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/Lex/Preprocessor.h"
  17 #include "clang/Lex/LexDiagnostic.h"
  18 #include "clang/Basic/TargetInfo.h"
  19 #include "clang/Basic/ConvertUTF.h"
  20 #include "llvm/ADT/StringExtras.h"
  21 #include "llvm/Support/ErrorHandling.h"
  22 using namespace clang;
  23
  24 /// HexDigitValue - Return the value of the specified hex digit, or -1 if it's
  25 /// not valid.
  26 static int HexDigitValue(char C) {
  27   if (C >= '0' && C <= '9') return C-'0';
  28   if (C >= 'a' && C <= 'f') return C-'a'+10;
  29   if (C >= 'A' && C <= 'F') return C-'A'+10;
  30   return -1;
  31 }
  32
  33 static unsigned getCharWidth(tok::TokenKind kind, const TargetInfo &Target) {
  34   switch (kind) {
  35   default: llvm_unreachable("Unknown token type!");
  36   case tok::char_constant:
  37   case tok::string_literal:
  38   case tok::utf8_string_literal:
  39     return Target.getCharWidth();
  40   case tok::wide_char_constant:
  41   case tok::wide_string_literal:
  42     return Target.getWCharWidth();
  43   case tok::utf16_char_constant:
  44   case tok::utf16_string_literal:
  45     return Target.getChar16Width();
  46   case tok::utf32_char_constant:
  47   case tok::utf32_string_literal:
  48     return Target.getChar32Width();
  49   }
  50 }
  51
  52 static CharSourceRange MakeCharSourceRange(const LangOptions &Features,
  53                                            FullSourceLoc TokLoc,
  54                                            const char *TokBegin,
  55                                            const char *TokRangeBegin,
  56                                            const char *TokRangeEnd) {
  57   SourceLocation Begin =
  58     Lexer::AdvanceToTokenCharacter(TokLoc, TokRangeBegin - TokBegin,
  59                                    TokLoc.getManager(), Features);
  60   SourceLocation End =
  61     Lexer::AdvanceToTokenCharacter(Begin, TokRangeEnd - TokRangeBegin,
  62                                    TokLoc.getManager(), Features);
  63   return CharSourceRange::getCharRange(Begin, End);
  64 }
  65
  66 /// \brief Produce a diagnostic highlighting some portion of a literal.
  67 ///
  68 /// Emits the diagnostic \p DiagID, highlighting the range of characters from
  69 /// \p TokRangeBegin (inclusive) to \p TokRangeEnd (exclusive), which must be
  70 /// a substring of a spelling buffer for the token beginning at \p TokBegin.
  71 static DiagnosticBuilder Diag(DiagnosticsEngine *Diags,
  72                               const LangOptions &Features, FullSourceLoc TokLoc,
  73                               const char *TokBegin, const char *TokRangeBegin,
  74                               const char *TokRangeEnd, unsigned DiagID) {
  75   SourceLocation Begin =
  76     Lexer::AdvanceToTokenCharacter(TokLoc, TokRangeBegin - TokBegin,
  77                                    TokLoc.getManager(), Features);
  78   return Diags->Report(Begin, DiagID) <<
  79     MakeCharSourceRange(Features, TokLoc, TokBegin, TokRangeBegin, TokRangeEnd);
  80 }
  81
  82 /// ProcessCharEscape - Parse a standard C escape sequence, which can occur in
  83 /// either a character or a string literal.
  84 static unsigned ProcessCharEscape(const char *ThisTokBegin,
  85                                   const char *&ThisTokBuf,
  86                                   const char *ThisTokEnd, bool &HadError,
  87                                   FullSourceLoc Loc, unsigned CharWidth,
  88                                   DiagnosticsEngine *Diags,
  89                                   const LangOptions &Features) {
  90   const char *EscapeBegin = ThisTokBuf;
  91
  92   // Skip the '\' char.
  93   ++ThisTokBuf;
  94
  95   // We know that this character can't be off the end of the buffer, because
  96   // that would have been \", which would not have been the end of string.
  97   unsigned ResultChar = *ThisTokBuf++;
  98   switch (ResultChar) {
  99   // These map to themselves.
 100   case '\\': case '\'': case '"': case '?': break;
 101
 102     // These have fixed mappings.
 103   case 'a':
 104     // TODO: K&R: the meaning of '\\a' is different in traditional C
 105     ResultChar = 7;
 106     break;
 107   case 'b':
 108     ResultChar = 8;
 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 'E':
 117     if (Diags)
 118       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 119            diag::ext_nonstandard_escape) << "E";
 120     ResultChar = 27;
 121     break;
 122   case 'f':
 123     ResultChar = 12;
 124     break;
 125   case 'n':
 126     ResultChar = 10;
 127     break;
 128   case 'r':
 129     ResultChar = 13;
 130     break;
 131   case 't':
 132     ResultChar = 9;
 133     break;
 134   case 'v':
 135     ResultChar = 11;
 136     break;
 137   case 'x': { // Hex escape.
 138     ResultChar = 0;
 139     if (ThisTokBuf == ThisTokEnd || !isxdigit(*ThisTokBuf)) {
 140       if (Diags)
 141         Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 142              diag::err_hex_escape_no_digits);
 143       HadError = 1;
 144       break;
 145     }
 146
 147     // Hex escapes are a maximal series of hex digits.
 148     bool Overflow = false;
 149     for (; ThisTokBuf != ThisTokEnd; ++ThisTokBuf) {
 150       int CharVal = HexDigitValue(ThisTokBuf[0]);
 151       if (CharVal == -1) break;
 152       // About to shift out a digit?
 153       Overflow |= (ResultChar & 0xF0000000) ? true : false;
 154       ResultChar <<= 4;
 155       ResultChar |= CharVal;
 156     }
 157
 158     // See if any bits will be truncated when evaluated as a character.
 159     if (CharWidth != 32 && (ResultChar >> CharWidth) != 0) {
 160       Overflow = true;
 161       ResultChar &= ~0U >> (32-CharWidth);
 162     }
 163
 164     // Check for overflow.
 165     if (Overflow && Diags)   // Too many digits to fit in
 166       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 167            diag::warn_hex_escape_too_large);
 168     break;
 169   }
 170   case '0': case '1': case '2': case '3':
 171   case '4': case '5': case '6': case '7': {
 172     // Octal escapes.
 173     --ThisTokBuf;
 174     ResultChar = 0;
 175
 176     // Octal escapes are a series of octal digits with maximum length 3.
 177     // "\0123" is a two digit sequence equal to "\012" "3".
 178     unsigned NumDigits = 0;
 179     do {
 180       ResultChar <<= 3;
 181       ResultChar |= *ThisTokBuf++ - '0';
 182       ++NumDigits;
 183     } while (ThisTokBuf != ThisTokEnd && NumDigits < 3 &&
 184              ThisTokBuf[0] >= '0' && ThisTokBuf[0] <= '7');
 185
 186     // Check for overflow.  Reject '\777', but not L'\777'.
 187     if (CharWidth != 32 && (ResultChar >> CharWidth) != 0) {
 188       if (Diags)
 189         Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 190              diag::warn_octal_escape_too_large);
 191       ResultChar &= ~0U >> (32-CharWidth);
 192     }
 193     break;
 194   }
 195
 196     // Otherwise, these are not valid escapes.
 197   case '(': case '{': case '[': case '%':
 198     // GCC accepts these as extensions.  We warn about them as such though.
 199     if (Diags)
 200       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 201            diag::ext_nonstandard_escape)
 202         << std::string(1, ResultChar);
 203     break;
 204   default:
 205     if (Diags == 0)
 206       break;
 207
 208     if (isgraph(ResultChar))
 209       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 210            diag::ext_unknown_escape)
 211         << std::string(1, ResultChar);
 212     else
 213       Diag(Diags, Features, Loc, ThisTokBegin, EscapeBegin, ThisTokBuf,
 214            diag::ext_unknown_escape)
 215         << "x" + llvm::utohexstr(ResultChar);
 216     break;
 217   }
 218
 219   return ResultChar;
 220 }
 221
 222 /// ProcessUCNEscape - Read the Universal Character Name, check constraints and
 223 /// return the UTF32.
 224 static bool ProcessUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 225                              const char *ThisTokEnd,
 226                              uint32_t &UcnVal, unsigned short &UcnLen,
 227                              FullSourceLoc Loc, DiagnosticsEngine *Diags,
 228                              const LangOptions &Features,
 229                              bool in_char_string_literal = false) {
 230   const char *UcnBegin = ThisTokBuf;
 231
 232   // Skip the '\u' char's.
 233   ThisTokBuf += 2;
 234
 235   if (ThisTokBuf == ThisTokEnd || !isxdigit(*ThisTokBuf)) {
 236     if (Diags)
 237       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 238            diag::err_ucn_escape_no_digits);
 239     return false;
 240   }
 241   UcnLen = (ThisTokBuf[-1] == 'u' ? 4 : 8);
 242   unsigned short UcnLenSave = UcnLen;
 243   for (; ThisTokBuf != ThisTokEnd && UcnLenSave; ++ThisTokBuf, UcnLenSave--) {
 244     int CharVal = HexDigitValue(ThisTokBuf[0]);
 245     if (CharVal == -1) break;
 246     UcnVal <<= 4;
 247     UcnVal |= CharVal;
 248   }
 249   // If we didn't consume the proper number of digits, there is a problem.
 250   if (UcnLenSave) {
 251     if (Diags)
 252       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 253            diag::err_ucn_escape_incomplete);
 254     return false;
 255   }
 256
 257   // Check UCN constraints (C99 6.4.3p2) [C++11 lex.charset p2]
 258   if ((0xD800 <= UcnVal && UcnVal <= 0xDFFF) || // surrogate codepoints
 259       UcnVal > 0x10FFFF) {                      // maximum legal UTF32 value
 260     if (Diags)
 261       Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 262            diag::err_ucn_escape_invalid);
 263     return false;
 264   }
 265
 266   // C++11 allows UCNs that refer to control characters and basic source
 267   // characters inside character and string literals
 268   if (UcnVal < 0xa0 &&
 269       (UcnVal != 0x24 && UcnVal != 0x40 && UcnVal != 0x60)) {  // $, @, `
 270     bool IsError = (!Features.CPlusPlus0x || !in_char_string_literal);
 271     if (Diags) {
 272       char BasicSCSChar = UcnVal;
 273       if (UcnVal >= 0x20 && UcnVal < 0x7f)
 274         Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 275              IsError ? diag::err_ucn_escape_basic_scs :
 276                        diag::warn_cxx98_compat_literal_ucn_escape_basic_scs)
 277             << StringRef(&BasicSCSChar, 1);
 278       else
 279         Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 280              IsError ? diag::err_ucn_control_character :
 281                        diag::warn_cxx98_compat_literal_ucn_control_character);
 282     }
 283     if (IsError)
 284       return false;
 285   }
 286
 287   if (!Features.CPlusPlus && !Features.C99 && Diags)
 288     Diag(Diags, Features, Loc, ThisTokBegin, UcnBegin, ThisTokBuf,
 289          diag::warn_ucn_not_valid_in_c89);
 290
 291   return true;
 292 }
 293
 294 /// MeasureUCNEscape - Determine the number of bytes within the resulting string
 295 /// which this UCN will occupy.
 296 static int MeasureUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 297                             const char *ThisTokEnd, unsigned CharByteWidth,
 298                             const LangOptions &Features, bool &HadError) {
 299   // UTF-32: 4 bytes per escape.
 300   if (CharByteWidth == 4)
 301     return 4;
 302
 303   uint32_t UcnVal = 0;
 304   unsigned short UcnLen = 0;
 305   FullSourceLoc Loc;
 306
 307   if (!ProcessUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, UcnVal,
 308                         UcnLen, Loc, 0, Features, true)) {
 309     HadError = true;
 310     return 0;
 311   }
 312
 313   // UTF-16: 2 bytes for BMP, 4 bytes otherwise.
 314   if (CharByteWidth == 2)
 315     return UcnVal <= 0xFFFF ? 2 : 4;
 316
 317   // UTF-8.
 318   if (UcnVal < 0x80)
 319     return 1;
 320   if (UcnVal < 0x800)
 321     return 2;
 322   if (UcnVal < 0x10000)
 323     return 3;
 324   return 4;
 325 }
 326
 327 /// EncodeUCNEscape - Read the Universal Character Name, check constraints and
 328 /// convert the UTF32 to UTF8 or UTF16. This is a subroutine of
 329 /// StringLiteralParser. When we decide to implement UCN's for identifiers,
 330 /// we will likely rework our support for UCN's.
 331 static void EncodeUCNEscape(const char *ThisTokBegin, const char *&ThisTokBuf,
 332                             const char *ThisTokEnd,
 333                             char *&ResultBuf, bool &HadError,
 334                             FullSourceLoc Loc, unsigned CharByteWidth,
 335                             DiagnosticsEngine *Diags,
 336                             const LangOptions &Features) {
 337   typedef uint32_t UTF32;
 338   UTF32 UcnVal = 0;
 339   unsigned short UcnLen = 0;
 340   if (!ProcessUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, UcnVal, UcnLen,
 341                         Loc, Diags, Features, true)) {
 342     HadError = true;
 343     return;
 344   }
 345
 346   assert((CharByteWidth == 1 || CharByteWidth == 2 || CharByteWidth) &&
 347          "only character widths of 1, 2, or 4 bytes supported");
 348
 349   (void)UcnLen;
 350   assert((UcnLen== 4 || UcnLen== 8) && "only ucn length of 4 or 8 supported");
 351
 352   if (CharByteWidth == 4) {
 353     // FIXME: Make the type of the result buffer correct instead of
 354     // using reinterpret_cast.
 355     UTF32 *ResultPtr = reinterpret_cast<UTF32*>(ResultBuf);
 356     *ResultPtr = UcnVal;
 357     ResultBuf += 4;
 358     return;
 359   }
 360
 361   if (CharByteWidth == 2) {
 362     // FIXME: Make the type of the result buffer correct instead of
 363     // using reinterpret_cast.
 364     UTF16 *ResultPtr = reinterpret_cast<UTF16*>(ResultBuf);
 365
 366     if (UcnVal <= (UTF32)0xFFFF) {
 367       *ResultPtr = UcnVal;
 368       ResultBuf += 2;
 369       return;
 370     }
 371
 372     // Convert to UTF16.
 373     UcnVal -= 0x10000;
 374     *ResultPtr     = 0xD800 + (UcnVal >> 10);
 375     *(ResultPtr+1) = 0xDC00 + (UcnVal & 0x3FF);
 376     ResultBuf += 4;
 377     return;
 378   }
 379
 380   assert(CharByteWidth == 1 && "UTF-8 encoding is only for 1 byte characters");
 381
 382   // Now that we've parsed/checked the UCN, we convert from UTF32->UTF8.
 383   // The conversion below was inspired by:
 384   //   http://www.unicode.org/Public/PROGRAMS/CVTUTF/ConvertUTF.c
 385   // First, we determine how many bytes the result will require.
 386   typedef uint8_t UTF8;
 387
 388   unsigned short bytesToWrite = 0;
 389   if (UcnVal < (UTF32)0x80)
 390     bytesToWrite = 1;
 391   else if (UcnVal < (UTF32)0x800)
 392     bytesToWrite = 2;
 393   else if (UcnVal < (UTF32)0x10000)
 394     bytesToWrite = 3;
 395   else
 396     bytesToWrite = 4;
 397
 398   const unsigned byteMask = 0xBF;
 399   const unsigned byteMark = 0x80;
 400
 401   // Once the bits are split out into bytes of UTF8, this is a mask OR-ed
 402   // into the first byte, depending on how many bytes follow.
 403   static const UTF8 firstByteMark[5] = {
 404     0x00, 0x00, 0xC0, 0xE0, 0xF0
 405   };
 406   // Finally, we write the bytes into ResultBuf.
 407   ResultBuf += bytesToWrite;
 408   switch (bytesToWrite) { // note: everything falls through.
 409   case 4: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 410   case 3: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 411   case 2: *--ResultBuf = (UTF8)((UcnVal | byteMark) & byteMask); UcnVal >>= 6;
 412   case 1: *--ResultBuf = (UTF8) (UcnVal | firstByteMark[bytesToWrite]);
 413   }
 414   // Update the buffer.
 415   ResultBuf += bytesToWrite;
 416 }
 417
 418
 419 ///       integer-constant: [C99 6.4.4.1]
 420 ///         decimal-constant integer-suffix
 421 ///         octal-constant integer-suffix
 422 ///         hexadecimal-constant integer-suffix
 423 ///       user-defined-integer-literal: [C++11 lex.ext]
 424 ///         decimal-literal ud-suffix
 425 ///         octal-literal ud-suffix
 426 ///         hexadecimal-literal ud-suffix
 427 ///       decimal-constant:
 428 ///         nonzero-digit
 429 ///         decimal-constant digit
 430 ///       octal-constant:
 431 ///         0
 432 ///         octal-constant octal-digit
 433 ///       hexadecimal-constant:
 434 ///         hexadecimal-prefix hexadecimal-digit
 435 ///         hexadecimal-constant hexadecimal-digit
 436 ///       hexadecimal-prefix: one of
 437 ///         0x 0X
 438 ///       integer-suffix:
 439 ///         unsigned-suffix [long-suffix]
 440 ///         unsigned-suffix [long-long-suffix]
 441 ///         long-suffix [unsigned-suffix]
 442 ///         long-long-suffix [unsigned-sufix]
 443 ///       nonzero-digit:
 444 ///         1 2 3 4 5 6 7 8 9
 445 ///       octal-digit:
 446 ///         0 1 2 3 4 5 6 7
 447 ///       hexadecimal-digit:
 448 ///         0 1 2 3 4 5 6 7 8 9
 449 ///         a b c d e f
 450 ///         A B C D E F
 451 ///       unsigned-suffix: one of
 452 ///         u U
 453 ///       long-suffix: one of
 454 ///         l L
 455 ///       long-long-suffix: one of
 456 ///         ll LL
 457 ///
 458 ///       floating-constant: [C99 6.4.4.2]
 459 ///         TODO: add rules...
 460 ///
 461 NumericLiteralParser::NumericLiteralParser(StringRef TokSpelling,
 462                                            SourceLocation TokLoc,
 463                                            Preprocessor &PP)
 464   : PP(PP), ThisTokBegin(TokSpelling.begin()), ThisTokEnd(TokSpelling.end()) {
 465
 466   // This routine assumes that the range begin/end matches the regex for integer
 467   // and FP constants (specifically, the 'pp-number' regex), and assumes that
 468   // the byte at "*end" is both valid and not part of the regex.  Because of
 469   // this, it doesn't have to check for 'overscan' in various places.
 470   assert(!isalnum(*ThisTokEnd) && *ThisTokEnd != '.' && *ThisTokEnd != '_' &&
 471          "Lexer didn't maximally munch?");
 472
 473   s = DigitsBegin = ThisTokBegin;
 474   saw_exponent = false;
 475   saw_period = false;
 476   saw_ud_suffix = false;
 477   isLong = false;
 478   isUnsigned = false;
 479   isLongLong = false;
 480   isFloat = false;
 481   isImaginary = false;
 482   isMicrosoftInteger = false;
 483   hadError = false;
 484
 485   if (*s == '0') { // parse radix
 486     ParseNumberStartingWithZero(TokLoc);
 487     if (hadError)
 488       return;
 489   } else { // the first digit is non-zero
 490     radix = 10;
 491     s = SkipDigits(s);
 492     if (s == ThisTokEnd) {
 493       // Done.
 494     } else if (isxdigit(*s) && !(*s == 'e' || *s == 'E')) {
 495       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 496               diag::err_invalid_decimal_digit) << StringRef(s, 1);
 497       hadError = true;
 498       return;
 499     } else if (*s == '.') {
 500       s++;
 501       saw_period = true;
 502       s = SkipDigits(s);
 503     }
 504     if ((*s == 'e' || *s == 'E')) { // exponent
 505       const char *Exponent = s;
 506       s++;
 507       saw_exponent = true;
 508       if (*s == '+' || *s == '-')  s++; // sign
 509       const char *first_non_digit = SkipDigits(s);
 510       if (first_non_digit != s) {
 511         s = first_non_digit;
 512       } else {
 513         PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent - ThisTokBegin),
 514                 diag::err_exponent_has_no_digits);
 515         hadError = true;
 516         return;
 517       }
 518     }
 519   }
 520
 521   SuffixBegin = s;
 522
 523   // Parse the suffix.  At this point we can classify whether we have an FP or
 524   // integer constant.
 525   bool isFPConstant = isFloatingLiteral();
 526
 527   // Loop over all of the characters of the suffix.  If we see something bad,
 528   // we break out of the loop.
 529   for (; s != ThisTokEnd; ++s) {
 530     switch (*s) {
 531     case 'f':      // FP Suffix for "float"
 532     case 'F':
 533       if (!isFPConstant) break;  // Error for integer constant.
 534       if (isFloat || isLong) break; // FF, LF invalid.
 535       isFloat = true;
 536       continue;  // Success.
 537     case 'u':
 538     case 'U':
 539       if (isFPConstant) break;  // Error for floating constant.
 540       if (isUnsigned) break;    // Cannot be repeated.
 541       isUnsigned = true;
 542       continue;  // Success.
 543     case 'l':
 544     case 'L':
 545       if (isLong || isLongLong) break;  // Cannot be repeated.
 546       if (isFloat) break;               // LF invalid.
 547
 548       // Check for long long.  The L's need to be adjacent and the same case.
 549       if (s+1 != ThisTokEnd && s[1] == s[0]) {
 550         if (isFPConstant) break;        // long long invalid for floats.
 551         isLongLong = true;
 552         ++s;  // Eat both of them.
 553       } else {
 554         isLong = true;
 555       }
 556       continue;  // Success.
 557     case 'i':
 558     case 'I':
 559       if (PP.getLangOpts().MicrosoftExt) {
 560         if (isFPConstant || isLong || isLongLong) break;
 561
 562         // Allow i8, i16, i32, i64, and i128.
 563         if (s + 1 != ThisTokEnd) {
 564           switch (s[1]) {
 565             case '8':
 566               s += 2; // i8 suffix
 567               isMicrosoftInteger = true;
 568               break;
 569             case '1':
 570               if (s + 2 == ThisTokEnd) break;
 571               if (s[2] == '6') {
 572                 s += 3; // i16 suffix
 573                 isMicrosoftInteger = true;
 574               }
 575               else if (s[2] == '2') {
 576                 if (s + 3 == ThisTokEnd) break;
 577                 if (s[3] == '8') {
 578                   s += 4; // i128 suffix
 579                   isMicrosoftInteger = true;
 580                 }
 581               }
 582               break;
 583             case '3':
 584               if (s + 2 == ThisTokEnd) break;
 585               if (s[2] == '2') {
 586                 s += 3; // i32 suffix
 587                 isLong = true;
 588                 isMicrosoftInteger = true;
 589               }
 590               break;
 591             case '6':
 592               if (s + 2 == ThisTokEnd) break;
 593               if (s[2] == '4') {
 594                 s += 3; // i64 suffix
 595                 isLongLong = true;
 596                 isMicrosoftInteger = true;
 597               }
 598               break;
 599             default:
 600               break;
 601           }
 602           break;
 603         }
 604       }
 605       // fall through.
 606     case 'j':
 607     case 'J':
 608       if (isImaginary) break;   // Cannot be repeated.
 609       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 610               diag::ext_imaginary_constant);
 611       isImaginary = true;
 612       continue;  // Success.
 613     }
 614     // If we reached here, there was an error or a ud-suffix.
 615     break;
 616   }
 617
 618   if (s != ThisTokEnd) {
 619     if (PP.getLangOpts().CPlusPlus0x && s == SuffixBegin && *s == '_') {
 620       // We have a ud-suffix! By C++11 [lex.ext]p10, ud-suffixes not starting
 621       // with an '_' are ill-formed.
 622       saw_ud_suffix = true;
 623       return;
 624     }
 625
 626     // Report an error if there are any.
 627     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, SuffixBegin - ThisTokBegin),
 628             isFPConstant ? diag::err_invalid_suffix_float_constant :
 629                            diag::err_invalid_suffix_integer_constant)
 630       << StringRef(SuffixBegin, ThisTokEnd-SuffixBegin);
 631     hadError = true;
 632     return;
 633   }
 634 }
 635
 636 /// ParseNumberStartingWithZero - This method is called when the first character
 637 /// of the number is found to be a zero.  This means it is either an octal
 638 /// number (like '04') or a hex number ('0x123a') a binary number ('0b1010') or
 639 /// a floating point number (01239.123e4).  Eat the prefix, determining the
 640 /// radix etc.
 641 void NumericLiteralParser::ParseNumberStartingWithZero(SourceLocation TokLoc) {
 642   assert(s[0] == '0' && "Invalid method call");
 643   s++;
 644
 645   // Handle a hex number like 0x1234.
 646   if ((*s == 'x' || *s == 'X') && (isxdigit(s[1]) || s[1] == '.')) {
 647     s++;
 648     radix = 16;
 649     DigitsBegin = s;
 650     s = SkipHexDigits(s);
 651     bool noSignificand = (s == DigitsBegin);
 652     if (s == ThisTokEnd) {
 653       // Done.
 654     } else if (*s == '.') {
 655       s++;
 656       saw_period = true;
 657       const char *floatDigitsBegin = s;
 658       s = SkipHexDigits(s);
 659       noSignificand &= (floatDigitsBegin == s);
 660     }
 661
 662     if (noSignificand) {
 663       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s - ThisTokBegin),
 664         diag::err_hexconstant_requires_digits);
 665       hadError = true;
 666       return;
 667     }
 668
 669     // A binary exponent can appear with or with a '.'. If dotted, the
 670     // binary exponent is required.
 671     if (*s == 'p' || *s == 'P') {
 672       const char *Exponent = s;
 673       s++;
 674       saw_exponent = true;
 675       if (*s == '+' || *s == '-')  s++; // sign
 676       const char *first_non_digit = SkipDigits(s);
 677       if (first_non_digit == s) {
 678         PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent-ThisTokBegin),
 679                 diag::err_exponent_has_no_digits);
 680         hadError = true;
 681         return;
 682       }
 683       s = first_non_digit;
 684
 685       if (!PP.getLangOpts().HexFloats)
 686         PP.Diag(TokLoc, diag::ext_hexconstant_invalid);
 687     } else if (saw_period) {
 688       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 689               diag::err_hexconstant_requires_exponent);
 690       hadError = true;
 691     }
 692     return;
 693   }
 694
 695   // Handle simple binary numbers 0b01010
 696   if (*s == 'b' || *s == 'B') {
 697     // 0b101010 is a GCC extension.
 698     PP.Diag(TokLoc, diag::ext_binary_literal);
 699     ++s;
 700     radix = 2;
 701     DigitsBegin = s;
 702     s = SkipBinaryDigits(s);
 703     if (s == ThisTokEnd) {
 704       // Done.
 705     } else if (isxdigit(*s)) {
 706       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 707               diag::err_invalid_binary_digit) << StringRef(s, 1);
 708       hadError = true;
 709     }
 710     // Other suffixes will be diagnosed by the caller.
 711     return;
 712   }
 713
 714   // For now, the radix is set to 8. If we discover that we have a
 715   // floating point constant, the radix will change to 10. Octal floating
 716   // point constants are not permitted (only decimal and hexadecimal).
 717   radix = 8;
 718   DigitsBegin = s;
 719   s = SkipOctalDigits(s);
 720   if (s == ThisTokEnd)
 721     return; // Done, simple octal number like 01234
 722
 723   // If we have some other non-octal digit that *is* a decimal digit, see if
 724   // this is part of a floating point number like 094.123 or 09e1.
 725   if (isdigit(*s)) {
 726     const char *EndDecimal = SkipDigits(s);
 727     if (EndDecimal[0] == '.' || EndDecimal[0] == 'e' || EndDecimal[0] == 'E') {
 728       s = EndDecimal;
 729       radix = 10;
 730     }
 731   }
 732
 733   // If we have a hex digit other than 'e' (which denotes a FP exponent) then
 734   // the code is using an incorrect base.
 735   if (isxdigit(*s) && *s != 'e' && *s != 'E') {
 736     PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, s-ThisTokBegin),
 737             diag::err_invalid_octal_digit) << StringRef(s, 1);
 738     hadError = true;
 739     return;
 740   }
 741
 742   if (*s == '.') {
 743     s++;
 744     radix = 10;
 745     saw_period = true;
 746     s = SkipDigits(s); // Skip suffix.
 747   }
 748   if (*s == 'e' || *s == 'E') { // exponent
 749     const char *Exponent = s;
 750     s++;
 751     radix = 10;
 752     saw_exponent = true;
 753     if (*s == '+' || *s == '-')  s++; // sign
 754     const char *first_non_digit = SkipDigits(s);
 755     if (first_non_digit != s) {
 756       s = first_non_digit;
 757     } else {
 758       PP.Diag(PP.AdvanceToTokenCharacter(TokLoc, Exponent-ThisTokBegin),
 759               diag::err_exponent_has_no_digits);
 760       hadError = true;
 761       return;
 762     }
 763   }
 764 }
 765
 766 static bool alwaysFitsInto64Bits(unsigned Radix, unsigned NumDigits) {
 767   switch (Radix) {
 768   case 2:
 769     return NumDigits <= 64;
 770   case 8:
 771     return NumDigits <= 64 / 3; // Digits are groups of 3 bits.
 772   case 10:
 773     return NumDigits <= 19; // floor(log10(2^64))
 774   case 16:
 775     return NumDigits <= 64 / 4; // Digits are groups of 4 bits.
 776   default:
 777     llvm_unreachable("impossible Radix");
 778   }
 779 }
 780
 781 /// GetIntegerValue - Convert this numeric literal value to an APInt that
 782 /// matches Val's input width.  If there is an overflow, set Val to the low bits
 783 /// of the result and return true.  Otherwise, return false.
 784 bool NumericLiteralParser::GetIntegerValue(llvm::APInt &Val) {
 785   // Fast path: Compute a conservative bound on the maximum number of
 786   // bits per digit in this radix. If we can't possibly overflow a
 787   // uint64 based on that bound then do the simple conversion to
 788   // integer. This avoids the expensive overflow checking below, and
 789   // handles the common cases that matter (small decimal integers and
 790   // hex/octal values which don't overflow).
 791   const unsigned NumDigits = SuffixBegin - DigitsBegin;
 792   if (alwaysFitsInto64Bits(radix, NumDigits)) {
 793     uint64_t N = 0;
 794     for (const char *Ptr = DigitsBegin; Ptr != SuffixBegin; ++Ptr)
 795       N = N * radix + HexDigitValue(*Ptr);
 796
 797     // This will truncate the value to Val's input width. Simply check
 798     // for overflow by comparing.
 799     Val = N;
 800     return Val.getZExtValue() != N;
 801   }
 802
 803   Val = 0;
 804   const char *Ptr = DigitsBegin;
 805
 806   llvm::APInt RadixVal(Val.getBitWidth(), radix);
 807   llvm::APInt CharVal(Val.getBitWidth(), 0);
 808   llvm::APInt OldVal = Val;
 809
 810   bool OverflowOccurred = false;
 811   while (Ptr < SuffixBegin) {
 812     unsigned C = HexDigitValue(*Ptr++);
 813
 814     // If this letter is out of bound for this radix, reject it.
 815     assert(C < radix && "NumericLiteralParser ctor should have rejected this");
 816
 817     CharVal = C;
 818
 819     // Add the digit to the value in the appropriate radix.  If adding in digits
 820     // made the value smaller, then this overflowed.
 821     OldVal = Val;
 822
 823     // Multiply by radix, did overflow occur on the multiply?
 824     Val *= RadixVal;
 825     OverflowOccurred |= Val.udiv(RadixVal) != OldVal;
 826
 827     // Add value, did overflow occur on the value?
 828     //   (a + b) ult b  <=> overflow
 829     Val += CharVal;
 830     OverflowOccurred |= Val.ult(CharVal);
 831   }
 832   return OverflowOccurred;
 833 }
 834
 835 llvm::APFloat::opStatus
 836 NumericLiteralParser::GetFloatValue(llvm::APFloat &Result) {
 837   using llvm::APFloat;
 838
 839   unsigned n = std::min(SuffixBegin - ThisTokBegin, ThisTokEnd - ThisTokBegin);
 840   return Result.convertFromString(StringRef(ThisTokBegin, n),
 841                                   APFloat::rmNearestTiesToEven);
 842 }
 843
 844
 845 /// \verbatim
 846 ///       user-defined-character-literal: [C++11 lex.ext]
 847 ///         character-literal ud-suffix
 848 ///       ud-suffix:
 849 ///         identifier
 850 ///       character-literal: [C++11 lex.ccon]
 851 ///         ' c-char-sequence '
 852 ///         u' c-char-sequence '
 853 ///         U' c-char-sequence '
 854 ///         L' c-char-sequence '
 855 ///       c-char-sequence:
 856 ///         c-char
 857 ///         c-char-sequence c-char
 858 ///       c-char:
 859 ///         any member of the source character set except the single-quote ',
 860 ///           backslash \, or new-line character
 861 ///         escape-sequence
 862 ///         universal-character-name
 863 ///       escape-sequence:
 864 ///         simple-escape-sequence
 865 ///         octal-escape-sequence
 866 ///         hexadecimal-escape-sequence
 867 ///       simple-escape-sequence:
 868 ///         one of \' \" \? \\ \a \b \f \n \r \t \v
 869 ///       octal-escape-sequence:
 870 ///         \ octal-digit
 871 ///         \ octal-digit octal-digit
 872 ///         \ octal-digit octal-digit octal-digit
 873 ///       hexadecimal-escape-sequence:
 874 ///         \x hexadecimal-digit
 875 ///         hexadecimal-escape-sequence hexadecimal-digit
 876 ///       universal-character-name: [C++11 lex.charset]
 877 ///         \u hex-quad
 878 ///         \U hex-quad hex-quad
 879 ///       hex-quad:
 880 ///         hex-digit hex-digit hex-digit hex-digit
 881 /// \endverbatim
 882 ///
 883 CharLiteralParser::CharLiteralParser(const char *begin, const char *end,
 884                                      SourceLocation Loc, Preprocessor &PP,
 885                                      tok::TokenKind kind) {
 886   // At this point we know that the character matches the regex "(L|u|U)?'.*'".
 887   HadError = false;
 888
 889   Kind = kind;
 890
 891   const char *TokBegin = begin;
 892
 893   // Skip over wide character determinant.
 894   if (Kind != tok::char_constant) {
 895     ++begin;
 896   }
 897
 898   // Skip over the entry quote.
 899   assert(begin[0] == '\'' && "Invalid token lexed");
 900   ++begin;
 901
 902   // Remove an optional ud-suffix.
 903   if (end[-1] != '\'') {
 904     const char *UDSuffixEnd = end;
 905     do {
 906       --end;
 907     } while (end[-1] != '\'');
 908     UDSuffixBuf.assign(end, UDSuffixEnd);
 909     UDSuffixOffset = end - TokBegin;
 910   }
 911
 912   // Trim the ending quote.
 913   assert(end != begin && "Invalid token lexed");
 914   --end;
 915
 916   // FIXME: The "Value" is an uint64_t so we can handle char literals of
 917   // up to 64-bits.
 918   // FIXME: This extensively assumes that 'char' is 8-bits.
 919   assert(PP.getTargetInfo().getCharWidth() == 8 &&
 920          "Assumes char is 8 bits");
 921   assert(PP.getTargetInfo().getIntWidth() <= 64 &&
 922          (PP.getTargetInfo().getIntWidth() & 7) == 0 &&
 923          "Assumes sizeof(int) on target is <= 64 and a multiple of char");
 924   assert(PP.getTargetInfo().getWCharWidth() <= 64 &&
 925          "Assumes sizeof(wchar) on target is <= 64");
 926
 927   SmallVector<uint32_t,4> codepoint_buffer;
 928   codepoint_buffer.resize(end-begin);
 929   uint32_t *buffer_begin = &codepoint_buffer.front();
 930   uint32_t *buffer_end = buffer_begin + codepoint_buffer.size();
 931
 932   // Unicode escapes representing characters that cannot be correctly
 933   // represented in a single code unit are disallowed in character literals
 934   // by this implementation.
 935   uint32_t largest_character_for_kind;
 936   if (tok::wide_char_constant == Kind) {
 937     largest_character_for_kind = 0xFFFFFFFFu >> (32-PP.getTargetInfo().getWCharWidth());
 938   } else if (tok::utf16_char_constant == Kind) {
 939     largest_character_for_kind = 0xFFFF;
 940   } else if (tok::utf32_char_constant == Kind) {
 941     largest_character_for_kind = 0x10FFFF;
 942   } else {
 943     largest_character_for_kind = 0x7Fu;
 944   }
 945
 946   while (begin!=end) {
 947     // Is this a span of non-escape characters?
 948     if (begin[0] != '\\') {
 949       char const *start = begin;
 950       do {
 951         ++begin;
 952       } while (begin != end && *begin != '\\');
 953
 954       char const *tmp_in_start = start;
 955       uint32_t *tmp_out_start = buffer_begin;
 956       ConversionResult res =
 957       ConvertUTF8toUTF32(reinterpret_cast<UTF8 const **>(&start),
 958                          reinterpret_cast<UTF8 const *>(begin),
 959                          &buffer_begin,buffer_end,strictConversion);
 960       if (res!=conversionOK) {
 961         // If we see bad encoding for unprefixed character literals, warn and
 962         // simply copy the byte values, for compatibility with gcc and
 963         // older versions of clang.
 964         bool NoErrorOnBadEncoding = isAscii();
 965         unsigned Msg = diag::err_bad_character_encoding;
 966         if (NoErrorOnBadEncoding)
 967           Msg = diag::warn_bad_character_encoding;
 968         PP.Diag(Loc, Msg);
 969         if (NoErrorOnBadEncoding) {
 970           start = tmp_in_start;
 971           buffer_begin = tmp_out_start;
 972           for ( ; start != begin; ++start, ++buffer_begin)
 973             *buffer_begin = static_cast<uint8_t>(*start);
 974         } else {
 975           HadError = true;
 976         }
 977       } else {
 978         for (; tmp_out_start <buffer_begin; ++tmp_out_start) {
 979           if (*tmp_out_start > largest_character_for_kind) {
 980             HadError = true;
 981             PP.Diag(Loc, diag::err_character_too_large);
 982           }
 983         }
 984       }
 985
 986       continue;
 987     }
 988     // Is this a Universal Character Name excape?
 989     if (begin[1] == 'u' || begin[1] == 'U') {
 990       unsigned short UcnLen = 0;
 991       if (!ProcessUCNEscape(TokBegin, begin, end, *buffer_begin, UcnLen,
 992                             FullSourceLoc(Loc, PP.getSourceManager()),
 993                             &PP.getDiagnostics(), PP.getLangOpts(),
 994                             true))
 995       {
 996         HadError = true;
 997       } else if (*buffer_begin > largest_character_for_kind) {
 998         HadError = true;
 999         PP.Diag(Loc, diag::err_character_too_large);
1000       }
1001
1002       ++buffer_begin;
1003       continue;
1004     }
1005     unsigned CharWidth = getCharWidth(Kind, PP.getTargetInfo());
1006     uint64_t result =
1007       ProcessCharEscape(TokBegin, begin, end, HadError,
1008                         FullSourceLoc(Loc,PP.getSourceManager()),
1009                         CharWidth, &PP.getDiagnostics(), PP.getLangOpts());
1010     *buffer_begin++ = result;
1011   }
1012
1013   unsigned NumCharsSoFar = buffer_begin-&codepoint_buffer.front();
1014
1015   if (NumCharsSoFar > 1) {
1016     if (isWide())
1017       PP.Diag(Loc, diag::warn_extraneous_char_constant);
1018     else if (isAscii() && NumCharsSoFar == 4)
1019       PP.Diag(Loc, diag::ext_four_char_character_literal);
1020     else if (isAscii())
1021       PP.Diag(Loc, diag::ext_multichar_character_literal);
1022     else
1023       PP.Diag(Loc, diag::err_multichar_utf_character_literal);
1024     IsMultiChar = true;
1025   } else
1026     IsMultiChar = false;
1027
1028   llvm::APInt LitVal(PP.getTargetInfo().getIntWidth(), 0);
1029
1030   // Narrow character literals act as though their value is concatenated
1031   // in this implementation, but warn on overflow.
1032   bool multi_char_too_long = false;
1033   if (isAscii() && isMultiChar()) {
1034     LitVal = 0;
1035     for (size_t i=0;i<NumCharsSoFar;++i) {
1036       // check for enough leading zeros to shift into
1037       multi_char_too_long |= (LitVal.countLeadingZeros() < 8);
1038       LitVal <<= 8;
1039       LitVal = LitVal + (codepoint_buffer[i] & 0xFF);
1040     }
1041   } else if (NumCharsSoFar > 0) {
1042     // otherwise just take the last character
1043     LitVal = buffer_begin[-1];
1044   }
1045
1046   if (!HadError && multi_char_too_long) {
1047     PP.Diag(Loc,diag::warn_char_constant_too_large);
1048   }
1049
1050   // Transfer the value from APInt to uint64_t
1051   Value = LitVal.getZExtValue();
1052
1053   // If this is a single narrow character, sign extend it (e.g. '\xFF' is "-1")
1054   // if 'char' is signed for this target (C99 6.4.4.4p10).  Note that multiple
1055   // character constants are not sign extended in the this implementation:
1056   // '\xFF\xFF' = 65536 and '\x0\xFF' = 255, which matches GCC.
1057   if (isAscii() && NumCharsSoFar == 1 && (Value & 128) &&
1058       PP.getLangOpts().CharIsSigned)
1059     Value = (signed char)Value;
1060 }
1061
1062 /// \verbatim
1063 ///       string-literal: [C++0x lex.string]
1064 ///         encoding-prefix " [s-char-sequence] "
1065 ///         encoding-prefix R raw-string
1066 ///       encoding-prefix:
1067 ///         u8
1068 ///         u
1069 ///         U
1070 ///         L
1071 ///       s-char-sequence:
1072 ///         s-char
1073 ///         s-char-sequence s-char
1074 ///       s-char:
1075 ///         any member of the source character set except the double-quote ",
1076 ///           backslash \, or new-line character
1077 ///         escape-sequence
1078 ///         universal-character-name
1079 ///       raw-string:
1080 ///         " d-char-sequence ( r-char-sequence ) d-char-sequence "
1081 ///       r-char-sequence:
1082 ///         r-char
1083 ///         r-char-sequence r-char
1084 ///       r-char:
1085 ///         any member of the source character set, except a right parenthesis )
1086 ///           followed by the initial d-char-sequence (which may be empty)
1087 ///           followed by a double quote ".
1088 ///       d-char-sequence:
1089 ///         d-char
1090 ///         d-char-sequence d-char
1091 ///       d-char:
1092 ///         any member of the basic source character set except:
1093 ///           space, the left parenthesis (, the right parenthesis ),
1094 ///           the backslash \, and the control characters representing horizontal
1095 ///           tab, vertical tab, form feed, and newline.
1096 ///       escape-sequence: [C++0x lex.ccon]
1097 ///         simple-escape-sequence
1098 ///         octal-escape-sequence
1099 ///         hexadecimal-escape-sequence
1100 ///       simple-escape-sequence:
1101 ///         one of \' \" \? \\ \a \b \f \n \r \t \v
1102 ///       octal-escape-sequence:
1103 ///         \ octal-digit
1104 ///         \ octal-digit octal-digit
1105 ///         \ octal-digit octal-digit octal-digit
1106 ///       hexadecimal-escape-sequence:
1107 ///         \x hexadecimal-digit
1108 ///         hexadecimal-escape-sequence hexadecimal-digit
1109 ///       universal-character-name:
1110 ///         \u hex-quad
1111 ///         \U hex-quad hex-quad
1112 ///       hex-quad:
1113 ///         hex-digit hex-digit hex-digit hex-digit
1114 /// \endverbatim
1115 ///
1116 StringLiteralParser::
1117 StringLiteralParser(const Token *StringToks, unsigned NumStringToks,
1118                     Preprocessor &PP, bool Complain)
1119   : SM(PP.getSourceManager()), Features(PP.getLangOpts()),
1120     Target(PP.getTargetInfo()), Diags(Complain ? &PP.getDiagnostics() : 0),
1121     MaxTokenLength(0), SizeBound(0), CharByteWidth(0), Kind(tok::unknown),
1122     ResultPtr(ResultBuf.data()), hadError(false), Pascal(false) {
1123   init(StringToks, NumStringToks);
1124 }
1125
1126 void StringLiteralParser::init(const Token *StringToks, unsigned NumStringToks){
1127   // The literal token may have come from an invalid source location (e.g. due
1128   // to a PCH error), in which case the token length will be 0.
1129   if (NumStringToks == 0 || StringToks[0].getLength() < 2)
1130     return DiagnoseLexingError(SourceLocation());
1131
1132   // Scan all of the string portions, remember the max individual token length,
1133   // computing a bound on the concatenated string length, and see whether any
1134   // piece is a wide-string.  If any of the string portions is a wide-string
1135   // literal, the result is a wide-string literal [C99 6.4.5p4].
1136   assert(NumStringToks && "expected at least one token");
1137   MaxTokenLength = StringToks[0].getLength();
1138   assert(StringToks[0].getLength() >= 2 && "literal token is invalid!");
1139   SizeBound = StringToks[0].getLength()-2;  // -2 for "".
1140   Kind = StringToks[0].getKind();
1141
1142   hadError = false;
1143
1144   // Implement Translation Phase #6: concatenation of string literals
1145   /// (C99 5.1.1.2p1).  The common case is only one string fragment.
1146   for (unsigned i = 1; i != NumStringToks; ++i) {
1147     if (StringToks[i].getLength() < 2)
1148       return DiagnoseLexingError(StringToks[i].getLocation());
1149
1150     // The string could be shorter than this if it needs cleaning, but this is a
1151     // reasonable bound, which is all we need.
1152     assert(StringToks[i].getLength() >= 2 && "literal token is invalid!");
1153     SizeBound += StringToks[i].getLength()-2;  // -2 for "".
1154
1155     // Remember maximum string piece length.
1156     if (StringToks[i].getLength() > MaxTokenLength)
1157       MaxTokenLength = StringToks[i].getLength();
1158
1159     // Remember if we see any wide or utf-8/16/32 strings.
1160     // Also check for illegal concatenations.
1161     if (StringToks[i].isNot(Kind) && StringToks[i].isNot(tok::string_literal)) {
1162       if (isAscii()) {
1163         Kind = StringToks[i].getKind();
1164       } else {
1165         if (Diags)
1166           Diags->Report(StringToks[i].getLocation(),
1167                         diag::err_unsupported_string_concat);
1168         hadError = true;
1169       }
1170     }
1171   }
1172
1173   // Include space for the null terminator.
1174   ++SizeBound;
1175
1176   // TODO: K&R warning: "traditional C rejects string constant concatenation"
1177
1178   // Get the width in bytes of char/wchar_t/char16_t/char32_t
1179   CharByteWidth = getCharWidth(Kind, Target);
1180   assert((CharByteWidth & 7) == 0 && "Assumes character size is byte multiple");
1181   CharByteWidth /= 8;
1182
1183   // The output buffer size needs to be large enough to hold wide characters.
1184   // This is a worst-case assumption which basically corresponds to L"" "long".
1185   SizeBound *= CharByteWidth;
1186
1187   // Size the temporary buffer to hold the result string data.
1188   ResultBuf.resize(SizeBound);
1189
1190   // Likewise, but for each string piece.
1191   SmallString<512> TokenBuf;
1192   TokenBuf.resize(MaxTokenLength);
1193
1194   // Loop over all the strings, getting their spelling, and expanding them to
1195   // wide strings as appropriate.
1196   ResultPtr = &ResultBuf[0];   // Next byte to fill in.
1197
1198   Pascal = false;
1199
1200   SourceLocation UDSuffixTokLoc;
1201
1202   for (unsigned i = 0, e = NumStringToks; i != e; ++i) {
1203     const char *ThisTokBuf = &TokenBuf[0];
1204     // Get the spelling of the token, which eliminates trigraphs, etc.  We know
1205     // that ThisTokBuf points to a buffer that is big enough for the whole token
1206     // and 'spelled' tokens can only shrink.
1207     bool StringInvalid = false;
1208     unsigned ThisTokLen =
1209       Lexer::getSpelling(StringToks[i], ThisTokBuf, SM, Features,
1210                          &StringInvalid);
1211     if (StringInvalid)
1212       return DiagnoseLexingError(StringToks[i].getLocation());
1213
1214     const char *ThisTokBegin = ThisTokBuf;
1215     const char *ThisTokEnd = ThisTokBuf+ThisTokLen;
1216
1217     // Remove an optional ud-suffix.
1218     if (ThisTokEnd[-1] != '"') {
1219       const char *UDSuffixEnd = ThisTokEnd;
1220       do {
1221         --ThisTokEnd;
1222       } while (ThisTokEnd[-1] != '"');
1223
1224       StringRef UDSuffix(ThisTokEnd, UDSuffixEnd - ThisTokEnd);
1225
1226       if (UDSuffixBuf.empty()) {
1227         UDSuffixBuf.assign(UDSuffix);
1228         UDSuffixToken = i;
1229         UDSuffixOffset = ThisTokEnd - ThisTokBuf;
1230         UDSuffixTokLoc = StringToks[i].getLocation();
1231       } else if (!UDSuffixBuf.equals(UDSuffix)) {
1232         // C++11 [lex.ext]p8: At the end of phase 6, if a string literal is the
1233         // result of a concatenation involving at least one user-defined-string-
1234         // literal, all the participating user-defined-string-literals shall
1235         // have the same ud-suffix.
1236         if (Diags) {
1237           SourceLocation TokLoc = StringToks[i].getLocation();
1238           Diags->Report(TokLoc, diag::err_string_concat_mixed_suffix)
1239             << UDSuffixBuf << UDSuffix
1240             << SourceRange(UDSuffixTokLoc, UDSuffixTokLoc)
1241             << SourceRange(TokLoc, TokLoc);
1242         }
1243         hadError = true;
1244       }
1245     }
1246
1247     // Strip the end quote.
1248     --ThisTokEnd;
1249
1250     // TODO: Input character set mapping support.
1251
1252     // Skip marker for wide or unicode strings.
1253     if (ThisTokBuf[0] == 'L' || ThisTokBuf[0] == 'u' || ThisTokBuf[0] == 'U') {
1254       ++ThisTokBuf;
1255       // Skip 8 of u8 marker for utf8 strings.
1256       if (ThisTokBuf[0] == '8')
1257         ++ThisTokBuf;
1258     }
1259
1260     // Check for raw string
1261     if (ThisTokBuf[0] == 'R') {
1262       ThisTokBuf += 2; // skip R"
1263
1264       const char *Prefix = ThisTokBuf;
1265       while (ThisTokBuf[0] != '(')
1266         ++ThisTokBuf;
1267       ++ThisTokBuf; // skip '('
1268
1269       // Remove same number of characters from the end
1270       ThisTokEnd -= ThisTokBuf - Prefix;
1271       assert(ThisTokEnd >= ThisTokBuf && "malformed raw string literal");
1272
1273       // Copy the string over
1274       if (CopyStringFragment(StringToks[i], ThisTokBegin,
1275                              StringRef(ThisTokBuf, ThisTokEnd - ThisTokBuf)))
1276         hadError = true;
1277     } else {
1278       if (ThisTokBuf[0] != '"') {
1279         // The file may have come from PCH and then changed after loading the
1280         // PCH; Fail gracefully.
1281         return DiagnoseLexingError(StringToks[i].getLocation());
1282       }
1283       ++ThisTokBuf; // skip "
1284
1285       // Check if this is a pascal string
1286       if (Features.PascalStrings && ThisTokBuf + 1 != ThisTokEnd &&
1287           ThisTokBuf[0] == '\\' && ThisTokBuf[1] == 'p') {
1288
1289         // If the \p sequence is found in the first token, we have a pascal string
1290         // Otherwise, if we already have a pascal string, ignore the first \p
1291         if (i == 0) {
1292           ++ThisTokBuf;
1293           Pascal = true;
1294         } else if (Pascal)
1295           ThisTokBuf += 2;
1296       }
1297
1298       while (ThisTokBuf != ThisTokEnd) {
1299         // Is this a span of non-escape characters?
1300         if (ThisTokBuf[0] != '\\') {
1301           const char *InStart = ThisTokBuf;
1302           do {
1303             ++ThisTokBuf;
1304           } while (ThisTokBuf != ThisTokEnd && ThisTokBuf[0] != '\\');
1305
1306           // Copy the character span over.
1307           if (CopyStringFragment(StringToks[i], ThisTokBegin,
1308                                  StringRef(InStart, ThisTokBuf - InStart)))
1309             hadError = true;
1310           continue;
1311         }
1312         // Is this a Universal Character Name escape?
1313         if (ThisTokBuf[1] == 'u' || ThisTokBuf[1] == 'U') {
1314           EncodeUCNEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd,
1315                           ResultPtr, hadError,
1316                           FullSourceLoc(StringToks[i].getLocation(), SM),
1317                           CharByteWidth, Diags, Features);
1318           continue;
1319         }
1320         // Otherwise, this is a non-UCN escape character.  Process it.
1321         unsigned ResultChar =
1322           ProcessCharEscape(ThisTokBegin, ThisTokBuf, ThisTokEnd, hadError,
1323                             FullSourceLoc(StringToks[i].getLocation(), SM),
1324                             CharByteWidth*8, Diags, Features);
1325
1326         if (CharByteWidth == 4) {
1327           // FIXME: Make the type of the result buffer correct instead of
1328           // using reinterpret_cast.
1329           UTF32 *ResultWidePtr = reinterpret_cast<UTF32*>(ResultPtr);
1330           *ResultWidePtr = ResultChar;
1331           ResultPtr += 4;
1332         } else if (CharByteWidth == 2) {
1333           // FIXME: Make the type of the result buffer correct instead of
1334           // using reinterpret_cast.
1335           UTF16 *ResultWidePtr = reinterpret_cast<UTF16*>(ResultPtr);
1336           *ResultWidePtr = ResultChar & 0xFFFF;
1337           ResultPtr += 2;
1338         } else {
1339           assert(CharByteWidth == 1 && "Unexpected char width");
1340           *ResultPtr++ = ResultChar & 0xFF;
1341         }
1342       }
1343     }
1344   }
1345
1346   if (Pascal) {
1347     if (CharByteWidth == 4) {
1348       // FIXME: Make the type of the result buffer correct instead of
1349       // using reinterpret_cast.
1350       UTF32 *ResultWidePtr = reinterpret_cast<UTF32*>(ResultBuf.data());
1351       ResultWidePtr[0] = GetNumStringChars() - 1;
1352     } else if (CharByteWidth == 2) {
1353       // FIXME: Make the type of the result buffer correct instead of
1354       // using reinterpret_cast.
1355       UTF16 *ResultWidePtr = reinterpret_cast<UTF16*>(ResultBuf.data());
1356       ResultWidePtr[0] = GetNumStringChars() - 1;
1357     } else {
1358       assert(CharByteWidth == 1 && "Unexpected char width");
1359       ResultBuf[0] = GetNumStringChars() - 1;
1360     }
1361
1362     // Verify that pascal strings aren't too large.
1363     if (GetStringLength() > 256) {
1364       if (Diags)
1365         Diags->Report(StringToks[0].getLocation(),
1366                       diag::err_pascal_string_too_long)
1367           << SourceRange(StringToks[0].getLocation(),
1368                          StringToks[NumStringToks-1].getLocation());
1369       hadError = true;
1370       return;
1371     }
1372   } else if (Diags) {
1373     // Complain if this string literal has too many characters.
1374     unsigned MaxChars = Features.CPlusPlus? 65536 : Features.C99 ? 4095 : 509;
1375
1376     if (GetNumStringChars() > MaxChars)
1377       Diags->Report(StringToks[0].getLocation(),
1378                     diag::ext_string_too_long)
1379         << GetNumStringChars() << MaxChars
1380         << (Features.CPlusPlus ? 2 : Features.C99 ? 1 : 0)
1381         << SourceRange(StringToks[0].getLocation(),
1382                        StringToks[NumStringToks-1].getLocation());
1383   }
1384 }
1385
1386 static const char *resyncUTF8(const char *Err, const char *End) {
1387   if (Err == End)
1388     return End;
1389   End = Err + std::min<unsigned>(getNumBytesForUTF8(*Err), End-Err);
1390   while (++Err != End && (*Err & 0xC0) == 0x80)
1391     ;
1392   return Err;
1393 }
1394
1395 /// \brief This function copies from Fragment, which is a sequence of bytes
1396 /// within Tok's contents (which begin at TokBegin) into ResultPtr.
1397 /// Performs widening for multi-byte characters.
1398 bool StringLiteralParser::CopyStringFragment(const Token &Tok,
1399                                              const char *TokBegin,
1400                                              StringRef Fragment) {
1401   const UTF8 *ErrorPtrTmp;
1402   if (ConvertUTF8toWide(CharByteWidth, Fragment, ResultPtr, ErrorPtrTmp))
1403     return false;
1404
1405   // If we see bad encoding for unprefixed string literals, warn and
1406   // simply copy the byte values, for compatibility with gcc and older
1407   // versions of clang.
1408   bool NoErrorOnBadEncoding = isAscii();
1409   if (NoErrorOnBadEncoding) {
1410     memcpy(ResultPtr, Fragment.data(), Fragment.size());
1411     ResultPtr += Fragment.size();
1412   }
1413
1414   if (Diags) {
1415     const char *ErrorPtr = reinterpret_cast<const char *>(ErrorPtrTmp);
1416
1417     FullSourceLoc SourceLoc(Tok.getLocation(), SM);
1418     const DiagnosticBuilder &Builder =
1419       Diag(Diags, Features, SourceLoc, TokBegin,
1420            ErrorPtr, resyncUTF8(ErrorPtr, Fragment.end()),
1421            NoErrorOnBadEncoding ? diag::warn_bad_string_encoding
1422                                 : diag::err_bad_string_encoding);
1423
1424     const char *NextStart = resyncUTF8(ErrorPtr, Fragment.end());
1425     StringRef NextFragment(NextStart, Fragment.end()-NextStart);
1426
1427     // Decode into a dummy buffer.
1428     SmallString<512> Dummy;
1429     Dummy.reserve(Fragment.size() * CharByteWidth);
1430     char *Ptr = Dummy.data();
1431
1432     while (!Builder.hasMaxRanges() &&
1433            !ConvertUTF8toWide(CharByteWidth, NextFragment, Ptr, ErrorPtrTmp)) {
1434       const char *ErrorPtr = reinterpret_cast<const char *>(ErrorPtrTmp);
1435       NextStart = resyncUTF8(ErrorPtr, Fragment.end());
1436       Builder << MakeCharSourceRange(Features, SourceLoc, TokBegin,
1437                                      ErrorPtr, NextStart);
1438       NextFragment = StringRef(NextStart, Fragment.end()-NextStart);
1439     }
1440   }
1441   return !NoErrorOnBadEncoding;
1442 }
1443
1444 void StringLiteralParser::DiagnoseLexingError(SourceLocation Loc) {
1445   hadError = true;
1446   if (Diags)
1447     Diags->Report(Loc, diag::err_lexing_string);
1448 }
1449
1450 /// getOffsetOfStringByte - This function returns the offset of the
1451 /// specified byte of the string data represented by Token.  This handles
1452 /// advancing over escape sequences in the string.
1453 unsigned StringLiteralParser::getOffsetOfStringByte(const Token &Tok,
1454                                                     unsigned ByteNo) const {
1455   // Get the spelling of the token.
1456   SmallString<32> SpellingBuffer;
1457   SpellingBuffer.resize(Tok.getLength());
1458
1459   bool StringInvalid = false;
1460   const char *SpellingPtr = &SpellingBuffer[0];
1461   unsigned TokLen = Lexer::getSpelling(Tok, SpellingPtr, SM, Features,
1462                                        &StringInvalid);
1463   if (StringInvalid)
1464     return 0;
1465
1466   const char *SpellingStart = SpellingPtr;
1467   const char *SpellingEnd = SpellingPtr+TokLen;
1468
1469   // Handle UTF-8 strings just like narrow strings.
1470   if (SpellingPtr[0] == 'u' && SpellingPtr[1] == '8')
1471     SpellingPtr += 2;
1472
1473   assert(SpellingPtr[0] != 'L' && SpellingPtr[0] != 'u' &&
1474          SpellingPtr[0] != 'U' && "Doesn't handle wide or utf strings yet");
1475
1476   // For raw string literals, this is easy.
1477   if (SpellingPtr[0] == 'R') {
1478     assert(SpellingPtr[1] == '"' && "Should be a raw string literal!");
1479     // Skip 'R"'.
1480     SpellingPtr += 2;
1481     while (*SpellingPtr != '(') {
1482       ++SpellingPtr;
1483       assert(SpellingPtr < SpellingEnd && "Missing ( for raw string literal");
1484     }
1485     // Skip '('.
1486     ++SpellingPtr;
1487     return SpellingPtr - SpellingStart + ByteNo;
1488   }
1489
1490   // Skip over the leading quote
1491   assert(SpellingPtr[0] == '"' && "Should be a string literal!");
1492   ++SpellingPtr;
1493
1494   // Skip over bytes until we find the offset we're looking for.
1495   while (ByteNo) {
1496     assert(SpellingPtr < SpellingEnd && "Didn't find byte offset!");
1497
1498     // Step over non-escapes simply.
1499     if (*SpellingPtr != '\\') {
1500       ++SpellingPtr;
1501       --ByteNo;
1502       continue;
1503     }
1504
1505     // Otherwise, this is an escape character.  Advance over it.
1506     bool HadError = false;
1507     if (SpellingPtr[1] == 'u' || SpellingPtr[1] == 'U') {
1508       const char *EscapePtr = SpellingPtr;
1509       unsigned Len = MeasureUCNEscape(SpellingStart, SpellingPtr, SpellingEnd,
1510                                       1, Features, HadError);
1511       if (Len > ByteNo) {
1512         // ByteNo is somewhere within the escape sequence.
1513         SpellingPtr = EscapePtr;
1514         break;
1515       }
1516       ByteNo -= Len;
1517     } else {
1518       ProcessCharEscape(SpellingStart, SpellingPtr, SpellingEnd, HadError,
1519                         FullSourceLoc(Tok.getLocation(), SM),
1520                         CharByteWidth*8, Diags, Features);
1521       --ByteNo;
1522     }
1523     assert(!HadError && "This method isn't valid on erroneous strings");
1524   }
1525
1526   return SpellingPtr-SpellingStart;
1527 }