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_string_literal:
  32     return Target.getCharWidth();
  33   case tok::wide_char_constant:
  34   case tok::wide_string_literal:
  35     return Target.getWCharWidth();
  36   case tok::utf16_char_constant:
  37   case tok::utf16_string_literal:
  38     return Target.getChar16Width();
  39   case tok::utf32_char_constant:
  40   case tok::utf32_string_literal:
  41     return Target.getChar32Width();
  42   }
  43 }
  44
  45 static CharSourceRange MakeCharSourceRange(const LangOptions &Features,
  46                                            FullSourceLoc TokLoc,
  47                                            const char *TokBegin,
  48                                            const char *TokRangeBegin,
  49                                            const char *TokRangeEnd) {
  50   SourceLocation Begin =
  51     Lexer::AdvanceToTokenCharacter(TokLoc, TokRangeBegin - TokBegin,
  52                                    TokLoc.getManager(), Features);
  53   SourceLocation End =
  54     Lexer::AdvanceToTokenCharacter(Begin, TokRangeEnd - TokRangeBegin,
  55                                    TokLoc.getManager(), Features);
  56   return CharSourceRange::getCharRange(Begin, End);
  57 }
  58
  59 /// \brief Produce a diagnostic highlighting some portion of a literal.
  60 ///
  61 /// Emits the diagnostic \p DiagID, highlighting the range of characters from
  62 /// \p TokRangeBegin (inclusive) to \p TokRangeEnd (exclusive), which must be
  63 /// a substring of a spelling buffer for the token beginning at \p TokBegin.
  64 static DiagnosticBuilder Diag(DiagnosticsEngine *Diags,
  65                               const LangOptions &Features, FullSourceLoc TokLoc,
  66                               const char *TokBegin, const char *TokRangeBegin,
  67                               const char *TokRangeEnd, unsigned DiagID) {
  68   SourceLocation Begin =
  69     Lexer::AdvanceToTokenCharacter(TokLoc, TokRangeBegin - TokBegin,
  70                                    TokLoc.getManager(), Features);
  71   return Diags->Report(Begin, DiagID) <<
  72     MakeCharSourceRange(Features, TokLoc, TokBegin, TokRangeBegin, TokRangeEnd);
  73 }
  74
  75 /// ProcessCharEscape - Parse a standard C escape sequence, which can occur in
  76 /// either a character or a string literal.
  77 static unsigned ProcessCharEscape(const char *ThisTokBegin,
  78                                   const char *&ThisTokBuf,
  79                                   const char *ThisTokEnd, bool &HadError,
  80                                   FullSourceLoc Loc, unsigned CharWidth,
  81                                   DiagnosticsEngine *Diags,
  82                                   const LangOptions &Features) {
  83   const char *EscapeBegin = ThisTokBuf;
  84
  85   // Skip the '\' char.
  86   ++ThisTokBuf;
  87
  88   // We know that this character can't be off the end of the buffer, because
  89   // that would have been \", which would not have been the end of string.
  90   unsigned ResultChar = *ThisTokBuf++;
  91   switch (ResultChar) {
  92   // These map to themselves.
  93   case '\\': case '\'': case '"': case '?': break;
  94
  95     // These have fixed mappings.
  96   case 'a':
  97     // TODO: K&R: the meaning of '\\a' is different in traditional C
  98     ResultChar = 7;
  99     break;
 100   case 'b':
 101     ResultChar = 8;
 102     break;
 103   case 'e':
 104     if (Diags)
 105       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 106            diag::ext_nonstandard_escape) << "e";
 107     ResultChar = 27;
 108     break;
 109   case 'E':
 110     if (Diags)
 111       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 112            diag::ext_nonstandard_escape) << "E";
 113     ResultChar = 27;
 114     break;
 115   case 'f':
 116     ResultChar = 12;
 117     break;
 118   case 'n':
 119     ResultChar = 10;
 120     break;
 121   case 'r':
 122     ResultChar = 13;
 123     break;
 124   case 't':
 125     ResultChar = 9;
 126     break;
 127   case 'v':
 128     ResultChar = 11;
 129     break;
 130   case 'x': { // Hex escape.
 131     ResultChar = 0;
 132     if (ThisTokBuf == ThisTokEnd || !isHexDigit(*ThisTokBuf)) {
 133       if (Diags)
 134         Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 135              diag::err_hex_escape_no_digits) << "x";
 136       HadError = 1;
 137       break;
 138     }
 139
 140     // Hex escapes are a maximal series of hex digits.
 141     bool Overflow = false;
 142     for (; ThisTokBuf != ThisTokEnd; ++ThisTokBuf) {
 143       int CharVal = llvm::hexDigitValue(ThisTokBuf[0]);
 144       if (CharVal == -1) break;
 145       // About to shift out a digit?
 146       Overflow |= (ResultChar & 0xF0000000) ? true : false;
 147       ResultChar <<= 4;
 148       ResultChar |= CharVal;
 149     }
 150
 151     // See if any bits will be truncated when evaluated as a character.
 152     if (CharWidth != 32 && (ResultChar >> CharWidth) != 0) {
 153       Overflow = true;
 154       ResultChar &= ~0U >> (32-CharWidth);
 155     }
 156
 157     // Check for overflow.
 158     if (Overflow && Diags)   // Too many digits to fit in
 159       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 160            diag::warn_hex_escape_too_large);
 161     break;
 162   }
 163   case '0': case '1': case '2': case '3':
 164   case '4': case '5': case '6': case '7': {
 165     // Octal escapes.
 166     --ThisTokBuf;
 167     ResultChar = 0;
 168
 169     // Octal escapes are a series of octal digits with maximum length 3.
 170     // "\0123" is a two digit sequence equal to "\012" "3".
 171     unsigned NumDigits = 0;
 172     do {
 173       ResultChar <<= 3;
 174       ResultChar |= *ThisTokBuf++ - '0';
 175       ++NumDigits;
 176     } while (ThisTokBuf != ThisTokEnd && NumDigits < 3 &&
 177              ThisTokBuf[0] >= '0' && ThisTokBuf[0] <= '7');
 178
 179     // Check for overflow.  Reject '\777', but not L'\777'.
 180     if (CharWidth != 32 && (ResultChar >> CharWidth) != 0) {
 181       if (Diags)
 182         Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 183              diag::warn_octal_escape_too_large);
 184       ResultChar &= ~0U >> (32-CharWidth);
 185     }
 186     break;
 187   }
 188
 189     // Otherwise, these are not valid escapes.
 190   case '(': case '{': case '[': case '%':
 191     // GCC accepts these as extensions.  We warn about them as such though.
 192     if (Diags)
 193       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 194            diag::ext_nonstandard_escape)
 195         << std::string(1, ResultChar);
 196     break;
 197   default:
 198     if (Diags == 0)
 199       break;
 200
 201     if (isPrintable(ResultChar))
 202       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 203            diag::ext_unknown_escape)
 204         << std::string(1, ResultChar);
 205     else
 206       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 207            diag::ext_unknown_escape)
 208         << "x" + llvm::utohexstr(ResultChar);
 209     break;
 210   }
 211
 212   return ResultChar;
 213 }
 214
 215 /// ProcessUCNEscape - Read the Universal Character Name, check constraints and
 216 /// return the UTF32.
 217 static bool ProcessUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 218                              const char *ThisTokEnd,
 219                              uint32_t &UcnVal, unsigned short &UcnLen,
 220                              FullSourceLoc Loc, DiagnosticsEngine *Diags,
 221                              const LangOptions &Features,
 222                              bool in_char_string_literal = false) {
 223   const char *UcnBegin = ThisTokBuf;
 224
 225   // Skip the '\u' char's.
 226   ThisTokBuf += 2;
 227
 228   if (ThisTokBuf == ThisTokEnd || !isHexDigit(*ThisTokBuf)) {
 229     if (Diags)
 230       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 231            diag::err_hex_escape_no_digits) << StringRef(&ThisTokBuf[-1], 1);
 232     return false;
 233   }
 234   UcnLen = (ThisTokBuf[-1] == 'u' ? 4 : 8);
 235   unsigned short UcnLenSave = UcnLen;
 236   for (; ThisTokBuf != ThisTokEnd && UcnLenSave; ++ThisTokBuf, UcnLenSave--) {
 237     int CharVal = llvm::hexDigitValue(ThisTokBuf[0]);
 238     if (CharVal == -1) break;
 239     UcnVal <<= 4;
 240     UcnVal |= CharVal;
 241   }
 242   // If we didn't consume the proper number of digits, there is a problem.
 243   if (UcnLenSave) {
 244     if (Diags)
 245       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 246            diag::err_ucn_escape_incomplete);
 247     return false;
 248   }
 249
 250   // Check UCN constraints (C99 6.4.3p2) [C++11 lex.charset p2]
 251   if ((0xD800 <= UcnVal && UcnVal <= 0xDFFF) || // surrogate codepoints
 252       UcnVal > 0x10FFFF) {                      // maximum legal UTF32 value
 253     if (Diags)
 254       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 255            diag::err_ucn_escape_invalid);
 256     return false;
 257   }
 258
 259   // C++11 allows UCNs that refer to control characters and basic source
 260   // characters inside character and string literals
 261   if (UcnVal < 0xa0 &&
 262       (UcnVal != 0x24 && UcnVal != 0x40 && UcnVal != 0x60)) {  // $, @, `
 263     bool IsError = (!Features.CPlusPlus11 || !in_char_string_literal);
 264     if (Diags) {
 265       char BasicSCSChar = UcnVal;
 266       if (UcnVal >= 0x20 && UcnVal < 0x7f)
 267         Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 268              IsError ? diag::err_ucn_escape_basic_scs :
 269                        diag::warn_cxx98_compat_literal_ucn_escape_basic_scs)
 270             << StringRef(&BasicSCSChar, 1);
 271       else
 272         Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 273              IsError ? diag::err_ucn_control_character :
 274                        diag::warn_cxx98_compat_literal_ucn_control_character);
 275     }
 276     if (IsError)
 277       return false;
 278   }
 279
 280   if (!Features.CPlusPlus && !Features.C99 && Diags)
 281     Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 282          diag::warn_ucn_not_valid_in_c89_literal);
 283
 284   return true;
 285 }
 286
 287 /// MeasureUCNEscape - Determine the number of bytes within the resulting string
 288 /// which this UCN will occupy.
 289 static int MeasureUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 290                             const char *ThisTokEnd, unsigned CharByteWidth,
 291                             const LangOptions &Features, bool &HadError) {
 292   // UTF-32: 4 bytes per escape.
 293   if (CharByteWidth == 4)
 294     return 4;
 295
 296   uint32_t UcnVal = 0;
 297   unsigned short UcnLen = 0;
 298   FullSourceLoc Loc;
 299
 300   if (!ProcessUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, UcnVal,
 301                         UcnLen, Loc, 0, Features, true)) {
 302     HadError = true;
 303     return 0;
 304   }
 305
 306   // UTF-16: 2 bytes for BMP, 4 bytes otherwise.
 307   if (CharByteWidth == 2)
 308     return UcnVal <= 0xFFFF ? 2 : 4;
 309
 310   // UTF-8.
 311   if (UcnVal < 0x80)
 312     return 1;
 313   if (UcnVal < 0x800)
 314     return 2;
 315   if (UcnVal < 0x10000)
 316     return 3;
 317   return 4;
 318 }
 319
 320 /// EncodeUCNEscape - Read the Universal Character Name, check constraints and
 321 /// convert the UTF32 to UTF8 or UTF16. This is a subroutine of
 322 /// StringLiteralParser. When we decide to implement UCN's for identifiers,
 323 /// we will likely rework our support for UCN's.
 324 static void EncodeUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 325                             const char *ThisTokEnd,
 326                             char *&ResultBuf, bool &HadError,
 327                             FullSourceLoc Loc, unsigned CharByteWidth,
 328                             DiagnosticsEngine *Diags,
 329                             const LangOptions &Features) {
 330   typedef uint32_t UTF32;
 331   UTF32 UcnVal = 0;
 332   unsigned short UcnLen = 0;
 333   if (!ProcessUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, UcnVal, UcnLen,
 334                         Loc, Diags, Features, true)) {
 335     HadError = true;
 336     return;
 337   }
 338
 339   assert((CharByteWidth == 1 || CharByteWidth == 2 || CharByteWidth) &&
 340          "only character widths of 1, 2, or 4 bytes supported");
 341
 342   (void)UcnLen;
 343   assert((UcnLen== 4 || UcnLen== 8) && "only ucn length of 4 or 8 supported");
 344
 345   if (CharByteWidth == 4) {
 346     // FIXME: Make the type of the result buffer correct instead of
 347     // using reinterpret_cast.
 348     UTF32 *ResultPtr = reinterpret_cast<UTF32*>(ResultBuf);
 349     *ResultPtr = UcnVal;
 350     ResultBuf += 4;
 351     return;
 352   }
 353
 354   if (CharByteWidth == 2) {
 355     // FIXME: Make the type of the result buffer correct instead of
 356     // using reinterpret_cast.
 357     UTF16 *ResultPtr = reinterpret_cast<UTF16*>(ResultBuf);
 358
 359     if (UcnVal <= (UTF32)0xFFFF) {
 360       *ResultPtr = UcnVal;
 361       ResultBuf += 2;
 362       return;
 363     }
 364
 365     // Convert to UTF16.
 366     UcnVal -= 0x10000;
 367     *ResultPtr     = 0xD800 + (UcnVal >> 10);
 368     *(ResultPtr+1) = 0xDC00 + (UcnVal & 0x3FF);
 369     ResultBuf += 4;
 370     return;
 371   }
 372
 373   assert(CharByteWidth == 1 && "UTF-8 encoding is only for 1 byte characters");
 374
 375   // Now that we've parsed/checked the UCN, we convert from UTF32->UTF8.
 376   // The conversion below was inspired by:
 377   //   http://www.unicode.org/Public/PROGRAMS/CVTUTF/ConvertUTF.c
 378   // First, we determine how many bytes the result will require.
 379   typedef uint8_t UTF8;
 380
 381   unsigned short bytesToWrite = 0;
 382   if (UcnVal < (UTF32)0x80)
 383     bytesToWrite = 1;
 384   else if (UcnVal < (UTF32)0x800)
 385     bytesToWrite = 2;
 386   else if (UcnVal < (UTF32)0x10000)
 387     bytesToWrite = 3;
 388   else
 389     bytesToWrite = 4;
 390
 391   const unsigned byteMask = 0xBF;
 392   const unsigned byteMark = 0x80;
 393
 394   // Once the bits are split out into bytes of UTF8, this is a mask OR-ed
 395   // into the first byte, depending on how many bytes follow.
 396   static const UTF8 firstByteMark[5] = {
 397     0x00, 0x00, 0xC0, 0xE0, 0xF0
 398   };
 399   // Finally, we write the bytes into ResultBuf.
 400   ResultBuf += bytesToWrite;
 401   switch (bytesToWrite) { // note: everything falls through.
 402   case 4: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 403   case 3: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 404   case 2: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 405   case 1: *--ResultBuf = (UTF8) (UcnVal | firstByteMark[bytesToWrite]);
 406   }
 407   // Update the buffer.
 408   ResultBuf += bytesToWrite;
 409 }
 410
 411
 412 ///       integer-constant: [C99 6.4.4.1]
 413 ///         decimal-constant integer-suffix
 414 ///         octal-constant integer-suffix
 415 ///         hexadecimal-constant integer-suffix
 416 ///       user-defined-integer-literal: [C++11 lex.ext]
 417 ///         decimal-literal ud-suffix
 418 ///         octal-literal ud-suffix
 419 ///         hexadecimal-literal ud-suffix
 420 ///       decimal-constant:
 421 ///         nonzero-digit
 422 ///         decimal-constant digit
 423 ///       octal-constant:
 424 ///         0
 425 ///         octal-constant octal-digit
 426 ///       hexadecimal-constant:
 427 ///         hexadecimal-prefix hexadecimal-digit
 428 ///         hexadecimal-constant hexadecimal-digit
 429 ///       hexadecimal-prefix: one of
 430 ///         0x 0X
 431 ///       integer-suffix:
 432 ///         unsigned-suffix [long-suffix]
 433 ///         unsigned-suffix [long-long-suffix]
 434 ///         long-suffix [unsigned-suffix]
 435 ///         long-long-suffix [unsigned-sufix]
 436 ///       nonzero-digit:
 437 ///         1 2 3 4 5 6 7 8 9
 438 ///       octal-digit:
 439 ///         0 1 2 3 4 5 6 7
 440 ///       hexadecimal-digit:
 441 ///         0 1 2 3 4 5 6 7 8 9
 442 ///         a b c d e f
 443 ///         A B C D E F
 444 ///       unsigned-suffix: one of
 445 ///         u U
 446 ///       long-suffix: one of
 447 ///         l L
 448 ///       long-long-suffix: one of
 449 ///         ll LL
 450 ///
 451 ///       floating-constant: [C99 6.4.4.2]
 452 ///         TODO: add rules...
 453 ///
 454 NumericLiteralParser::NumericLiteralParser(StringRef TokSpelling,
 455                                            SourceLocation TokLoc,
 456                                            Preprocessor &PP)
 457   : PP(PP), ThisTokBegin(TokSpelling.begin()), ThisTokEnd(TokSpelling.end()) {
 458
 459   // This routine assumes that the range begin/end matches the regex for integer
 460   // and FP constants (specifically, the 'pp-number' regex), and assumes that
 461   // the byte at "*end" is both valid and not part of the regex.  Because of
 462   // this, it doesn't have to check for 'overscan' in various places.
 463   assert(!isPreprocessingNumberBody(*ThisTokEnd) && "didn't maximally munch?");
 464
 465   s = DigitsBegin = ThisTokBegin;
 466   saw_exponent = false;
 467   saw_period = false;
 468   saw_ud_suffix = false;
 469   isLong = false;
 470   isUnsigned = false;
 471   isLongLong = false;
 472   isFloat = false;
 473   isImaginary = false;
 474   isMicrosoftInteger = false;
 475   hadError = false;
 476
 477   if (*s == '0') { // parse radix
 478     ParseNumberStartingWithZero(TokLoc);
 479     if (hadError)
 480       return;
 481   } else { // the first digit is non-zero
 482     radix = 10;
 483     s = SkipDigits(s);
 484     if (s == ThisTokEnd) {
 485       // Done.
 486     } else if (isHexDigit(*s) && !(*s == 'e' || *s == 'E')) {
 487       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 488               diag::err_invalid_decimal_digit) << StringRef(s, 1);
 489       hadError = true;
 490       return;
 491     } else if (*s == '.') {
 492       s++;
 493       saw_period = true;
 494       s = SkipDigits(s);
 495     }
 496     if ((*s == 'e' || *s == 'E')) { // exponent
 497       const char *Exponent = s;
 498       s++;
 499       saw_exponent = true;
 500       if (*s == '+' || *s == '-')  s++; // sign
 501       const char *first_non_digit = SkipDigits(s);
 502       if (first_non_digit != s) {
 503         s = first_non_digit;
 504       } else {
 505         PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent - ThisTokBegin),
 506                 diag::err_exponent_has_no_digits);
 507         hadError = true;
 508         return;
 509       }
 510     }
 511   }
 512
 513   SuffixBegin = s;
 514
 515   // Parse the suffix.  At this point we can classify whether we have an FP or
 516   // integer constant.
 517   bool isFPConstant = isFloatingLiteral();
 518
 519   // Loop over all of the characters of the suffix.  If we see something bad,
 520   // we break out of the loop.
 521   for (; s != ThisTokEnd; ++s) {
 522     switch (*s) {
 523     case 'f':      // FP Suffix for "float"
 524     case 'F':
 525       if (!isFPConstant) break;  // Error for integer constant.
 526       if (isFloat || isLong) break; // FF, LF invalid.
 527       isFloat = true;
 528       continue;  // Success.
 529     case 'u':
 530     case 'U':
 531       if (isFPConstant) break;  // Error for floating constant.
 532       if (isUnsigned) break;    // Cannot be repeated.
 533       isUnsigned = true;
 534       continue;  // Success.
 535     case 'l':
 536     case 'L':
 537       if (isLong || isLongLong) break;  // Cannot be repeated.
 538       if (isFloat) break;               // LF invalid.
 539
 540       // Check for long long.  The L's need to be adjacent and the same case.
 541       if (s+1 != ThisTokEnd && s[1] == s[0]) {
 542         if (isFPConstant) break;        // long long invalid for floats.
 543         isLongLong = true;
 544         ++s;  // Eat both of them.
 545       } else {
 546         isLong = true;
 547       }
 548       continue;  // Success.
 549     case 'i':
 550     case 'I':
 551       if (PP.getLangOpts().MicrosoftExt) {
 552         if (isFPConstant || isLong || isLongLong) break;
 553
 554         // Allow i8, i16, i32, i64, and i128.
 555         if (s + 1 != ThisTokEnd) {
 556           switch (s[1]) {
 557             case '8':
 558               s += 2; // i8 suffix
 559               isMicrosoftInteger = true;
 560               break;
 561             case '1':
 562               if (s + 2 == ThisTokEnd) break;
 563               if (s[2] == '6') {
 564                 s += 3; // i16 suffix
 565                 isMicrosoftInteger = true;
 566               }
 567               else if (s[2] == '2') {
 568                 if (s + 3 == ThisTokEnd) break;
 569                 if (s[3] == '8') {
 570                   s += 4; // i128 suffix
 571                   isMicrosoftInteger = true;
 572                 }
 573               }
 574               break;
 575             case '3':
 576               if (s + 2 == ThisTokEnd) break;
 577               if (s[2] == '2') {
 578                 s += 3; // i32 suffix
 579                 isLong = true;
 580                 isMicrosoftInteger = true;
 581               }
 582               break;
 583             case '6':
 584               if (s + 2 == ThisTokEnd) break;
 585               if (s[2] == '4') {
 586                 s += 3; // i64 suffix
 587                 isLongLong = true;
 588                 isMicrosoftInteger = true;
 589               }
 590               break;
 591             default:
 592               break;
 593           }
 594           break;
 595         }
 596       }
 597       // fall through.
 598     case 'j':
 599     case 'J':
 600       if (isImaginary) break;   // Cannot be repeated.
 601       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 602               diag::ext_imaginary_constant);
 603       isImaginary = true;
 604       continue;  // Success.
 605     }
 606     // If we reached here, there was an error or a ud-suffix.
 607     break;
 608   }
 609
 610   if (s != ThisTokEnd) {
 611     if (PP.getLangOpts().CPlusPlus11 && s == SuffixBegin && *s == '_') {
 612       // We have a ud-suffix! By C++11 [lex.ext]p10, ud-suffixes not starting
 613       // with an '_' are ill-formed.
 614       saw_ud_suffix = true;
 615       return;
 616     }
 617
 618     // Report an error if there are any.
 619     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, SuffixBegin - ThisTokBegin),
 620             isFPConstant ? diag::err_invalid_suffix_float_constant :
 621                            diag::err_invalid_suffix_integer_constant)
 622       << StringRef(SuffixBegin, ThisTokEnd-SuffixBegin);
 623     hadError = true;
 624     return;
 625   }
 626 }
 627
 628 /// ParseNumberStartingWithZero - This method is called when the first character
 629 /// of the number is found to be a zero.  This means it is either an octal
 630 /// number (like '04') or a hex number ('0x123a') a binary number ('0b1010') or
 631 /// a floating point number (01239.123e4).  Eat the prefix, determining the
 632 /// radix etc.
 633 void NumericLiteralParser::ParseNumberStartingWithZero(SourceLocation TokLoc) {
 634   assert(s[0] == '0' && "Invalid method call");
 635   s++;
 636
 637   // Handle a hex number like 0x1234.
 638   if ((*s == 'x' || *s == 'X') && (isHexDigit(s[1]) || s[1] == '.')) {
 639     s++;
 640     radix = 16;
 641     DigitsBegin = s;
 642     s = SkipHexDigits(s);
 643     bool noSignificand = (s == DigitsBegin);
 644     if (s == ThisTokEnd) {
 645       // Done.
 646     } else if (*s == '.') {
 647       s++;
 648       saw_period = true;
 649       const char *floatDigitsBegin = s;
 650       s = SkipHexDigits(s);
 651       noSignificand &= (floatDigitsBegin == s);
 652     }
 653
 654     if (noSignificand) {
 655       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 656         diag::err_hexconstant_requires_digits);
 657       hadError = true;
 658       return;
 659     }
 660
 661     // A binary exponent can appear with or with a '.'. If dotted, the
 662     // binary exponent is required.
 663     if (*s == 'p' || *s == 'P') {
 664       const char *Exponent = s;
 665       s++;
 666       saw_exponent = true;
 667       if (*s == '+' || *s == '-')  s++; // sign
 668       const char *first_non_digit = SkipDigits(s);
 669       if (first_non_digit == s) {
 670         PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent-ThisTokBegin),
 671                 diag::err_exponent_has_no_digits);
 672         hadError = true;
 673         return;
 674       }
 675       s = first_non_digit;
 676
 677       if (!PP.getLangOpts().HexFloats)
 678         PP.Diag(TokLoc, diag::ext_hexconstant_invalid);
 679     } else if (saw_period) {
 680       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 681               diag::err_hexconstant_requires_exponent);
 682       hadError = true;
 683     }
 684     return;
 685   }
 686
 687   // Handle simple binary numbers 0b01010
 688   if (*s == 'b' || *s == 'B') {
 689     // 0b101010 is a C++1y / GCC extension.
 690     PP.Diag(TokLoc,
 691             PP.getLangOpts().CPlusPlus1y
 692               ? diag::warn_cxx11_compat_binary_literal
 693               : PP.getLangOpts().CPlusPlus
 694                 ? diag::ext_binary_literal_cxx1y
 695                 : diag::ext_binary_literal);
 696     ++s;
 697     radix = 2;
 698     DigitsBegin = s;
 699     s = SkipBinaryDigits(s);
 700     if (s == ThisTokEnd) {
 701       // Done.
 702     } else if (isHexDigit(*s)) {
 703       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 704               diag::err_invalid_binary_digit) << StringRef(s, 1);
 705       hadError = true;
 706     }
 707     // Other suffixes will be diagnosed by the caller.
 708     return;
 709   }
 710
 711   // For now, the radix is set to 8. If we discover that we have a
 712   // floating point constant, the radix will change to 10. Octal floating
 713   // point constants are not permitted (only decimal and hexadecimal).
 714   radix = 8;
 715   DigitsBegin = s;
 716   s = SkipOctalDigits(s);
 717   if (s == ThisTokEnd)
 718     return; // Done, simple octal number like 01234
 719
 720   // If we have some other non-octal digit that *is* a decimal digit, see if
 721   // this is part of a floating point number like 094.123 or 09e1.
 722   if (isDigit(*s)) {
 723     const char *EndDecimal = SkipDigits(s);
 724     if (EndDecimal[0] == '.' || EndDecimal[0] == 'e' || EndDecimal[0] == 'E') {
 725       s = EndDecimal;
 726       radix = 10;
 727     }
 728   }
 729
 730   // If we have a hex digit other than 'e' (which denotes a FP exponent) then
 731   // the code is using an incorrect base.
 732   if (isHexDigit(*s) && *s != 'e' && *s != 'E') {
 733     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 734             diag::err_invalid_octal_digit) << StringRef(s, 1);
 735     hadError = true;
 736     return;
 737   }
 738
 739   if (*s == '.') {
 740     s++;
 741     radix = 10;
 742     saw_period = true;
 743     s = SkipDigits(s); // Skip suffix.
 744   }
 745   if (*s == 'e' || *s == 'E') { // exponent
 746     const char *Exponent = s;
 747     s++;
 748     radix = 10;
 749     saw_exponent = true;
 750     if (*s == '+' || *s == '-')  s++; // sign
 751     const char *first_non_digit = SkipDigits(s);
 752     if (first_non_digit != s) {
 753       s = first_non_digit;
 754     } else {
 755       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent-ThisTokBegin),
 756               diag::err_exponent_has_no_digits);
 757       hadError = true;
 758       return;
 759     }
 760   }
 761 }
 762
 763 static bool alwaysFitsInto64Bits(unsigned Radix, unsigned NumDigits) {
 764   switch (Radix) {
 765   case 2:
 766     return NumDigits <= 64;
 767   case 8:
 768     return NumDigits <= 64 / 3; // Digits are groups of 3 bits.
 769   case 10:
 770     return NumDigits <= 19; // floor(log10(2^64))
 771   case 16:
 772     return NumDigits <= 64 / 4; // Digits are groups of 4 bits.
 773   default:
 774     llvm_unreachable("impossible Radix");
 775   }
 776 }
 777
 778 /// GetIntegerValue - Convert this numeric literal value to an APInt that
 779 /// matches Val's input width.  If there is an overflow, set Val to the low bits
 780 /// of the result and return true.  Otherwise, return false.
 781 bool NumericLiteralParser::GetIntegerValue(llvm::APInt &Val) {
 782   // Fast path: Compute a conservative bound on the maximum number of
 783   // bits per digit in this radix. If we can't possibly overflow a
 784   // uint64 based on that bound then do the simple conversion to
 785   // integer. This avoids the expensive overflow checking below, and
 786   // handles the common cases that matter (small decimal integers and
 787   // hex/octal values which don't overflow).
 788   const unsigned NumDigits = SuffixBegin - DigitsBegin;
 789   if (alwaysFitsInto64Bits(radix, NumDigits)) {
 790     uint64_t N = 0;
 791     for (const char *Ptr = DigitsBegin; Ptr != SuffixBegin; ++Ptr)
 792       N = N * radix + llvm::hexDigitValue(*Ptr);
 793
 794     // This will truncate the value to Val's input width. Simply check
 795     // for overflow by comparing.
 796     Val = N;
 797     return Val.getZExtValue() != N;
 798   }
 799
 800   Val = 0;
 801   const char *Ptr = DigitsBegin;
 802
 803   llvm::APInt RadixVal(Val.getBitWidth(), radix);
 804   llvm::APInt CharVal(Val.getBitWidth(), 0);
 805   llvm::APInt OldVal = Val;
 806
 807   bool OverflowOccurred = false;
 808   while (Ptr < SuffixBegin) {
 809     unsigned C = llvm::hexDigitValue(*Ptr++);
 810
 811     // If this letter is out of bound for this radix, reject it.
 812     assert(C < radix && "NumericLiteralParser ctor should have rejected this");
 813
 814     CharVal = C;
 815
 816     // Add the digit to the value in the appropriate radix.  If adding in digits
 817     // made the value smaller, then this overflowed.
 818     OldVal = Val;
 819
 820     // Multiply by radix, did overflow occur on the multiply?
 821     Val *= RadixVal;
 822     OverflowOccurred |= Val.udiv(RadixVal) != OldVal;
 823
 824     // Add value, did overflow occur on the value?
 825     //   (a + b) ult b  <=> overflow
 826     Val += CharVal;
 827     OverflowOccurred |= Val.ult(CharVal);
 828   }
 829   return OverflowOccurred;
 830 }
 831
 832 llvm::APFloat::opStatus
 833 NumericLiteralParser::GetFloatValue(llvm::APFloat &Result) {
 834   using llvm::APFloat;
 835
 836   unsigned n = std::min(SuffixBegin - ThisTokBegin, ThisTokEnd - ThisTokBegin);
 837   return Result.convertFromString(StringRef(ThisTokBegin, n),
 838                                   APFloat::rmNearestTiesToEven);
 839 }
 840
 841
 842 /// \verbatim
 843 ///       user-defined-character-literal: [C++11 lex.ext]
 844 ///         character-literal ud-suffix
 845 ///       ud-suffix:
 846 ///         identifier
 847 ///       character-literal: [C++11 lex.ccon]
 848 ///         ' c-char-sequence '
 849 ///         u' c-char-sequence '
 850 ///         U' c-char-sequence '
 851 ///         L' c-char-sequence '
 852 ///       c-char-sequence:
 853 ///         c-char
 854 ///         c-char-sequence c-char
 855 ///       c-char:
 856 ///         any member of the source character set except the single-quote ',
 857 ///           backslash \, or new-line character
 858 ///         escape-sequence
 859 ///         universal-character-name
 860 ///       escape-sequence:
 861 ///         simple-escape-sequence
 862 ///         octal-escape-sequence
 863 ///         hexadecimal-escape-sequence
 864 ///       simple-escape-sequence:
 865 ///         one of \' \" \? \\ \a \b \f \n \r \t \v
 866 ///       octal-escape-sequence:
 867 ///         \ octal-digit
 868 ///         \ octal-digit octal-digit
 869 ///         \ octal-digit octal-digit octal-digit
 870 ///       hexadecimal-escape-sequence:
 871 ///         \x hexadecimal-digit
 872 ///         hexadecimal-escape-sequence hexadecimal-digit
 873 ///       universal-character-name: [C++11 lex.charset]
 874 ///         \u hex-quad
 875 ///         \U hex-quad hex-quad
 876 ///       hex-quad:
 877 ///         hex-digit hex-digit hex-digit hex-digit
 878 /// \endverbatim
 879 ///
 880 CharLiteralParser::CharLiteralParser(const char *begin, const char *end,
 881                                      SourceLocation Loc, Preprocessor &PP,
 882                                      tok::TokenKind kind) {
 883   // At this point we know that the character matches the regex "(L|u|U)?'.*'".
 884   HadError = false;
 885
 886   Kind = kind;
 887
 888   const char *TokBegin = begin;
 889
 890   // Skip over wide character determinant.
 891   if (Kind != tok::char_constant) {
 892     ++begin;
 893   }
 894
 895   // Skip over the entry quote.
 896   assert(begin[0] == '\'' && "Invalid token lexed");
 897   ++begin;
 898
 899   // Remove an optional ud-suffix.
 900   if (end[-1] != '\'') {
 901     const char *UDSuffixEnd = end;
 902     do {
 903       --end;
 904     } while (end[-1] != '\'');
 905     UDSuffixBuf.assign(end, UDSuffixEnd);
 906     UDSuffixOffset = end - TokBegin;
 907   }
 908
 909   // Trim the ending quote.
 910   assert(end != begin && "Invalid token lexed");
 911   --end;
 912
 913   // FIXME: The "Value" is an uint64_t so we can handle char literals of
 914   // up to 64-bits.
 915   // FIXME: This extensively assumes that 'char' is 8-bits.
 916   assert(PP.getTargetInfo().getCharWidth() == 8 &&
 917          "Assumes char is 8 bits");
 918   assert(PP.getTargetInfo().getIntWidth() <= 64 &&
 919          (PP.getTargetInfo().getIntWidth() & 7) == 0 &&
 920          "Assumes sizeof(int) on target is <= 64 and a multiple of char");
 921   assert(PP.getTargetInfo().getWCharWidth() <= 64 &&
 922          "Assumes sizeof(wchar) on target is <= 64");
 923
 924   SmallVector<uint32_t,4> codepoint_buffer;
 925   codepoint_buffer.resize(end-begin);
 926   uint32_t *buffer_begin = &codepoint_buffer.front();
 927   uint32_t *buffer_end = buffer_begin + codepoint_buffer.size();
 928
 929   // Unicode escapes representing characters that cannot be correctly
 930   // represented in a single code unit are disallowed in character literals
 931   // by this implementation.
 932   uint32_t largest_character_for_kind;
 933   if (tok::wide_char_constant == Kind) {
 934     largest_character_for_kind = 0xFFFFFFFFu >> (32-PP.getTargetInfo().getWCharWidth());
 935   } else if (tok::utf16_char_constant == Kind) {
 936     largest_character_for_kind = 0xFFFF;
 937   } else if (tok::utf32_char_constant == Kind) {
 938     largest_character_for_kind = 0x10FFFF;
 939   } else {
 940     largest_character_for_kind = 0x7Fu;
 941   }
 942
 943   while (begin!=end) {
 944     // Is this a span of non-escape characters?
 945     if (begin[0] != '\\') {
 946       char const *start = begin;
 947       do {
 948         ++begin;
 949       } while (begin != end && *begin != '\\');
 950
 951       char const *tmp_in_start = start;
 952       uint32_t *tmp_out_start = buffer_begin;
 953       ConversionResult res =
 954       ConvertUTF8toUTF32(reinterpret_cast<UTF8 const **>(&start),
 955                          reinterpret_cast<UTF8 const *>(begin),
 956                          &buffer_begin,buffer_end,strictConversion);
 957       if (res!=conversionOK) {
 958         // If we see bad encoding for unprefixed character literals, warn and
 959         // simply copy the byte values, for compatibility with gcc and
 960         // older versions of clang.
 961         bool NoErrorOnBadEncoding = isAscii();
 962         unsigned Msg = diag::err_bad_character_encoding;
 963         if (NoErrorOnBadEncoding)
 964           Msg = diag::warn_bad_character_encoding;
 965         PP.Diag(Loc, Msg);
 966         if (NoErrorOnBadEncoding) {
 967           start = tmp_in_start;
 968           buffer_begin = tmp_out_start;
 969           for ( ; start != begin; ++start, ++buffer_begin)
 970             *buffer_begin = static_cast<uint8_t>(*start);
 971         } else {
 972           HadError = true;
 973         }
 974       } else {
 975         for (; tmp_out_start <buffer_begin; ++tmp_out_start) {
 976           if (*tmp_out_start > largest_character_for_kind) {
 977             HadError = true;
 978             PP.Diag(Loc, diag::err_character_too_large);
 979           }
 980         }
 981       }
 982
 983       continue;
 984     }
 985     // Is this a Universal Character Name excape?
 986     if (begin[1] == 'u' || begin[1] == 'U') {
 987       unsigned short UcnLen = 0;
 988       if (!ProcessUCNEscape(TokBegin, begin, end, *buffer_begin, UcnLen,
 989                             FullSourceLoc(Loc, PP.getSourceManager()),
 990                             &PP.getDiagnostics(), PP.getLangOpts(),
 991                             true))
 992       {
 993         HadError = true;
 994       } else if (*buffer_begin > largest_character_for_kind) {
 995         HadError = true;
 996         PP.Diag(Loc, diag::err_character_too_large);
 997       }
 998
 999       ++buffer_begin;
1000       continue;
1001     }
1002     unsigned CharWidth = getCharWidth(Kind, PP.getTargetInfo());
1003     uint64_t result =
1004       ProcessCharEscape(TokBegin, begin, end, HadError,
1005                         FullSourceLoc(Loc,PP.getSourceManager()),
1006                         CharWidth, &PP.getDiagnostics(), PP.getLangOpts());
1007     *buffer_begin++ = result;
1008   }
1009
1010   unsigned NumCharsSoFar = buffer_begin-&codepoint_buffer.front();
1011
1012   if (NumCharsSoFar > 1) {
1013     if (isWide())
1014       PP.Diag(Loc, diag::warn_extraneous_char_constant);
1015     else if (isAscii() && NumCharsSoFar == 4)
1016       PP.Diag(Loc, diag::ext_four_char_character_literal);
1017     else if (isAscii())
1018       PP.Diag(Loc, diag::ext_multichar_character_literal);
1019     else
1020       PP.Diag(Loc, diag::err_multichar_utf_character_literal);
1021     IsMultiChar = true;
1022   } else
1023     IsMultiChar = false;
1024
1025   llvm::APInt LitVal(PP.getTargetInfo().getIntWidth(), 0);
1026
1027   // Narrow character literals act as though their value is concatenated
1028   // in this implementation, but warn on overflow.
1029   bool multi_char_too_long = false;
1030   if (isAscii() && isMultiChar()) {
1031     LitVal = 0;
1032     for (size_t i=0;i<NumCharsSoFar;++i) {
1033       // check for enough leading zeros to shift into
1034       multi_char_too_long |= (LitVal.countLeadingZeros() < 8);
1035       LitVal <<= 8;
1036       LitVal = LitVal + (codepoint_buffer[i] & 0xFF);
1037     }
1038   } else if (NumCharsSoFar > 0) {
1039     // otherwise just take the last character
1040     LitVal = buffer_begin[-1];
1041   }
1042
1043   if (!HadError && multi_char_too_long) {
1044     PP.Diag(Loc,diag::warn_char_constant_too_large);
1045   }
1046
1047   // Transfer the value from APInt to uint64_t
1048   Value = LitVal.getZExtValue();
1049
1050   // If this is a single narrow character, sign extend it (e.g. '\xFF' is "-1")
1051   // if 'char' is signed for this target (C99 6.4.4.4p10).  Note that multiple
1052   // character constants are not sign extended in the this implementation:
1053   // '\xFF\xFF' = 65536 and '\x0\xFF' = 255, which matches GCC.
1054   if (isAscii() && NumCharsSoFar == 1 && (Value & 128) &&
1055       PP.getLangOpts().CharIsSigned)
1056     Value = (signed char)Value;
1057 }
1058
1059 /// \verbatim
1060 ///       string-literal: [C++0x lex.string]
1061 ///         encoding-prefix " [s-char-sequence] "
1062 ///         encoding-prefix R raw-string
1063 ///       encoding-prefix:
1064 ///         u8
1065 ///         u
1066 ///         U
1067 ///         L
1068 ///       s-char-sequence:
1069 ///         s-char
1070 ///         s-char-sequence s-char
1071 ///       s-char:
1072 ///         any member of the source character set except the double-quote ",
1073 ///           backslash \, or new-line character
1074 ///         escape-sequence
1075 ///         universal-character-name
1076 ///       raw-string:
1077 ///         " d-char-sequence ( r-char-sequence ) d-char-sequence "
1078 ///       r-char-sequence:
1079 ///         r-char
1080 ///         r-char-sequence r-char
1081 ///       r-char:
1082 ///         any member of the source character set, except a right parenthesis )
1083 ///           followed by the initial d-char-sequence (which may be empty)
1084 ///           followed by a double quote ".
1085 ///       d-char-sequence:
1086 ///         d-char
1087 ///         d-char-sequence d-char
1088 ///       d-char:
1089 ///         any member of the basic source character set except:
1090 ///           space, the left parenthesis (, the right parenthesis ),
1091 ///           the backslash \, and the control characters representing horizontal
1092 ///           tab, vertical tab, form feed, and newline.
1093 ///       escape-sequence: [C++0x lex.ccon]
1094 ///         simple-escape-sequence
1095 ///         octal-escape-sequence
1096 ///         hexadecimal-escape-sequence
1097 ///       simple-escape-sequence:
1098 ///         one of \' \" \? \\ \a \b \f \n \r \t \v
1099 ///       octal-escape-sequence:
1100 ///         \ octal-digit
1101 ///         \ octal-digit octal-digit
1102 ///         \ octal-digit octal-digit octal-digit
1103 ///       hexadecimal-escape-sequence:
1104 ///         \x hexadecimal-digit
1105 ///         hexadecimal-escape-sequence hexadecimal-digit
1106 ///       universal-character-name:
1107 ///         \u hex-quad
1108 ///         \U hex-quad hex-quad
1109 ///       hex-quad:
1110 ///         hex-digit hex-digit hex-digit hex-digit
1111 /// \endverbatim
1112 ///
1113 StringLiteralParser::
1114 StringLiteralParser(const Token *StringToks, unsigned NumStringToks,
1115                     Preprocessor &PP, bool Complain)
1116   : SM(PP.getSourceManager()), Features(PP.getLangOpts()),
1117     Target(PP.getTargetInfo()), Diags(Complain ? &PP.getDiagnostics() : 0),
1118     MaxTokenLength(0), SizeBound(0), CharByteWidth(0), Kind(tok::unknown),
1119     ResultPtr(ResultBuf.data()), hadError(false), Pascal(false) {
1120   init(StringToks, NumStringToks);
1121 }
1122
1123 void StringLiteralParser::init(const Token *StringToks, unsigned NumStringToks){
1124   // The literal token may have come from an invalid source location (e.g. due
1125   // to a PCH error), in which case the token length will be 0.
1126   if (NumStringToks == 0 || StringToks[0].getLength() < 2)
1127     return DiagnoseLexingError(SourceLocation());
1128
1129   // Scan all of the string portions, remember the max individual token length,
1130   // computing a bound on the concatenated string length, and see whether any
1131   // piece is a wide-string.  If any of the string portions is a wide-string
1132   // literal, the result is a wide-string literal [C99 6.4.5p4].
1133   assert(NumStringToks && "expected at least one token");
1134   MaxTokenLength = StringToks[0].getLength();
1135   assert(StringToks[0].getLength() >= 2 && "literal token is invalid!");
1136   SizeBound = StringToks[0].getLength()-2;  // -2 for "".
1137   Kind = StringToks[0].getKind();
1138
1139   hadError = false;
1140
1141   // Implement Translation Phase #6: concatenation of string literals
1142   /// (C99 5.1.1.2p1).  The common case is only one string fragment.
1143   for (unsigned i = 1; i != NumStringToks; ++i) {
1144     if (StringToks[i].getLength() < 2)
1145       return DiagnoseLexingError(StringToks[i].getLocation());
1146
1147     // The string could be shorter than this if it needs cleaning, but this is a
1148     // reasonable bound, which is all we need.
1149     assert(StringToks[i].getLength() >= 2 && "literal token is invalid!");
1150     SizeBound += StringToks[i].getLength()-2;  // -2 for "".
1151
1152     // Remember maximum string piece length.
1153     if (StringToks[i].getLength() > MaxTokenLength)
1154       MaxTokenLength = StringToks[i].getLength();
1155
1156     // Remember if we see any wide or utf-8/16/32 strings.
1157     // Also check for illegal concatenations.
1158     if (StringToks[i].isNot(Kind) && StringToks[i].isNot(tok::string_literal)) {
1159       if (isAscii()) {
1160         Kind = StringToks[i].getKind();
1161       } else {
1162         if (Diags)
1163           Diags->Report(StringToks[i].getLocation(),
1164                         diag::err_unsupported_string_concat);
1165         hadError = true;
1166       }
1167     }
1168   }
1169
1170   // Include space for the null terminator.
1171   ++SizeBound;
1172
1173   // TODO: K&R warning: "traditional C rejects string constant concatenation"
1174
1175   // Get the width in bytes of char/wchar_t/char16_t/char32_t
1176   CharByteWidth = getCharWidth(Kind, Target);
1177   assert((CharByteWidth & 7) == 0 && "Assumes character size is byte multiple");
1178   CharByteWidth /= 8;
1179
1180   // The output buffer size needs to be large enough to hold wide characters.
1181   // This is a worst-case assumption which basically corresponds to L"" "long".
1182   SizeBound *= CharByteWidth;
1183
1184   // Size the temporary buffer to hold the result string data.
1185   ResultBuf.resize(SizeBound);
1186
1187   // Likewise, but for each string piece.
1188   SmallString<512> TokenBuf;
1189   TokenBuf.resize(MaxTokenLength);
1190
1191   // Loop over all the strings, getting their spelling, and expanding them to
1192   // wide strings as appropriate.
1193   ResultPtr = &ResultBuf[0];   // Next byte to fill in.
1194
1195   Pascal = false;
1196
1197   SourceLocation UDSuffixTokLoc;
1198
1199   for (unsigned i = 0, e = NumStringToks; i != e; ++i) {
1200     const char *ThisTokBuf = &TokenBuf[0];
1201     // Get the spelling of the token, which eliminates trigraphs, etc.  We know
1202     // that ThisTokBuf points to a buffer that is big enough for the whole token
1203     // and 'spelled' tokens can only shrink.
1204     bool StringInvalid = false;
1205     unsigned ThisTokLen =
1206       Lexer::getSpelling(StringToks[i], ThisTokBuf, SM, Features,
1207                          &StringInvalid);
1208     if (StringInvalid)
1209       return DiagnoseLexingError(StringToks[i].getLocation());
1210
1211     const char *ThisTokBegin = ThisTokBuf;
1212     const char *ThisTokEnd = ThisTokBuf+ThisTokLen;
1213
1214     // Remove an optional ud-suffix.
1215     if (ThisTokEnd[-1] != '"') {
1216       const char *UDSuffixEnd = ThisTokEnd;
1217       do {
1218         --ThisTokEnd;
1219       } while (ThisTokEnd[-1] != '"');
1220
1221       StringRef UDSuffix(ThisTokEnd, UDSuffixEnd - ThisTokEnd);
1222
1223       if (UDSuffixBuf.empty()) {
1224         UDSuffixBuf.assign(UDSuffix);
1225         UDSuffixToken = i;
1226         UDSuffixOffset = ThisTokEnd - ThisTokBuf;
1227         UDSuffixTokLoc = StringToks[i].getLocation();
1228       } else if (!UDSuffixBuf.equals(UDSuffix)) {
1229         // C++11 [lex.ext]p8: At the end of phase 6, if a string literal is the
1230         // result of a concatenation involving at least one user-defined-string-
1231         // literal, all the participating user-defined-string-literals shall
1232         // have the same ud-suffix.
1233         if (Diags) {
1234           SourceLocation TokLoc = StringToks[i].getLocation();
1235           Diags->Report(TokLoc, diag::err_string_concat_mixed_suffix)
1236             << UDSuffixBuf << UDSuffix
1237             << SourceRange(UDSuffixTokLoc, UDSuffixTokLoc)
1238             << SourceRange(TokLoc, TokLoc);
1239         }
1240         hadError = true;
1241       }
1242     }
1243
1244     // Strip the end quote.
1245     --ThisTokEnd;
1246
1247     // TODO: Input character set mapping support.
1248
1249     // Skip marker for wide or unicode strings.
1250     if (ThisTokBuf[0] == 'L' || ThisTokBuf[0] == 'u' || ThisTokBuf[0] == 'U') {
1251       ++ThisTokBuf;
1252       // Skip 8 of u8 marker for utf8 strings.
1253       if (ThisTokBuf[0] == '8')
1254         ++ThisTokBuf;
1255     }
1256
1257     // Check for raw string
1258     if (ThisTokBuf[0] == 'R') {
1259       ThisTokBuf += 2; // skip R"
1260
1261       const char *Prefix = ThisTokBuf;
1262       while (ThisTokBuf[0] != '(')
1263         ++ThisTokBuf;
1264       ++ThisTokBuf; // skip '('
1265
1266       // Remove same number of characters from the end
1267       ThisTokEnd -= ThisTokBuf - Prefix;
1268       assert(ThisTokEnd >= ThisTokBuf && "malformed raw string literal");
1269
1270       // Copy the string over
1271       if (CopyStringFragment(StringToks[i], ThisTokBegin,
1272                              StringRef(ThisTokBuf, ThisTokEnd - ThisTokBuf)))
1273         hadError = true;
1274     } else {
1275       if (ThisTokBuf[0] != '"') {
1276         // The file may have come from PCH and then changed after loading the
1277         // PCH; Fail gracefully.
1278         return DiagnoseLexingError(StringToks[i].getLocation());
1279       }
1280       ++ThisTokBuf; // skip "
1281
1282       // Check if this is a pascal string
1283       if (Features.PascalStrings && ThisTokBuf + 1 != ThisTokEnd &&
1284           ThisTokBuf[0] == '\\' && ThisTokBuf[1] == 'p') {
1285
1286         // If the \p sequence is found in the first token, we have a pascal string
1287         // Otherwise, if we already have a pascal string, ignore the first \p
1288         if (i == 0) {
1289           ++ThisTokBuf;
1290           Pascal = true;
1291         } else if (Pascal)
1292           ThisTokBuf += 2;
1293       }
1294
1295       while (ThisTokBuf != ThisTokEnd) {
1296         // Is this a span of non-escape characters?
1297         if (ThisTokBuf[0] != '\\') {
1298           const char *InStart = ThisTokBuf;
1299           do {
1300             ++ThisTokBuf;
1301           } while (ThisTokBuf != ThisTokEnd && ThisTokBuf[0] != '\\');
1302
1303           // Copy the character span over.
1304           if (CopyStringFragment(StringToks[i], ThisTokBegin,
1305                                  StringRef(InStart, ThisTokBuf - InStart)))
1306             hadError = true;
1307           continue;
1308         }
1309         // Is this a Universal Character Name escape?
1310         if (ThisTokBuf[1] == 'u' || ThisTokBuf[1] == 'U') {
1311           EncodeUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd,
1312                           ResultPtr, hadError,
1313                           FullSourceLoc(StringToks[i].getLocation(), SM),
1314                           CharByteWidth, Diags, Features);
1315           continue;
1316         }
1317         // Otherwise, this is a non-UCN escape character.  Process it.
1318         unsigned ResultChar =
1319           ProcessCharEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, hadError,
1320                             FullSourceLoc(StringToks[i].getLocation(), SM),
1321                             CharByteWidth*8, Diags, Features);
1322
1323         if (CharByteWidth == 4) {
1324           // FIXME: Make the type of the result buffer correct instead of
1325           // using reinterpret_cast.
1326           UTF32 *ResultWidePtr = reinterpret_cast<UTF32*>(ResultPtr);
1327           *ResultWidePtr = ResultChar;
1328           ResultPtr += 4;
1329         } else if (CharByteWidth == 2) {
1330           // FIXME: Make the type of the result buffer correct instead of
1331           // using reinterpret_cast.
1332           UTF16 *ResultWidePtr = reinterpret_cast<UTF16*>(ResultPtr);
1333           *ResultWidePtr = ResultChar & 0xFFFF;
1334           ResultPtr += 2;
1335         } else {
1336           assert(CharByteWidth == 1 && "Unexpected char width");
1337           *ResultPtr++ = ResultChar & 0xFF;
1338         }
1339       }
1340     }
1341   }
1342
1343   if (Pascal) {
1344     if (CharByteWidth == 4) {
1345       // FIXME: Make the type of the result buffer correct instead of
1346       // using reinterpret_cast.
1347       UTF32 *ResultWidePtr = reinterpret_cast<UTF32*>(ResultBuf.data());
1348       ResultWidePtr[0] = GetNumStringChars() - 1;
1349     } else if (CharByteWidth == 2) {
1350       // FIXME: Make the type of the result buffer correct instead of
1351       // using reinterpret_cast.
1352       UTF16 *ResultWidePtr = reinterpret_cast<UTF16*>(ResultBuf.data());
1353       ResultWidePtr[0] = GetNumStringChars() - 1;
1354     } else {
1355       assert(CharByteWidth == 1 && "Unexpected char width");
1356       ResultBuf[0] = GetNumStringChars() - 1;
1357     }
1358
1359     // Verify that pascal strings aren't too large.
1360     if (GetStringLength() > 256) {
1361       if (Diags)
1362         Diags->Report(StringToks[0].getLocation(),
1363                       diag::err_pascal_string_too_long)
1364           << SourceRange(StringToks[0].getLocation(),
1365                          StringToks[NumStringToks-1].getLocation());
1366       hadError = true;
1367       return;
1368     }
1369   } else if (Diags) {
1370     // Complain if this string literal has too many characters.
1371     unsigned MaxChars = Features.CPlusPlus? 65536 : Features.C99 ? 4095 : 509;
1372
1373     if (GetNumStringChars() > MaxChars)
1374       Diags->Report(StringToks[0].getLocation(),
1375                     diag::ext_string_too_long)
1376         << GetNumStringChars() << MaxChars
1377         << (Features.CPlusPlus ? 2 : Features.C99 ? 1 : 0)
1378         << SourceRange(StringToks[0].getLocation(),
1379                        StringToks[NumStringToks-1].getLocation());
1380   }
1381 }
1382
1383 static const char *resyncUTF8(const char *Err, const char *End) {
1384   if (Err == End)
1385     return End;
1386   End = Err + std::min<unsigned>(getNumBytesForUTF8(*Err), End-Err);
1387   while (++Err != End && (*Err & 0xC0) == 0x80)
1388     ;
1389   return Err;
1390 }
1391
1392 /// \brief This function copies from Fragment, which is a sequence of bytes
1393 /// within Tok's contents (which begin at TokBegin) into ResultPtr.
1394 /// Performs widening for multi-byte characters.
1395 bool StringLiteralParser::CopyStringFragment(const Token &Tok,
1396                                              const char *TokBegin,
1397                                              StringRef Fragment) {
1398   const UTF8 *ErrorPtrTmp;
1399   if (ConvertUTF8toWide(CharByteWidth, Fragment, ResultPtr, ErrorPtrTmp))
1400     return false;
1401
1402   // If we see bad encoding for unprefixed string literals, warn and
1403   // simply copy the byte values, for compatibility with gcc and older
1404   // versions of clang.
1405   bool NoErrorOnBadEncoding = isAscii();
1406   if (NoErrorOnBadEncoding) {
1407     memcpy(ResultPtr, Fragment.data(), Fragment.size());
1408     ResultPtr += Fragment.size();
1409   }
1410
1411   if (Diags) {
1412     const char *ErrorPtr = reinterpret_cast<const char *>(ErrorPtrTmp);
1413
1414     FullSourceLoc SourceLoc(Tok.getLocation(), SM);
1415     const DiagnosticBuilder &Builder =
1416       Diag(Diags, Features, SourceLoc, TokBegin,
1417            ErrorPtr, resyncUTF8(ErrorPtr, Fragment.end()),
1418            NoErrorOnBadEncoding ? diag::warn_bad_string_encoding
1419                                 : diag::err_bad_string_encoding);
1420
1421     const char *NextStart = resyncUTF8(ErrorPtr, Fragment.end());
1422     StringRef NextFragment(NextStart, Fragment.end()-NextStart);
1423
1424     // Decode into a dummy buffer.
1425     SmallString<512> Dummy;
1426     Dummy.reserve(Fragment.size() * CharByteWidth);
1427     char *Ptr = Dummy.data();
1428
1429     while (!Builder.hasMaxRanges() &&
1430            !ConvertUTF8toWide(CharByteWidth, NextFragment, Ptr, ErrorPtrTmp)) {
1431       const char *ErrorPtr = reinterpret_cast<const char *>(ErrorPtrTmp);
1432       NextStart = resyncUTF8(ErrorPtr, Fragment.end());
1433       Builder << MakeCharSourceRange(Features, SourceLoc, TokBegin,
1434                                      ErrorPtr, NextStart);
1435       NextFragment = StringRef(NextStart, Fragment.end()-NextStart);
1436     }
1437   }
1438   return !NoErrorOnBadEncoding;
1439 }
1440
1441 void StringLiteralParser::DiagnoseLexingError(SourceLocation Loc) {
1442   hadError = true;
1443   if (Diags)
1444     Diags->Report(Loc, diag::err_lexing_string);
1445 }
1446
1447 /// getOffsetOfStringByte - This function returns the offset of the
1448 /// specified byte of the string data represented by Token.  This handles
1449 /// advancing over escape sequences in the string.
1450 unsigned StringLiteralParser::getOffsetOfStringByte(const Token &Tok,
1451                                                     unsigned ByteNo) const {
1452   // Get the spelling of the token.
1453   SmallString<32> SpellingBuffer;
1454   SpellingBuffer.resize(Tok.getLength());
1455
1456   bool StringInvalid = false;
1457   const char *SpellingPtr = &SpellingBuffer[0];
1458   unsigned TokLen = Lexer::getSpelling(Tok, SpellingPtr, SM, Features,
1459                                        &StringInvalid);
1460   if (StringInvalid)
1461     return 0;
1462
1463   const char *SpellingStart = SpellingPtr;
1464   const char *SpellingEnd = SpellingPtr+TokLen;
1465
1466   // Handle UTF-8 strings just like narrow strings.
1467   if (SpellingPtr[0] == 'u' && SpellingPtr[1] == '8')
1468     SpellingPtr += 2;
1469
1470   assert(SpellingPtr[0] != 'L' && SpellingPtr[0] != 'u' &&
1471          SpellingPtr[0] != 'U' && "Doesn't handle wide or utf strings yet");
1472
1473   // For raw string literals, this is easy.
1474   if (SpellingPtr[0] == 'R') {
1475     assert(SpellingPtr[1] == '"' && "Should be a raw string literal!");
1476     // Skip 'R"'.
1477     SpellingPtr += 2;
1478     while (*SpellingPtr != '(') {
1479       ++SpellingPtr;
1480       assert(SpellingPtr < SpellingEnd && "Missing ( for raw string literal");
1481     }
1482     // Skip '('.
1483     ++SpellingPtr;
1484     return SpellingPtr - SpellingStart + ByteNo;
1485   }
1486
1487   // Skip over the leading quote
1488   assert(SpellingPtr[0] == '"' && "Should be a string literal!");
1489   ++SpellingPtr;
1490
1491   // Skip over bytes until we find the offset we're looking for.
1492   while (ByteNo) {
1493     assert(SpellingPtr < SpellingEnd && "Didn't find byte offset!");
1494
1495     // Step over non-escapes simply.
1496     if (*SpellingPtr != '\\') {
1497       ++SpellingPtr;
1498       --ByteNo;
1499       continue;
1500     }
1501
1502     // Otherwise, this is an escape character.  Advance over it.
1503     bool HadError = false;
1504     if (SpellingPtr[1] == 'u' || SpellingPtr[1] == 'U') {
1505       const char *EscapePtr = SpellingPtr;
1506       unsigned Len = MeasureUCNEscape(SpellingStart, SpellingPtr, SpellingEnd,
1507                                       1, Features, HadError);
1508       if (Len > ByteNo) {
1509         // ByteNo is somewhere within the escape sequence.
1510         SpellingPtr = EscapePtr;
1511         break;
1512       }
1513       ByteNo -= Len;
1514     } else {
1515       ProcessCharEscape(SpellingStart, SpellingPtr, SpellingEnd, HadError,
1516                         FullSourceLoc(Tok.getLocation(), SM),
1517                         CharByteWidth*8, Diags, Features);
1518       --ByteNo;
1519     }
1520     assert(!HadError && "This method isn't valid on erroneous strings");
1521   }
1522
1523   return SpellingPtr-SpellingStart;
1524 }