blib2to3/pgen2/tokenize.py

   1 # Copyright (c) 2001, 2002, 2003, 2004, 2005, 2006 Python Software Foundation.
   2 # All rights reserved.
   3
   4 """Tokenization help for Python programs.
   5
   6 generate_tokens(readline) is a generator that breaks a stream of
   7 text into Python tokens.  It accepts a readline-like method which is called
   8 repeatedly to get the next line of input (or "" for EOF).  It generates
   9 5-tuples with these members:
  10
  11     the token type (see token.py)
  12     the token (a string)
  13     the starting (row, column) indices of the token (a 2-tuple of ints)
  14     the ending (row, column) indices of the token (a 2-tuple of ints)
  15     the original line (string)
  16
  17 It is designed to match the working of the Python tokenizer exactly, except
  18 that it produces COMMENT tokens for comments and gives type OP for all
  19 operators
  20
  21 Older entry points
  22     tokenize_loop(readline, tokeneater)
  23     tokenize(readline, tokeneater=printtoken)
  24 are the same, except instead of generating tokens, tokeneater is a callback
  25 function to which the 5 fields described above are passed as 5 arguments,
  26 each time a new token is found."""
  27
  28 __author__ = 'Ka-Ping Yee <ping@lfw.org>'
  29 __credits__ = \
  30     'GvR, ESR, Tim Peters, Thomas Wouters, Fred Drake, Skip Montanaro'
  31
  32 import regex as re
  33 from codecs import BOM_UTF8, lookup
  34 from blib2to3.pgen2.token import *
  35
  36 from . import token
  37 __all__ = [x for x in dir(token) if x[0] != '_'] + ["tokenize",
  38            "generate_tokens", "untokenize"]
  39 del token
  40
  41 try:
  42     bytes
  43 except NameError:
  44     # Support bytes type in Python <= 2.5, so 2to3 turns itself into
  45     # valid Python 3 code.
  46     bytes = str
  47
  48 def group(*choices): return '(' + '|'.join(choices) + ')'
  49 def any(*choices): return group(*choices) + '*'
  50 def maybe(*choices): return group(*choices) + '?'
  51 def _combinations(*l):
  52     return set(
  53         x + y for x in l for y in l + ("",) if x.casefold() != y.casefold()
  54     )
  55
  56 Whitespace = r'[ \f\t]*'
  57 Comment = r'#[^\r\n]*'
  58 Ignore = Whitespace + any(r'\\\r?\n' + Whitespace) + maybe(Comment)
  59 Name = r'\w+'  # this is invalid but it's fine because Name comes after Number in all groups
  60
  61 Binnumber = r'0[bB]_?[01]+(?:_[01]+)*'
  62 Hexnumber = r'0[xX]_?[\da-fA-F]+(?:_[\da-fA-F]+)*[lL]?'
  63 Octnumber = r'0[oO]?_?[0-7]+(?:_[0-7]+)*[lL]?'
  64 Decnumber = group(r'[1-9]\d*(?:_\d+)*[lL]?', '0[lL]?')
  65 Intnumber = group(Binnumber, Hexnumber, Octnumber, Decnumber)
  66 Exponent = r'[eE][-+]?\d+(?:_\d+)*'
  67 Pointfloat = group(r'\d+(?:_\d+)*\.(?:\d+(?:_\d+)*)?', r'\.\d+(?:_\d+)*') + maybe(Exponent)
  68 Expfloat = r'\d+(?:_\d+)*' + Exponent
  69 Floatnumber = group(Pointfloat, Expfloat)
  70 Imagnumber = group(r'\d+(?:_\d+)*[jJ]', Floatnumber + r'[jJ]')
  71 Number = group(Imagnumber, Floatnumber, Intnumber)
  72
  73 # Tail end of ' string.
  74 Single = r"[^'\\]*(?:\\.[^'\\]*)*'"
  75 # Tail end of " string.
  76 Double = r'[^"\\]*(?:\\.[^"\\]*)*"'
  77 # Tail end of ''' string.
  78 Single3 = r"[^'\\]*(?:(?:\\.|'(?!''))[^'\\]*)*'''"
  79 # Tail end of """ string.
  80 Double3 = r'[^"\\]*(?:(?:\\.|"(?!""))[^"\\]*)*"""'
  81 _litprefix = r"(?:[uUrRbBfF]|[rR][fFbB]|[fFbBuU][rR])?"
  82 Triple = group(_litprefix + "'''", _litprefix + '"""')
  83 # Single-line ' or " string.
  84 String = group(_litprefix + r"'[^\n'\\]*(?:\\.[^\n'\\]*)*'",
  85                _litprefix + r'"[^\n"\\]*(?:\\.[^\n"\\]*)*"')
  86
  87 # Because of leftmost-then-longest match semantics, be sure to put the
  88 # longest operators first (e.g., if = came before ==, == would get
  89 # recognized as two instances of =).
  90 Operator = group(r"\*\*=?", r">>=?", r"<<=?", r"<>", r"!=",
  91                  r"//=?", r"->",
  92                  r"[+\-*/%&@|^=<>:]=?",
  93                  r"~")
  94
  95 Bracket = '[][(){}]'
  96 Special = group(r'\r?\n', r'[:;.,`@]')
  97 Funny = group(Operator, Bracket, Special)
  98
  99 PlainToken = group(Number, Funny, String, Name)
 100 Token = Ignore + PlainToken
 101
 102 # First (or only) line of ' or " string.
 103 ContStr = group(_litprefix + r"'[^\n'\\]*(?:\\.[^\n'\\]*)*" +
 104                 group("'", r'\\\r?\n'),
 105                 _litprefix + r'"[^\n"\\]*(?:\\.[^\n"\\]*)*' +
 106                 group('"', r'\\\r?\n'))
 107 PseudoExtras = group(r'\\\r?\n', Comment, Triple)
 108 PseudoToken = Whitespace + group(PseudoExtras, Number, Funny, ContStr, Name)
 109
 110 tokenprog = re.compile(Token, re.UNICODE)
 111 pseudoprog = re.compile(PseudoToken, re.UNICODE)
 112 single3prog = re.compile(Single3)
 113 double3prog = re.compile(Double3)
 114
 115 _strprefixes = (
 116     _combinations('r', 'R', 'f', 'F') |
 117     _combinations('r', 'R', 'b', 'B') |
 118     {'u', 'U', 'ur', 'uR', 'Ur', 'UR'}
 119 )
 120
 121 endprogs = {"'": re.compile(Single), '"': re.compile(Double),
 122             "'''": single3prog, '"""': double3prog,
 123             **{f"{prefix}'''": single3prog for prefix in _strprefixes},
 124             **{f'{prefix}"""': double3prog for prefix in _strprefixes},
 125             **{prefix: None for prefix in _strprefixes}}
 126
 127 triple_quoted = (
 128     {"'''", '"""'} |
 129     {f"{prefix}'''" for prefix in _strprefixes} |
 130     {f'{prefix}"""' for prefix in _strprefixes}
 131 )
 132 single_quoted = (
 133     {"'", '"'} |
 134     {f"{prefix}'" for prefix in _strprefixes} |
 135     {f'{prefix}"' for prefix in _strprefixes}
 136 )
 137
 138 tabsize = 8
 139
 140 class TokenError(Exception): pass
 141
 142 class StopTokenizing(Exception): pass
 143
 144 def printtoken(type, token, xxx_todo_changeme, xxx_todo_changeme1, line): # for testing
 145     (srow, scol) = xxx_todo_changeme
 146     (erow, ecol) = xxx_todo_changeme1
 147     print("%d,%d-%d,%d:\t%s\t%s" % \
 148         (srow, scol, erow, ecol, tok_name[type], repr(token)))
 149
 150 def tokenize(readline, tokeneater=printtoken):
 151     """
 152     The tokenize() function accepts two parameters: one representing the
 153     input stream, and one providing an output mechanism for tokenize().
 154
 155     The first parameter, readline, must be a callable object which provides
 156     the same interface as the readline() method of built-in file objects.
 157     Each call to the function should return one line of input as a string.
 158
 159     The second parameter, tokeneater, must also be a callable object. It is
 160     called once for each token, with five arguments, corresponding to the
 161     tuples generated by generate_tokens().
 162     """
 163     try:
 164         tokenize_loop(readline, tokeneater)
 165     except StopTokenizing:
 166         pass
 167
 168 # backwards compatible interface
 169 def tokenize_loop(readline, tokeneater):
 170     for token_info in generate_tokens(readline):
 171         tokeneater(*token_info)
 172
 173 class Untokenizer:
 174
 175     def __init__(self):
 176         self.tokens = []
 177         self.prev_row = 1
 178         self.prev_col = 0
 179
 180     def add_whitespace(self, start):
 181         row, col = start
 182         assert row <= self.prev_row
 183         col_offset = col - self.prev_col
 184         if col_offset:
 185             self.tokens.append(" " * col_offset)
 186
 187     def untokenize(self, iterable):
 188         for t in iterable:
 189             if len(t) == 2:
 190                 self.compat(t, iterable)
 191                 break
 192             tok_type, token, start, end, line = t
 193             self.add_whitespace(start)
 194             self.tokens.append(token)
 195             self.prev_row, self.prev_col = end
 196             if tok_type in (NEWLINE, NL):
 197                 self.prev_row += 1
 198                 self.prev_col = 0
 199         return "".join(self.tokens)
 200
 201     def compat(self, token, iterable):
 202         startline = False
 203         indents = []
 204         toks_append = self.tokens.append
 205         toknum, tokval = token
 206         if toknum in (NAME, NUMBER):
 207             tokval += ' '
 208         if toknum in (NEWLINE, NL):
 209             startline = True
 210         for tok in iterable:
 211             toknum, tokval = tok[:2]
 212
 213             if toknum in (NAME, NUMBER, ASYNC, AWAIT):
 214                 tokval += ' '
 215
 216             if toknum == INDENT:
 217                 indents.append(tokval)
 218                 continue
 219             elif toknum == DEDENT:
 220                 indents.pop()
 221                 continue
 222             elif toknum in (NEWLINE, NL):
 223                 startline = True
 224             elif startline and indents:
 225                 toks_append(indents[-1])
 226                 startline = False
 227             toks_append(tokval)
 228
 229 cookie_re = re.compile(r'^[ \t\f]*#.*?coding[:=][ \t]*([-\w.]+)', re.ASCII)
 230 blank_re = re.compile(br'^[ \t\f]*(?:[#\r\n]|$)', re.ASCII)
 231
 232 def _get_normal_name(orig_enc):
 233     """Imitates get_normal_name in tokenizer.c."""
 234     # Only care about the first 12 characters.
 235     enc = orig_enc[:12].lower().replace("_", "-")
 236     if enc == "utf-8" or enc.startswith("utf-8-"):
 237         return "utf-8"
 238     if enc in ("latin-1", "iso-8859-1", "iso-latin-1") or \
 239        enc.startswith(("latin-1-", "iso-8859-1-", "iso-latin-1-")):
 240         return "iso-8859-1"
 241     return orig_enc
 242
 243 def detect_encoding(readline):
 244     """
 245     The detect_encoding() function is used to detect the encoding that should
 246     be used to decode a Python source file. It requires one argument, readline,
 247     in the same way as the tokenize() generator.
 248
 249     It will call readline a maximum of twice, and return the encoding used
 250     (as a string) and a list of any lines (left as bytes) it has read
 251     in.
 252
 253     It detects the encoding from the presence of a utf-8 bom or an encoding
 254     cookie as specified in pep-0263. If both a bom and a cookie are present, but
 255     disagree, a SyntaxError will be raised. If the encoding cookie is an invalid
 256     charset, raise a SyntaxError.  Note that if a utf-8 bom is found,
 257     'utf-8-sig' is returned.
 258
 259     If no encoding is specified, then the default of 'utf-8' will be returned.
 260     """
 261     bom_found = False
 262     encoding = None
 263     default = 'utf-8'
 264     def read_or_stop():
 265         try:
 266             return readline()
 267         except StopIteration:
 268             return bytes()
 269
 270     def find_cookie(line):
 271         try:
 272             line_string = line.decode('ascii')
 273         except UnicodeDecodeError:
 274             return None
 275         match = cookie_re.match(line_string)
 276         if not match:
 277             return None
 278         encoding = _get_normal_name(match.group(1))
 279         try:
 280             codec = lookup(encoding)
 281         except LookupError:
 282             # This behaviour mimics the Python interpreter
 283             raise SyntaxError("unknown encoding: " + encoding)
 284
 285         if bom_found:
 286             if codec.name != 'utf-8':
 287                 # This behaviour mimics the Python interpreter
 288                 raise SyntaxError('encoding problem: utf-8')
 289             encoding += '-sig'
 290         return encoding
 291
 292     first = read_or_stop()
 293     if first.startswith(BOM_UTF8):
 294         bom_found = True
 295         first = first[3:]
 296         default = 'utf-8-sig'
 297     if not first:
 298         return default, []
 299
 300     encoding = find_cookie(first)
 301     if encoding:
 302         return encoding, [first]
 303     if not blank_re.match(first):
 304         return default, [first]
 305
 306     second = read_or_stop()
 307     if not second:
 308         return default, [first]
 309
 310     encoding = find_cookie(second)
 311     if encoding:
 312         return encoding, [first, second]
 313
 314     return default, [first, second]
 315
 316 def untokenize(iterable):
 317     """Transform tokens back into Python source code.
 318
 319     Each element returned by the iterable must be a token sequence
 320     with at least two elements, a token number and token value.  If
 321     only two tokens are passed, the resulting output is poor.
 322
 323     Round-trip invariant for full input:
 324         Untokenized source will match input source exactly
 325
 326     Round-trip invariant for limited intput:
 327         # Output text will tokenize the back to the input
 328         t1 = [tok[:2] for tok in generate_tokens(f.readline)]
 329         newcode = untokenize(t1)
 330         readline = iter(newcode.splitlines(1)).next
 331         t2 = [tok[:2] for tokin generate_tokens(readline)]
 332         assert t1 == t2
 333     """
 334     ut = Untokenizer()
 335     return ut.untokenize(iterable)
 336
 337 def generate_tokens(readline, grammar=None):
 338     """
 339     The generate_tokens() generator requires one argument, readline, which
 340     must be a callable object which provides the same interface as the
 341     readline() method of built-in file objects. Each call to the function
 342     should return one line of input as a string.  Alternately, readline
 343     can be a callable function terminating with StopIteration:
 344         readline = open(myfile).next    # Example of alternate readline
 345
 346     The generator produces 5-tuples with these members: the token type; the
 347     token string; a 2-tuple (srow, scol) of ints specifying the row and
 348     column where the token begins in the source; a 2-tuple (erow, ecol) of
 349     ints specifying the row and column where the token ends in the source;
 350     and the line on which the token was found. The line passed is the
 351     logical line; continuation lines are included.
 352     """
 353     lnum = parenlev = continued = 0
 354     numchars = '0123456789'
 355     contstr, needcont = '', 0
 356     contline = None
 357     indents = [0]
 358
 359     # If we know we're parsing 3.7+, we can unconditionally parse `async` and
 360     # `await` as keywords.
 361     async_keywords = False if grammar is None else grammar.async_keywords
 362     # 'stashed' and 'async_*' are used for async/await parsing
 363     stashed = None
 364     async_def = False
 365     async_def_indent = 0
 366     async_def_nl = False
 367
 368     while 1:                                   # loop over lines in stream
 369         try:
 370             line = readline()
 371         except StopIteration:
 372             line = ''
 373         lnum = lnum + 1
 374         pos, max = 0, len(line)
 375
 376         if contstr:                            # continued string
 377             if not line:
 378                 raise TokenError("EOF in multi-line string", strstart)
 379             endmatch = endprog.match(line)
 380             if endmatch:
 381                 pos = end = endmatch.end(0)
 382                 yield (STRING, contstr + line[:end],
 383                        strstart, (lnum, end), contline + line)
 384                 contstr, needcont = '', 0
 385                 contline = None
 386             elif needcont and line[-2:] != '\\\n' and line[-3:] != '\\\r\n':
 387                 yield (ERRORTOKEN, contstr + line,
 388                            strstart, (lnum, len(line)), contline)
 389                 contstr = ''
 390                 contline = None
 391                 continue
 392             else:
 393                 contstr = contstr + line
 394                 contline = contline + line
 395                 continue
 396
 397         elif parenlev == 0 and not continued:  # new statement
 398             if not line: break
 399             column = 0
 400             while pos < max:                   # measure leading whitespace
 401                 if line[pos] == ' ': column = column + 1
 402                 elif line[pos] == '\t': column = (column//tabsize + 1)*tabsize
 403                 elif line[pos] == '\f': column = 0
 404                 else: break
 405                 pos = pos + 1
 406             if pos == max: break
 407
 408             if stashed:
 409                 yield stashed
 410                 stashed = None
 411
 412             if line[pos] in '\r\n':            # skip blank lines
 413                 yield (NL, line[pos:], (lnum, pos), (lnum, len(line)), line)
 414                 continue
 415
 416             if line[pos] == '#':               # skip comments
 417                 comment_token = line[pos:].rstrip('\r\n')
 418                 nl_pos = pos + len(comment_token)
 419                 yield (COMMENT, comment_token,
 420                         (lnum, pos), (lnum, pos + len(comment_token)), line)
 421                 yield (NL, line[nl_pos:],
 422                         (lnum, nl_pos), (lnum, len(line)), line)
 423                 continue
 424
 425             if column > indents[-1]:           # count indents
 426                 indents.append(column)
 427                 yield (INDENT, line[:pos], (lnum, 0), (lnum, pos), line)
 428
 429             while column < indents[-1]:        # count dedents
 430                 if column not in indents:
 431                     raise IndentationError(
 432                         "unindent does not match any outer indentation level",
 433                         ("<tokenize>", lnum, pos, line))
 434                 indents = indents[:-1]
 435
 436                 if async_def and async_def_indent >= indents[-1]:
 437                     async_def = False
 438                     async_def_nl = False
 439                     async_def_indent = 0
 440
 441                 yield (DEDENT, '', (lnum, pos), (lnum, pos), line)
 442
 443             if async_def and async_def_nl and async_def_indent >= indents[-1]:
 444                 async_def = False
 445                 async_def_nl = False
 446                 async_def_indent = 0
 447
 448         else:                                  # continued statement
 449             if not line:
 450                 raise TokenError("EOF in multi-line statement", (lnum, 0))
 451             continued = 0
 452
 453         while pos < max:
 454             pseudomatch = pseudoprog.match(line, pos)
 455             if pseudomatch:                                # scan for tokens
 456                 start, end = pseudomatch.span(1)
 457                 spos, epos, pos = (lnum, start), (lnum, end), end
 458                 token, initial = line[start:end], line[start]
 459
 460                 if initial in numchars or \
 461                    (initial == '.' and token != '.'):      # ordinary number
 462                     yield (NUMBER, token, spos, epos, line)
 463                 elif initial in '\r\n':
 464                     newline = NEWLINE
 465                     if parenlev > 0:
 466                         newline = NL
 467                     elif async_def:
 468                         async_def_nl = True
 469                     if stashed:
 470                         yield stashed
 471                         stashed = None
 472                     yield (newline, token, spos, epos, line)
 473
 474                 elif initial == '#':
 475                     assert not token.endswith("\n")
 476                     if stashed:
 477                         yield stashed
 478                         stashed = None
 479                     yield (COMMENT, token, spos, epos, line)
 480                 elif token in triple_quoted:
 481                     endprog = endprogs[token]
 482                     endmatch = endprog.match(line, pos)
 483                     if endmatch:                           # all on one line
 484                         pos = endmatch.end(0)
 485                         token = line[start:pos]
 486                         if stashed:
 487                             yield stashed
 488                             stashed = None
 489                         yield (STRING, token, spos, (lnum, pos), line)
 490                     else:
 491                         strstart = (lnum, start)           # multiple lines
 492                         contstr = line[start:]
 493                         contline = line
 494                         break
 495                 elif initial in single_quoted or \
 496                     token[:2] in single_quoted or \
 497                     token[:3] in single_quoted:
 498                     if token[-1] == '\n':                  # continued string
 499                         strstart = (lnum, start)
 500                         endprog = (endprogs[initial] or endprogs[token[1]] or
 501                                    endprogs[token[2]])
 502                         contstr, needcont = line[start:], 1
 503                         contline = line
 504                         break
 505                     else:                                  # ordinary string
 506                         if stashed:
 507                             yield stashed
 508                             stashed = None
 509                         yield (STRING, token, spos, epos, line)
 510                 elif initial.isidentifier():               # ordinary name
 511                     if token in ('async', 'await'):
 512                         if async_keywords or async_def:
 513                             yield (ASYNC if token == 'async' else AWAIT,
 514                                    token, spos, epos, line)
 515                             continue
 516
 517                     tok = (NAME, token, spos, epos, line)
 518                     if token == 'async' and not stashed:
 519                         stashed = tok
 520                         continue
 521
 522                     if token in ('def', 'for'):
 523                         if (stashed
 524                                 and stashed[0] == NAME
 525                                 and stashed[1] == 'async'):
 526
 527                             if token == 'def':
 528                                 async_def = True
 529                                 async_def_indent = indents[-1]
 530
 531                             yield (ASYNC, stashed[1],
 532                                    stashed[2], stashed[3],
 533                                    stashed[4])
 534                             stashed = None
 535
 536                     if stashed:
 537                         yield stashed
 538                         stashed = None
 539
 540                     yield tok
 541                 elif initial == '\\':                      # continued stmt
 542                     # This yield is new; needed for better idempotency:
 543                     if stashed:
 544                         yield stashed
 545                         stashed = None
 546                     yield (NL, token, spos, (lnum, pos), line)
 547                     continued = 1
 548                 else:
 549                     if initial in '([{': parenlev = parenlev + 1
 550                     elif initial in ')]}': parenlev = parenlev - 1
 551                     if stashed:
 552                         yield stashed
 553                         stashed = None
 554                     yield (OP, token, spos, epos, line)
 555             else:
 556                 yield (ERRORTOKEN, line[pos],
 557                            (lnum, pos), (lnum, pos+1), line)
 558                 pos = pos + 1
 559
 560     if stashed:
 561         yield stashed
 562         stashed = None
 563
 564     for indent in indents[1:]:                 # pop remaining indent levels
 565         yield (DEDENT, '', (lnum, 0), (lnum, 0), '')
 566     yield (ENDMARKER, '', (lnum, 0), (lnum, 0), '')
 567
 568 if __name__ == '__main__':                     # testing
 569     import sys
 570     if len(sys.argv) > 1: tokenize(open(sys.argv[1]).readline)
 571     else: tokenize(sys.stdin.readline)