hexadecimal).
 830   radix = 8;
 831   DigitsBegin = s;
 832   s = SkipOctalDigits(s);
 833   if (s == ThisTokEnd)
 834     return; // Done, simple octal number like 01234
 835
 836   // If we have some other non-octal digit that *is* a decimal digit, see if
 837   // this is part of a floating point number like 094.123 or 09e1.
 838   if (isDigit(*s)) {
 839     const char *EndDecimal = SkipDigits(s);
 840     if (EndDecimal[0] == '.' || EndDecimal[0] == 'e' || EndDecimal[0] == 'E') {
 841       s = EndDecimal;
 842       radix = 10;
 843     }
 844   }
 845
 846   // If we have a hex digit other than 'e' (which denotes a FP exponent) then
 847   // the code is using an incorrect base.
 848   if (isHexDigit(*s) && *s != 'e' && *s != 'E') {
 849     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 850             diag::err_invalid_digit) << StringRef(s, 1) << 1;
 851     hadError = true;
 852     return;
 853   }
 854
 855   if (*s == '.') {
 856     s++;
 857     radix = 10;
 858     saw_period = true;
 859     checkSeparator(TokLoc, s, CSK_BeforeDigits);
 860     s = SkipDigits(s); // Skip suffix.
 861   }
 862   if (*s == 'e' || *s == 'E') { // exponent
 863     checkSeparator(TokLoc, s, CSK_AfterDigits);
 864     const char *Exponent = s;
 865     s++;
 866     radix = 10;
 867     saw_exponent = true;
 868     if (*s == '+' || *s == '-')  s++; // sign
 869     const char *first_non_digit = SkipDigits(s);
 870     if (first_non_digit != s) {
 871       checkSeparator(TokLoc, s, CSK_BeforeDigits);
 872       s = first_non_digit;
 873     } else {
 874       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent-ThisTokBegin),
 875               diag::err_exponent_has_no_digits);
 876       hadError = true;
 877       return;
 878     }
 879   }
 880 }
 881
 882 static bool alwaysFitsInto64Bits(unsigned Radix, unsigned NumDigits) {
 883   switch (Radix) {
 884   case 2:
 885     return NumDigits <= 64;
 886   case 8:
 887     return NumDigits <= 64 / 3; // Digits are groups of 3 bits.
 888   case 10:
 889     return NumDigits <= 19; // floor(log10(2^64))
 890   case 16:
 891     return NumDigits <= 64 / 4; // Digits are groups of 4 bits.
 892   default:
 893     llvm_unreachable("impossible Radix");
 894   }
 895 }
 896
 897 /// GetIntegerValue - Convert this numeric literal value to an APInt that
 898 /// matches Val's input width.  If there is an overflow, set Val to the low bits
 899 /// of the result and return true.  Otherwise, return false.
 900 bool NumericLiteralParser::GetIntegerValue(llvm::APInt &Val) {
 901   // Fast path: Compute a conservative bound on the maximum number of
 902   // bits per digit in this radix. If we can't possibly overflow a
 903   // uint64 based on that bound then do the simple conversion to
 904   // integer. This avoids the expensive overflow checking below, and
 905   // handles the common cases that matter (small decimal integers and
 906   // hex/octal values which don't overflow).
 907   const unsigned NumDigits = SuffixBegin - DigitsBegin;
 908   if (alwaysFitsInto64Bits(radix, NumDigits)) {
 909     uint64_t N = 0;
 910     for (const char *Ptr = DigitsBegin; Ptr != SuffixBegin; ++Ptr)
 911       if (!isDigitSeparator(*Ptr))
 912         N = N * radix + llvm::hexDigitValue(*Ptr);
 913
 914     // This will truncate the value to Val's input width. Simply check
 915     // for overflow by comparing.
 916     Val = N;
 917     return Val.getZExtValue() != N;
 918   }
 919
 920   Val = 0;
 921   const char *Ptr = DigitsBegin;
 922
 923   llvm::APInt RadixVal(Val.getBitWidth(), radix);
 924   llvm::APInt CharVal(Val.getBitWidth(), 0);
 925   llvm::APInt OldVal = Val;
 926
 927   bool OverflowOccurred = false;
 928   while (Ptr < SuffixBegin) {
 929     if (isDigitSeparator(*Ptr)) {
 930       ++Ptr;
 931       continue;
 932     }
 933
 934     unsigned C = llvm::hexDigitValue(*Ptr++);
 935
 936     // If this letter is out of bound for this radix, reject it.
 937     assert(C < radix && "NumericLiteralParser ctor should have rejected this");
 938
 939     CharVal = C;
 940
 941     // Add the digit to the value in the appropriate radix.  If adding in digits
 942     // made the value smaller, then this overflowed.
 943     OldVal = Val;
 944
 945     // Multiply by radix, did overflow occur on the multiply?
 946     Val *= RadixVal;
 947     OverflowOccurred |= Val.udiv(RadixVal) != OldVal;
 948
 949     // Add value, did overflow occur on the value?
 950     //   (a + b) ult b  <=> overflow
 951     Val += CharVal;
 952     OverflowOccurred |= Val.ult(CharVal);
 953   }
 954   return OverflowOccurred;
 955 }
 956
 957 llvm::APFloat::opStatus
 958 NumericLiteralParser::GetFloatValue(llvm::APFloat &Result) {
 959   using llvm::APFloat;
 960
 961   unsigned n = std::min(SuffixBegin - ThisTokBegin, ThisTokEnd - ThisTokBegin);
 962
 963   llvm::SmallString<16> Buffer;
 964   StringRef Str(ThisTokBegin, n);
 965   if (Str.find('\'') != StringRef::npos) {
 966     Buffer.reserve(n);
 967     std::remove_copy_if(Str.begin(), Str.end(), std::back_inserter(Buffer),
 968                         &isDigitSeparator);
 969     Str = Buffer;
 970   }
 971
 972   return Result.convertFromString(Str, APFloat::rmNearestTiesToEven);
 973 }
 974
 975
 976 /// \verbatim
 977 ///       user-defined-character-literal: [C++11 lex.ext]
 978 ///         character-literal ud-suffix
 979 ///       ud-suffix:
 980 ///         identifier
 981 ///       character-literal: [C++11 lex.ccon]
 982 ///         ' c-char-sequence '
 983 ///         u' c-char-sequence '
 984 ///         U' c-char-sequence '
 985 ///         L' c-char-sequence '
 986 ///       c-char-sequence:
 987 ///         c-char
 988 ///         c-char-sequence c-char
 989 ///       c-char:
 990 ///         any member of the source character set except the single-quote ',
 991 ///           backslash \, or new-line character
 992 ///         escape-sequence
 993 ///         universal-character-name
 994 ///       escape-sequence:
 995 ///         simple-escape-sequence
 996 ///         octal-escape-sequence
 997 ///         hexadecimal-escape-sequence
 998 ///       simple-escape-sequence:
 999 ///         one of \' \" \? \\ \a \b \f \n \r \t \v
1000 ///       octal-escape-sequence:
1001 ///         \ octal-digit
1002 ///         \ octal-digit octal-digit
1003 ///         \ octal-digit octal-digit octal-digit
1004 ///       hexadecimal-escape-sequence:
1005 ///         \x hexadecimal-digit
1006 ///         hexadecimal-escape-sequence hexadecimal-digit
1007 ///       universal-character-name: [C++11 lex.charset]
1008 ///         \u hex-quad
1009 ///         \U hex-quad hex-quad
1010 ///       hex-quad:
1011 ///         hex-digit hex-digit hex-digit hex-digit
1012 /// \endverbatim
1013 ///
1014 CharLiteralParser::CharLiteralParser(const char *begin, const char *end,
1015                                      SourceLocation Loc, Preprocessor &PP,
1016                                      tok::TokenKind kind) {
1017   // At this point we know that the character matches the regex "(L|u|U)?'.*'".
1018   HadError = false;
1019
1020   Kind = kind;
1021
1022   const char *TokBegin = begin;
1023
1024   // Skip over wide character determinant.
1025   if (Kind != tok::char_constant)
1026     ++begin;
1027   if (Kind == tok::utf8_char_constant)
1028     ++begin;
1029
1030   // Skip over the entry quote.
1031   assert(begin[0] == '\'' && "Invalid token lexed");
1032   ++begin;
1033
1034   // Remove an optional ud-suffix.
1035   if (end[-1] != '\'') {
1036     const char *UDSuffixEnd = end;
1037     do {
1038       --end;
1039     } while (end[-1] != '\'');
1040     // FIXME: Don't bother with this if !tok.hasUCN().
1041     expandUCNs(UDSuffixBuf, StringRef(end, UDSuffixEnd - end));
1042     UDSuffixOffset = end - TokBegin;
1043   }
1044
1045   // Trim the ending quote.
1046   assert(end != begin && "Invalid token lexed");
1047   --end;
1048
1049   // FIXME: The "Value" is an uint64_t so we can handle char literals of
1050   // up to 64-bits.
1051   // FIXME: This extensively assumes that 'char' is 8-bits.
1052   assert(PP.getTargetInfo().getCharWidth() == 8 &&
1053          "Assumes char is 8 bits");
1054   assert(PP.getTargetInfo().getIntWidth() <= 64 &&
1055          (PP.getTargetInfo().getIntWidth() & 7) == 0 &&
1056          "Assumes sizeof(int) on target is <= 64 and a multiple of char");
1057   assert(PP.getTargetInfo().getWCharWidth() <= 64 &&
1058          "Assumes sizeof(wchar) on target is <= 64");
1059
1060   SmallVector<uint32_t, 4> codepoint_buffer;
1061   codepoint_buffer.resize(end - begin);
1062   uint32_t *buffer_begin = &codepoint_buffer.front();
1063   uint32_t *buffer_end = buffer_begin + codepoint_buffer.size();
1064
1065   // Unicode escapes representing characters that cannot be correctly
1066   // represented in a single code unit are disallowed in character literals
1067   // by this implementation.
1068   uint32_t largest_character_for_kind;
1069   if (tok::wide_char_constant == Kind) {
1070     largest_character_for_kind =
1071         0xFFFFFFFFu >> (32-PP.getTargetInfo().getWCharWidth());
1072   } else if (tok::utf8_char_constant == Kind) {
1073     largest_character_for_kind = 0x7F;
1074   } else if (tok::utf16_char_constant == Kind) {
1075     largest_character_for_kind = 0xFFFF;
1076   } else if (tok::utf32_char_constant == Kind) {
1077     largest_character_for_kind = 0x10FFFF;
1078   } else {
1079     largest_character_for_kind = 0x7Fu;
1080   }
1081
1082   while (begin != end) {
1083     // Is this a span of non-escape characters?
1084     if (begin[0] != '\\') {
1085       char const *start = begin;
1086       do {
1087         ++begin;
1088       } while (begin != end && *begin != '\\');
1089
1090       char const *tmp_in_start = start;
1091       uint32_t *tmp_out_start = buffer_begin;
1092       ConversionResult res =
1093           ConvertUTF8toUTF32(reinterpret_cast<UTF8 const **>(&start),
1094                              reinterpret_cast<UTF8 const *>(begin),
1095                              &buffer_begin, buffer_end, strictConversion);
1096       if (res != conversionOK) {
1097         // If we see bad encoding for unprefixed character literals, warn and
1098         // simply copy the byte values, for compatibility with gcc and
1099         // older versions of clang.
1100         bool NoErrorOnBadEncoding = isAscii();
1101         unsigned Msg = diag::err_bad_character_encoding;
1102         if (NoErrorOnBadEncoding)
1103           Msg = diag::warn_bad_character_encoding;
1104         PP.Diag(Loc, Msg);
1105         if (NoErrorOnBadEncoding) {
1106           start = tmp_in_start;
1107           buffer_begin = tmp_out_start;
1108           for (; start != begin; ++start, ++buffer_begin)
1109             *buffer_begin = static_cast<uint8_t>(*start);
1110         } else {
1111           HadError = true;
1112         }
1113       } else {
1114         for (; tmp_out_start < buffer_begin; ++tmp_out_start) {
1115           if (*tmp_out_start > largest_character_for_kind) {
1116             HadError = true;
1117             PP.Diag(Loc, diag::err_character_too_large);
1118           }
1119         }
1120       }
1121
1122       continue;
1123     }
1124     // Is this a Universal Character Name escape?
1125     if (begin[1] == 'u' || begin[1] == 'U') {
1126       unsigned short UcnLen = 0;
1127       if (!ProcessUCNEscape(TokBegin, begin, end, *buffer_begin, UcnLen,
1128                             FullSourceLoc(Loc, PP.getSourceManager()),
1129                             &PP.getDiagnostics(), PP.getLangOpts(), true)) {
1130         HadError = true;
1131       } else if (*buffer_begin > largest_character_for_kind) {
1132         HadError = true;
1133         PP.Diag(Loc, diag::err_character_too_large);
1134       }
1135
1136       ++buffer_begin;
1137       continue;
1138     }
1139     unsigned CharWidth = getCharWidth(Kind, PP.getTargetInfo());
1140     uint64_t result =
1141       ProcessCharEscape(TokBegin, begin, end, HadError,
1142                         FullSourceLoc(Loc,PP.getSourceManager()),
1143                         CharWidth, &PP.getDiagnostics(), PP.getLangOpts());
1144     *buffer_begin++ = result;
1145   }
1146
1147   unsigned NumCharsSoFar = buffer_begin - &codepoint_buffer.front();
1148
1149   if (NumCharsSoFar > 1) {
1150     if (isWide())
1151       PP.Diag(Loc, diag::warn_extraneous_char_constant);
1152     else if (isAscii() && NumCharsSoFar == 4)
1153       PP.Diag(Loc, diag::ext_four_char_character_literal);
1154     else if (isAscii())
1155       PP.Diag(Loc, diag::ext_multichar_character_literal);
1156     else
1157       PP.Diag(Loc, diag::err_multichar_utf_character_literal);
1158     IsMultiChar = true;
1159   } else {
1160     IsMultiChar = false;
1161   }
1162
1163   llvm::APInt LitVal(PP.getTargetInfo().getIntWidth(), 0);
1164
1165   // Narrow character literals act as though their value is concatenated
1166   // in this implementation, but warn on overflow.
1167   bool multi_char_too_long = false;
1168   if (isAscii() && isMultiChar()) {
1169     LitVal = 0;
1170     for (size_t i = 0; i < NumCharsSoFar; ++i) {
1171       // check for enough leading zeros to shift into
1172       multi_char_too_long |= (LitVal.countLeadingZeros() < 8);
1173       LitVal <<= 8;
1174       LitVal = LitVal + (codepoint_buffer[i] & 0xFF);
1175     }
1176   } else if (NumCharsSoFar > 0) {
1177     // otherwise just take the last character
1178     LitVal = buffer_begin[-1];
1179   }
1180
1181   if (!HadError && multi_char_too_long) {
1182     PP.Diag(Loc, diag::warn_char_constant_too_large);
1183   }
1184
1185   // Transfer the value from APInt to uint64_t
1186   Value = LitVal.getZExtValue();
1187
1188   // If this is a single narrow character, sign extend it (e.g. '\xFF' is "-1")
1189   // if 'char' is signed for this target (C99 6.4.4.4p10).  Note that multiple
1190   // character constants are not sign extended in the this implementation:
1191   // '\xFF\xFF' = 65536 and '\x0\xFF' = 255, which matches GCC.
1192   if (isAscii() && NumCharsSoFar == 1 && (Value & 128) &&
1193       PP.getLangOpts().CharIsSigned)
1194     Value = (signed char)Value;
1195 }
1196
1197 /// \verbatim
1198 ///       string-literal: [C++0x lex.string]
1199 ///         encoding-prefix " [s-char-sequence] "
1200 ///         encoding-prefix R raw-string
1201 ///       encoding-prefix:
1202 ///         u8
1203 ///         u
1204 ///         U
1205 ///         L
1206 ///       s-char-sequence:
1207 ///         s-char
1208 ///         s-char-sequence s-char
1209 ///       s-char:
1210 ///         any member of the source character set except the double-quote ",
1211 ///           backslash \, or new-line character
1212 ///         escape-sequence
1213 ///         universal-character-name
1214 ///       raw-string:
1215 ///         " d-char-sequence ( r-char-sequence ) d-char-sequence "
1216 ///       r-char-sequence:
1217 ///         r-char
1218 ///         r-char-sequence r-char
1219 ///       r-char:
1220 ///         any member of the source character set, except a right parenthesis )
1221 ///           followed by the initial d-char-sequence (which may be empty)
1222 ///           followed by a double quote ".
1223 ///       d-char-sequence:
1224 ///         d-char
1225 ///         d-char-sequence d-char
1226 ///       d-char:
1227 ///         any member of the basic source character set except:
1228 ///           space, the left parenthesis (, the right parenthesis ),
1229 ///           the backslash \, and the control characters representing horizontal
1230 ///           tab, vertical tab, form feed, and newline.
1231 ///       escape-sequence: [C++0x lex.ccon]
1232 ///         simple-escape-sequence
1233 ///         octal-escape-sequence
1234 ///         hexadecimal-escape-sequence
1235 ///       simple-escape-sequence:
1236 ///         one of \' \" \? \\ \a \b \f \n \r \t \v
1237 ///       octal-escape-sequence:
1238 ///         \ octal-digit
1239 ///         \ octal-digit octal-digit
1240 ///         \ octal-digit octal-digit octal-digit
1241 ///       hexadecimal-escape-sequence:
1242 ///         \x hexadecimal-digit
1243 ///         hexadecimal-escape-sequence hexadecimal-digit
1244 ///       universal-character-name:
1245 ///         \u hex-quad
1246 ///         \U hex-quad hex-quad
1247 ///       hex-quad:
1248 ///         hex-digit hex-digit hex-digit hex-digit
1249 /// \endverbatim
1250 ///
1251 StringLiteralParser::
1252 StringLiteralParser(ArrayRef<Token> StringToks,
1253                     Preprocessor &PP, bool Complain)
1254   : SM(PP.getSourceManager()), Features(PP.getLangOpts()),
1255     Target(PP.getTargetInfo()), Diags(Complain ? &PP.getDiagnostics() :nullptr),
1256     MaxTokenLength(0), SizeBound(0), CharByteWidth(0), Kind(tok::unknown),
1257     ResultPtr(ResultBuf.data()), hadError(false), Pascal(false) {
1258   init(StringToks);
1259 }
1260
1261 void StringLiteralParser::init(ArrayRef<Token> StringToks){
1262   // The literal token may have come from an invalid source location (e.g. due
1263   // to a PCH error), in which case the token length will be 0.
1264   if (StringToks.empty() || StringToks[0].getLength() < 2)
1265     return DiagnoseLexingError(SourceLocation());
1266
1267   // Scan all of the string portions, remember the max individual token length,
1268   // computing a bound on the concatenated string length, and see whether any
1269   // piece is a wide-string.  If any of the string portions is a wide-string
1270   // literal, the result is a wide-string literal [C99 6.4.5p4].
1271   assert(!StringToks.empty() && "expected at least one token");
1272   MaxTokenLength = StringToks[0].getLength();
1273   assert(StringToks[0].getLength() >= 2 && "literal token is invalid!");
1274   SizeBound = StringToks[0].getLength()-2;  // -2 for "".
1275   Kind = StringToks[0].getKind();
1276
1277   hadError = false;
1278
1279   // Implement Translation Phase #6: concatenation of string literals
1280   /// (C99 5.1.1.2p1).  The common case is only one string fragment.
1281   for (unsigned i = 1; i != StringToks.size(); ++i) {
1282     if (StringToks[i].getLength() < 2)
1283       return DiagnoseLexingError(StringToks[i].getLocation());
1284
1285     // The string could be shorter than this if it needs cleaning, but this is a
1286     // reasonable bound, which is all we need.
1287     assert(StringToks[i].getLength() >= 2 && "literal token is invalid!");
1288     SizeBound += StringToks[i].getLength()-2;  // -2 for "".
1289
1290     // Remember maximum string piece length.
1291     if (StringToks[i].getLength() > MaxTokenLength)
1292       MaxTokenLength = StringToks[i].getLength();
1293
1294     // Remember if we see any wide or utf-8/16/32 strings.
1295     // Also check for illegal concatenations.
1296     if (StringToks[i].isNot(Kind) && StringToks[i].isNot(tok::string_literal)) {
1297       if (isAscii()) {
1298         Kind = StringToks[i].getKind();
1299       } else {
1300         if (Diags)
1301           Diags->Report(StringToks[i].getLocation(),
1302                         diag::err_unsupported_string_concat);
1303         hadError = true;
1304       }
1305     }
1306   }
1307
1308   // Include space for the null terminator.
1309   ++SizeBound;
1310
1311   // TODO: K&R warning: "traditional C rejects string constant concatenation"
1312
1313   // Get the width in bytes of char/wchar_t/char16_t/char32_t
1314   CharByteWidth = getCharWidth(Kind, Target);
1315   assert((CharByteWidth & 7) == 0 && "Assumes character size is byte multiple");
1316   CharByteWidth /= 8;
1317
1318   // The output buffer size needs to be large enough to hold wide characters.
1319   // This is a worst-case assumption which basically corresponds to L"" "long".
1320   SizeBound *= CharByteWidth;
1321
1322   // Size the temporary buffer to hold the result string data.
1323   ResultBuf.resize(SizeBound);
1324
1325   // Likewise, but for each string piece.
1326   SmallString<512> TokenBuf;
1327   TokenBuf.resize(MaxTokenLength);
1328
1329   // Loop over all the strings, getting their spelling, and expanding them to
1330   // wide strings as appropriate.
1331   ResultPtr = &ResultBuf[0];   // Next byte to fill in.
1332
1333   Pascal = false;
1334
1335   SourceLocation UDSuffixTokLoc;
1336
1337   for (unsigned i = 0, e = StringToks.size(); i != e; ++i) {
1338     const char *ThisTokBuf = &TokenBuf[0];
1339     // Get the spelling of the token, which eliminates trigraphs, etc.  We know
1340     // that ThisTokBuf points to a buffer that is big enough for the whole token
1341     // and 'spelled' tokens can only shrink.
1342     bool StringInvalid = false;
1343     unsigned ThisTokLen =
1344       Lexer::getSpelling(StringToks[i], ThisTokBuf, SM, Features,
1345                          &StringInvalid);
1346     if (StringInvalid)
1347       return DiagnoseLexingError(StringToks[i].getLocation());
1348
1349     const char *ThisTokBegin = ThisTokBuf;
1350     const char *ThisTokEnd = ThisTokBuf+ThisTokLen;
1351
1352     // Remove an optional ud-suffix.
1353     if (ThisTokEnd[-1] != '"') {
1354       const char *UDSuffixEnd = ThisTokEnd;
1355       do {
1356         --ThisTokEnd;
1357       } while (ThisTokEnd[-1] != '"');
1358
1359       StringRef UDSuffix(ThisTokEnd, UDSuffixEnd - ThisTokEnd);
1360
1361       if (UDSuffixBuf.empty()) {
1362         if (StringToks[i].hasUCN())
1363           expandUCNs(UDSuffixBuf, UDSuffix);
1364         else
1365           UDSuffixBuf.assign(UDSuffix);
1366         UDSuffixToken = i;
1367         UDSuffixOffset = ThisTokEnd - ThisTokBuf;
1368         UDSuffixTokLoc = StringToks[i].getLocation();
1369       } else {
1370         SmallString<32> ExpandedUDSuffix;
1371         if (StringToks[i].hasUCN()) {
1372           expandUCNs(ExpandedUDSuffix, UDSuffix);
1373           UDSuffix = ExpandedUDSuffix;
1374         }
1375
1376         // C++11 [lex.ext]p8: At the end of phase 6, if a string literal is the
1377         // result of a concatenation involving at least one user-defined-string-
1378         // literal, all the participating user-defined-string-literals shall
1379         // have the same ud-suffix.
1380         if (UDSuffixBuf != UDSuffix) {
1381           if (Diags) {
1382             SourceLocation TokLoc = StringToks[i].getLocation();
1383             Diags->Report(TokLoc, diag::err_string_concat_mixed_suffix)
1384               << UDSuffixBuf << UDSuffix
1385               << SourceRange(UDSuffixTokLoc, UDSuffixTokLoc)
1386               << SourceRange(TokLoc, TokLoc);
1387           }
1388           hadError = true;
1389         }
1390       }
1391     }
1392
1393     // Strip the end quote.
1394     --ThisTokEnd;
1395
1396     // TODO: Input character set mapping support.
1397
1398     // Skip marker for wide or unicode strings.
1399     if (ThisTokBuf[0] == 'L' || ThisTokBuf[0] == 'u' || ThisTokBuf[0] == 'U') {
1400       ++ThisTokBuf;
1401       // Skip 8 of u8 marker for utf8 strings.
1402       if (ThisTokBuf[0] == '8')
1403         ++ThisTokBuf;
1404     }
1405
1406     // Check for raw string
1407     if (ThisTokBuf[0] == 'R') {
1408       ThisTokBuf += 2; // skip R"
1409
1410       const char *Prefix = ThisTokBuf;
1411       while (ThisTokBuf[0] != '(')
1412         ++ThisTokBuf;
1413       ++ThisTokBuf; // skip '('
1414
1415       // Remove same number of characters from the end
1416       ThisTokEnd -= ThisTokBuf - Prefix;
1417       assert(ThisTokEnd >= ThisTokBuf && "malformed raw string literal");
1418
1419       // C++14 [lex.string]p4: A source-file new-line in a raw string literal
1420       // results in a new-line in the resulting execution string-literal.
1421       StringRef RemainingTokenSpan(ThisTokBuf, ThisTokEnd - ThisTokBuf);
1422       while (!RemainingTokenSpan.empty()) {
1423         // Split the string literal on \r\n boundaries.
1424         size_t CRLFPos = RemainingTokenSpan.find("\r\n");
1425         StringRef BeforeCRLF = RemainingTokenSpan.substr(0, CRLFPos);
1426         StringRef AfterCRLF = RemainingTokenSpan.substr(CRLFPos);
1427
1428         // Copy everything before the \r\n sequence into the string literal.
1429         if (CopyStringFragment(StringToks[i], ThisTokBegin, BeforeCRLF))
1430           hadError = true;
1431
1432         // Point into the \n inside the \r\n sequence and operate on the
1433         // remaining portion of the literal.
1434         RemainingTokenSpan = AfterCRLF.substr(1);
1435       }
1436     } else {
1437       if (ThisTokBuf[0] != '"') {
1438         // The file may have come from PCH and then changed after loading the
1439         // PCH; Fail gracefully.
1440         return DiagnoseLexingError(StringToks[i].getLocation());
1441       }
1442       ++ThisTokBuf; // skip "
1443
1444       // Check if this is a pascal string
1445       if (Features.PascalStrings && ThisTokBuf + 1 != ThisTokEnd &&
1446           ThisTokBuf[0] == '\\' && ThisTokBuf[1] == 'p') {
1447
1448         // If the \p sequence is found in the first token, we have a pascal string
1449         // Otherwise, if we already have a pascal string, ignore the first \p
1450         if (i == 0) {
1451           ++ThisTokBuf;
1452           Pascal = true;
1453         } else if (Pascal)
1454           ThisTokBuf += 2;
1455       }
1456
1457       while (ThisTokBuf != ThisTokEnd) {
1458         // Is this a span of non-escape characters?
1459         if (ThisTokBuf[0] != '\\') {
1460           const char *InStart = ThisTokBuf;
1461           do {
1462             ++ThisTokBuf;
1463           } while (ThisTokBuf != ThisTokEnd && ThisTokBuf[0] != '\\');
1464
1465           // Copy the character span over.
1466           if (CopyStringFragment(StringToks[i], ThisTokBegin,
1467                                  StringRef(InStart, ThisTokBuf - InStart)))
1468             hadError = true;
1469           continue;
1470         }
1471         // Is this a Universal Character Name escape?
1472         if (ThisTokBuf[1] == 'u' || ThisTokBuf[1] == 'U') {
1473           EncodeUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd,
1474                           ResultPtr, hadError,
1475                           FullSourceLoc(StringToks[i].getLocation(), SM),
1476                           CharByteWidth, Diags, Features);
1477           continue;
1478         }
1479         // Otherwise, this is a non-UCN escape character.  Process it.
1480         unsigned ResultChar =
1481           ProcessCharEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, hadError,
1482                             FullSourceLoc(StringToks[i].getLocation(), SM),
1483                             CharByteWidth*8, Diags, Features);
1484
1485         if (CharByteWidth == 4) {
1486           // FIXME: Make the type of the result buffer correct instead of
1487           // using reinterpret_cast.
1488           UTF32 *ResultWidePtr = reinterpret_cast<UTF32*>(ResultPtr);
1489           *ResultWidePtr = ResultChar;
1490           ResultPtr += 4;
1491         } else if (CharByteWidth == 2) {
1492           // FIXME: Make the type of the result buffer correct instead of
1493           // using reinterpret_cast.
1494           UTF16 *ResultWidePtr = reinterpret_cast<UTF16*>(ResultPtr);
1495           *ResultWidePtr = ResultChar & 0xFFFF;
1496           ResultPtr += 2;
1497         } else {
1498           assert(CharByteWidth == 1 && "Unexpected char width");
1499           *ResultPtr++ = ResultChar & 0xFF;
1500         }
1501       }
1502     }
1503   }
1504
1505   if (Pascal) {
1506     if (CharByteWidth == 4) {
1507       // FIXME: Make the type of the result buffer correct instead of
1508       // using reinterpret_cast.
1509       UTF32 *ResultWidePtr = reinterpret_cast<UTF32*>(ResultBuf.data());
1510       ResultWidePtr[0] = GetNumStringChars() - 1;
1511     } else if (CharByteWidth == 2) {
1512       // FIXME: Make the type of the result buffer correct instead of
1513       // using reinterpret_cast.
1514       UTF16 *ResultWidePtr = reinterpret_cast<UTF16*>(ResultBuf.data());
1515       ResultWidePtr[0] = GetNumStringChars() - 1;
1516     } else {
1517       assert(CharByteWidth == 1 && "Unexpected char width");
1518       ResultBuf[0] = GetNumStringChars() - 1;
1519     }
1520
1521     // Verify that pascal strings aren't too large.
1522     if (GetStringLength() > 256) {
1523       if (Diags)
1524         Diags->Report(StringToks.front().getLocation(),
1525                       diag::err_pascal_string_too_long)
1526           << SourceRange(StringToks.front().getLocation(),
1527                          StringToks.back().getLocation());
1528       hadError = true;
1529       return;
1530     }
1531   } else if (Diags) {
1532     // Complain if this string literal has too many characters.
1533     unsigned MaxChars = Features.CPlusPlus? 65536 : Features.C99 ? 4095 : 509;
1534
1535     if (GetNumStringChars() > MaxChars)
1536       Diags->Report(StringToks.front().getLocation(),
1537                     diag::ext_string_too_long)
1538         << GetNumStringChars() << MaxChars
1539         << (Features.CPlusPlus ? 2 : Features.C99 ? 1 : 0)
1540         << SourceRange(StringToks.front().getLocation(),
1541                        StringToks.back().getLocation());
1542   }
1543 }
1544
1545 static const char *resyncUTF8(const char *Err, const char *End) {
1546   if (Err == End)
1547     return End;
1548   End = Err + std::min<unsigned>(getNumBytesForUTF8(*Err), End-Err);
1549   while (++Err != End && (*Err & 0xC0) == 0x80)
1550     ;
1551   return Err;
1552 }
1553
1554 /// \brief This function copies from Fragment, which is a sequence of bytes
1555 /// within Tok's contents (which begin at TokBegin) into ResultPtr.
1556 /// Performs widening for multi-byte characters.
1557 bool StringLiteralParser::CopyStringFragment(const Token &Tok,
1558                                              const char *TokBegin,
1559                                              StringRef Fragment) {
1560   const UTF8 *ErrorPtrTmp;
1561   if (ConvertUTF8toWide(CharByteWidth, Fragment, ResultPtr, ErrorPtrTmp))
1562     return false;
1563
1564   // If we see bad encoding for unprefixed string literals, warn and
1565   // simply copy the byte values, for compatibility with gcc and older
1566   // versions of clang.
1567   bool NoErrorOnBadEncoding = isAscii();
1568   if (NoErrorOnBadEncoding) {
1569     memcpy(ResultPtr, Fragment.data(), Fragment.size());
1570     ResultPtr += Fragment.size();
1571   }
1572
1573   if (Diags) {
1574     const char *ErrorPtr = reinterpret_cast<const char *>(ErrorPtrTmp);
1575
1576     FullSourceLoc SourceLoc(Tok.getLocation(), SM);
1577     const DiagnosticBuilder &Builder =
1578       Diag(Diags, Features, SourceLoc, TokBegin,
1579            ErrorPtr, resyncUTF8(ErrorPtr, Fragment.end()),
1580            NoErrorOnBadEncoding ? diag::warn_bad_string_encoding
1581                                 : diag::err_bad_string_encoding);
1582
1583     const char *NextStart = resyncUTF8(ErrorPtr, Fragment.end());
1584     StringRef NextFragment(NextStart, Fragment.end()-NextStart);
1585
1586     // Decode into a dummy buffer.
1587     SmallString<512> Dummy;
1588     Dummy.reserve(Fragment.size() * CharByteWidth);
1589     char *Ptr = Dummy.data();
1590
1591     while (!ConvertUTF8toWide(CharByteWidth, NextFragment, Ptr, ErrorPtrTmp)) {
1592       const char *ErrorPtr = reinterpret_cast<const char *>(ErrorPtrTmp);
1593       NextStart = resyncUTF8(ErrorPtr, Fragment.end());
1594       Builder << MakeCharSourceRange(Features, SourceLoc, TokBegin,
1595                                      ErrorPtr, NextStart);
1596       NextFragment = StringRef(NextStart, Fragment.end()-NextStart);
1597     }
1598   }
1599   return !NoErrorOnBadEncoding;
1600 }
1601
1602 void StringLiteralParser::DiagnoseLexingError(SourceLocation Loc) {
1603   hadError = true;
1604   if (Diags)
1605     Diags->Report(Loc, diag::err_lexing_string);
1606 }
1607
1608 /// getOffsetOfStringByte - This function returns the offset of the
1609 /// specified byte of the string data represented by Token.  This handles
1610 /// advancing over escape sequences in the string.
1611 unsigned StringLiteralParser::getOffsetOfStringByte(const Token &Tok,
1612                                                     unsigned ByteNo) const {
1613   // Get the spelling of the token.
1614   SmallString<32> SpellingBuffer;
1615   SpellingBuffer.resize(Tok.getLength());
1616
1617   bool StringInvalid = false;
1618   const char *SpellingPtr = &SpellingBuffer[0];
1619   unsigned TokLen = Lexer::getSpelling(Tok, SpellingPtr, SM, Features,
1620                                        &StringInvalid);
1621   if (StringInvalid)
1622     return 0;
1623
1624   const char *SpellingStart = SpellingPtr;
1625   const char *SpellingEnd = SpellingPtr+TokLen;
1626
1627   // Handle UTF-8 strings just like narrow strings.
1628   if (SpellingPtr[0] == 'u' && SpellingPtr[1] == '8')
1629     SpellingPtr += 2;
1630
1631   assert(SpellingPtr[0] != 'L' && SpellingPtr[0] != 'u' &&
1632          SpellingPtr[0] != 'U' && "Doesn't handle wide or utf strings yet");
1633
1634   // For raw string literals, this is easy.
1635   if (SpellingPtr[0] == 'R') {
1636     assert(SpellingPtr[1] == '"' && "Should be a raw string literal!");
1637     // Skip 'R"'.
1638     SpellingPtr += 2;
1639     while (*SpellingPtr != '(') {
1640       ++SpellingPtr;
1641       assert(SpellingPtr < SpellingEnd && "Missing ( for raw string literal");
1642     }
1643     // Skip '('.
1644     ++SpellingPtr;
1645     return SpellingPtr - SpellingStart + ByteNo;
1646   }
1647
1648   // Skip over the leading quote
1649   assert(SpellingPtr[0] == '"' && "Should be a string literal!");
1650   ++SpellingPtr;
1651
1652   // Skip over bytes until we find the offset we're looking for.
1653   while (ByteNo) {
1654     assert(SpellingPtr < SpellingEnd && "Didn't find byte offset!");
1655
1656     // Step over non-escapes simply.
1657     if (*SpellingPtr != '\\') {
1658       ++SpellingPtr;
1659       --ByteNo;
1660       continue;
1661     }
1662
1663     // Otherwise, this is an escape character.  Advance over it.
1664     bool HadError = false;
1665     if (SpellingPtr[1] == 'u' || SpellingPtr[1] == 'U') {
1666       const char *EscapePtr = SpellingPtr;
1667       unsigned Len = MeasureUCNEscape(SpellingStart, SpellingPtr, SpellingEnd,
1668                                       1, Features, HadError);
1669       if (Len > ByteNo) {
1670         // ByteNo is somewhere within the escape sequence.
1671         SpellingPtr = EscapePtr;
1672         break;
1673       }
1674       ByteNo -= Len;
1675     } else {
1676       ProcessCharEscape(SpellingStart, SpellingPtr, SpellingEnd, HadError,
1677                         FullSourceLoc(Tok.getLocation(), SM),
1678                         CharByteWidth*8, Diags, Features);
1679       --ByteNo;
1680     }
1681     assert(!HadError && "This method isn't valid on erroneous strings");
1682   }
1683
1684   return SpellingPtr-SpellingStart;
1685 }