]> git.saurik.com Git - apple/icu.git/blobdiff - icuSources/common/unicode/rbbi.h
ICU-400.42.tar.gz
[apple/icu.git] / icuSources / common / unicode / rbbi.h
index fdad980a50e09a090fb183e7201dfd2bbc22ef29..90ec6e6bd6acba6138a6442272b9e39fb843b16c 100644 (file)
@@ -1,6 +1,6 @@
 /*
 ***************************************************************************
-*   Copyright (C) 1999-2003 International Business Machines Corporation   *
+*   Copyright (C) 1999-2008 International Business Machines Corporation   *
 *   and others. All rights reserved.                                      *
 ***************************************************************************
 
 
 #include "unicode/utypes.h"
 
+/**
+ * \file
+ * \brief C++ API: Rule Based Break Iterator
+ */
+
 #if !UCONFIG_NO_BREAK_ITERATION
 
 #include "unicode/brkiter.h"
 #include "unicode/udata.h"
 #include "unicode/parseerr.h"
+#include "unicode/schriter.h"
+#include "unicode/uchriter.h"
+
 
 struct UTrie;
 
 U_NAMESPACE_BEGIN
 
+/** @internal */
 struct RBBIDataHeader;
 class  RuleBasedBreakIteratorTables;
 class  BreakIterator;
 class  RBBIDataWrapper;
+class  UStack;
+class  LanguageBreakEngine;
+class  UnhandledEngine;
+struct RBBIStateTable;
+
 
 
 
 /**
+ *
  * A subclass of BreakIterator whose behavior is specified using a list of rules.
  * <p>Instances of this class are most commonly created by the factory methods of
  *  BreakIterator::createWordInstance(), BreakIterator::createLineInstance(), etc.,
@@ -42,7 +57,7 @@ class  RBBIDataWrapper;
  * <p>See the ICU User Guide for information on Break Iterator Rules.</p>
  *
  * <p>This class is not intended to be subclassed.  (Class DictionaryBasedBreakIterator
- *    is a subclass, but that relationship is effectively internal to the ICU 
+ *    is a subclass, but that relationship is effectively internal to the ICU
  *    implementation.  The subclassing interface to RulesBasedBreakIterator is
  *    not part of the ICU API, and may not remain stable.</p>
  *
@@ -51,23 +66,42 @@ class U_COMMON_API RuleBasedBreakIterator : public BreakIterator {
 
 protected:
     /**
-     * The character iterator through which this BreakIterator accesses the text
+     * The UText through which this BreakIterator accesses the text
      * @internal
      */
-    CharacterIterator*  fText;
+    UText  *fText;
+
+    /**
+     *   A character iterator that refers to the same text as the UText, above.
+     *   Only included for compatibility with old API, which was based on CharacterIterators.
+     *   Value may be adopted from outside, or one of fSCharIter or fDCharIter, below.
+     */
+    CharacterIterator  *fCharIter;
+
+    /**
+     *   When the input text is provided by a UnicodeString, this will point to
+     *    a characterIterator that wraps that data.  Needed only for the
+     *    implementation of getText(), a backwards compatibility issue.
+     */
+    StringCharacterIterator *fSCharIter;
+
+    /**
+     *  When the input text is provided by a UText, this
+     *    dummy CharacterIterator over an empty string will
+     *    be returned from getText()
+     */
+    UCharCharacterIterator *fDCharIter;
 
     /**
      * The rule data for this BreakIterator instance
      * @internal
      */
     RBBIDataWrapper    *fData;
-    /** @internal */
-    UTrie              *fCharMappings;
 
-    /** Rule {tag} value for the most recent match. 
+    /** Index of the Rule {tag} values for the most recent match.
      *  @internal
     */
-    int32_t             fLastBreakTag;
+    int32_t             fLastRuleStatusIndex;
 
     /**
      * Rule tag value valid flag.
@@ -75,43 +109,78 @@ protected:
      * This flag lets us lazily compute the value if we are ever asked for it.
      * @internal
      */
-    UBool               fLastBreakTagValid;
+    UBool               fLastStatusIndexValid;
 
     /**
      * Counter for the number of characters encountered with the "dictionary"
-     *   flag set.  Normal RBBI iterators don't use it, although the code
-     *   for updating it is live.  Dictionary Based break iterators (a subclass
-     *   of us) access this field directly.
+     *   flag set.
      * @internal
      */
-    uint32_t           fDictionaryCharCount;
+    uint32_t            fDictionaryCharCount;
 
     /**
-     * Debugging flag.  Trace operation of state machine when true.
+     * When a range of characters is divided up using the dictionary, the break
+     * positions that are discovered are stored here, preventing us from having
+     * to use either the dictionary or the state table again until the iterator
+     * leaves this range of text. Has the most impact for line breaking.
      * @internal
      */
-    static UBool        fTrace;
-
-
+    int32_t*            fCachedBreakPositions;
 
-private:
     /**
-     * Class ID
+     * The number of elements in fCachedBreakPositions
+     * @internal
      */
-    static const char fgClassID;
+    int32_t             fNumCachedBreakPositions;
 
+    /**
+     * if fCachedBreakPositions is not null, this indicates which item in the
+     * cache the current iteration position refers to
+     * @internal
+     */
+    int32_t             fPositionInCache;
+    
+    /**
+     *
+     * If present, UStack of LanguageBreakEngine objects that might handle
+     * dictionary characters. Searched from top to bottom to find an object to
+     * handle a given character.
+     * @internal
+     */
+    UStack              *fLanguageBreakEngines;
+    
+    /**
+     *
+     * If present, the special LanguageBreakEngine used for handling
+     * characters that are in the dictionary set, but not handled by any
+     * LangugageBreakEngine.
+     * @internal
+     */
+    UnhandledEngine     *fUnhandledBreakEngine;
+    
+    /**
+     *
+     * The type of the break iterator, or -1 if it has not been set.
+     * @internal
+     */
+    int32_t             fBreakType;
+    
 protected:
     //=======================================================================
     // constructors
     //=======================================================================
 
     /**
-     * This constructor uses the udata interface to create a BreakIterator
-     * whose internal tables live in a memory-mapped file.  "image" is a pointer
-     * to the beginning of that file.
+     * Constant to be used in the constructor
+     * RuleBasedBreakIterator(RBBIDataHeader*, EDontAdopt, UErrorCode &);
+     * which does not adopt the memory indicated by the RBBIDataHeader*
+     * parameter.
+     *
      * @internal
      */
-    RuleBasedBreakIterator(UDataMemory* image, UErrorCode &status);
+    enum EDontAdopt {
+        kDontAdopt
+    };
 
     /**
      * Constructor from a flattened set of RBBI data in malloced memory.
@@ -125,7 +194,19 @@ protected:
      */
     RuleBasedBreakIterator(RBBIDataHeader* data, UErrorCode &status);
 
-    friend class RBBIRuleBuilder; /** @internal */
+    /**
+     * Constructor from a flattened set of RBBI data in memory which need not
+     *             be malloced (e.g. it may be a memory-mapped file, etc.).
+     *
+     *             This version does not adopt the memory, and does not
+     *             free it when done.
+     * @internal
+     */
+    RuleBasedBreakIterator(const RBBIDataHeader* data, enum EDontAdopt dontAdopt, UErrorCode &status);
+
+
+    friend class RBBIRuleBuilder;
+    /** @internal */
     friend class BreakIterator;
 
 
@@ -134,7 +215,7 @@ public:
 
     /** Default constructor.  Creates an empty shell of an iterator, with no
      *  rules or text to iterate over.   Object can subsequently be assigned to.
-     *  @draft ICU 2.2
+     *  @stable ICU 2.2
      */
     RuleBasedBreakIterator();
 
@@ -152,11 +233,27 @@ public:
      * @param parseError  In the event of a syntax error in the rules, provides the location
      *                    within the rules of the problem.
      * @param status Information on any errors encountered.
-     *  @draft ICU 2.2
+     * @stable ICU 2.2
      */
     RuleBasedBreakIterator( const UnicodeString    &rules,
                              UParseError           &parseError,
                              UErrorCode            &status);
+
+
+    /**
+     * This constructor uses the udata interface to create a BreakIterator
+     * whose internal tables live in a memory-mapped file.  "image" is an
+     * ICU UDataMemory handle for the pre-compiled break iterator tables.
+     * @param image handle to the memory image for the break iterator data.
+     *        Ownership of the UDataMemory handle passes to the Break Iterator,
+     *        which will be responsible for closing it when it is no longer needed.
+     * @param status Information on any errors encountered.
+     * @see udata_open
+     * @see #getBinaryRules
+     * @stable ICU 2.8
+     */
+    RuleBasedBreakIterator(UDataMemory* image, UErrorCode &status);
+
     /**
      * Destructor
      *  @stable ICU 2.0
@@ -176,7 +273,7 @@ public:
      * Equality operator.  Returns TRUE if both BreakIterators are of the
      * same class, have the same behavior, and iterate over the same text.
      * @param that The BreakIterator to be compared for equality
-     * @Return TRUE if both BreakIterators are of the
+     * @return TRUE if both BreakIterators are of the
      * same class, have the same behavior, and iterate over the same text.
      *  @stable ICU 2.0
      */
@@ -195,10 +292,11 @@ public:
      * Returns a newly-constructed RuleBasedBreakIterator with the same
      * behavior, and iterating over the same text, as this one.
      * Differs from the copy constructor in that it is polymorphic, and
-     *   will correctly clone (copy) a derived class.
+     * will correctly clone (copy) a derived class.
      * clone() is thread safe.  Multiple threads may simultaeneously
      * clone the same source break iterator.
-     *  @stable ICU 2.0
+     * @return a newly-constructed RuleBasedBreakIterator
+     * @stable ICU 2.0
      */
     virtual BreakIterator* clone() const;
 
@@ -221,16 +319,49 @@ public:
     //=======================================================================
 
     /**
-     * Return a CharacterIterator over the text being analyzed.  This version
-     * of this method returns the actual CharacterIterator we're using internally.
-     * Changing the state of this iterator can have undefined consequences.  If
-     * you need to change it, clone it first.
+     * <p>
+     * Return a CharacterIterator over the text being analyzed.
+     * The returned character iterator is owned by the break iterator, and must
+     * not be deleted by the caller.  Repeated calls to this function may
+     * return the same CharacterIterator.
+     * </p>
+     * <p>
+     * The returned character iterator must not be used concurrently with
+     * the break iterator.  If concurrent operation is needed, clone the
+     * returned character iterator first and operate on the clone.
+     * </p>
+     * <p>
+     * When the break iterator is operating on text supplied via a UText,
+     * this function will fail.  Lacking any way to signal failures, it
+     * returns an CharacterIterator containing no text.
+     * The function getUText() provides similar functionality,
+     * is reliable, and is more efficient.
+     * </p>
+     *
+     * TODO:  deprecate this function?
+     *
      * @return An iterator over the text being analyzed.
-     *  @stable ICU 2.0
+     * @stable ICU 2.0
      */
-    virtual const CharacterIterator& getText(void) const;
+    virtual  CharacterIterator& getText(void) const;
 
 
+    /**
+      *  Get a UText for the text being analyzed.
+      *  The returned UText is a shallow clone of the UText used internally
+      *  by the break iterator implementation.  It can safely be used to
+      *  access the text without impacting any break iterator operations,
+      *  but the underlying text itself must not be altered.
+      *
+      * @param fillIn A UText to be filled in.  If NULL, a new UText will be
+      *           allocated to hold the result.
+      * @param status receives any error codes.
+      * @return   The current UText for this break iterator.  If an input
+      *           UText was provided, it will always be returned.
+      * @stable ICU 3.4
+      */
+     virtual UText *getUText(UText *fillIn, UErrorCode &status) const;
+
     /**
      * Set the iterator to analyze a new piece of text.  This function resets
      * the current iteration position to the beginning of the text.
@@ -248,9 +379,23 @@ public:
      */
     virtual void setText(const UnicodeString& newText);
 
+    /**
+     * Reset the break iterator to operate over the text represented by
+     * the UText.  The iterator position is reset to the start.
+     *
+     * This function makes a shallow clone of the supplied UText.  This means
+     * that the caller is free to immediately close or otherwise reuse the
+     * Utext that was passed as a parameter, but that the underlying text itself
+     * must not be altered while being referenced by the break iterator.
+     *
+     * @param text    The UText used to change the text.
+     * @param status  Receives any error codes.
+     * @stable ICU 3.4
+     */
+    virtual void  setText(UText *text, UErrorCode &status);
+
     /**
      * Sets the current iteration position to the beginning of the text.
-     * (i.e., the CharacterIterator's starting offset).
      * @return The offset of the beginning of the text.
      *  @stable ICU 2.0
      */
@@ -258,7 +403,6 @@ public:
 
     /**
      * Sets the current iteration position to the end of the text.
-     * (i.e., the CharacterIterator's ending offset).
      * @return The text's past-the-end offset.
      *  @stable ICU 2.0
      */
@@ -328,27 +472,63 @@ public:
 
     /**
      * Return the status tag from the break rule that determined the most recently
-     * returned break position.  The values appear in the rule source
-     * within brackets, {123}, for example.  For rules that do not specify a
-     * status, a default value of 0 is returned.
+     * returned break position.  For break rules that do not specify a
+     * status, a default value of 0 is returned.  If more than one break rule
+     * would cause a boundary to be located at some position in the text,
+     * the numerically largest of the applicable status values is returned.
      * <p>
-     * Of the standard types of ICU break iterators, only the word break
-     * iterator provides status values.  The values are defined in
-     * <code>enum UWordBreak</code>, and allow distinguishing between words
+     * Of the standard types of ICU break iterators, only word break and
+     * line break provide status values.  The values are defined in
+     * the header file ubrk.h.  For Word breaks, the status allows distinguishing between words
      * that contain alphabetic letters, "words" that appear to be numbers,
      * punctuation and spaces, words containing ideographic characters, and
-     * more.  Call <code>getRuleStatus</code> after obtaining a boundary
-     * position from <code>next()<code>, <code>previous()</code>, or 
+     * more.  For Line Break, the status distinguishes between hard (mandatory) breaks
+     * and soft (potential) break positions.
+     * <p>
+     * <code>getRuleStatus()</code> can be called after obtaining a boundary
+     * position from <code>next()</code>, <code>previous()</code>, or
      * any other break iterator functions that returns a boundary position.
      * <p>
+     * When creating custom break rules, one is free to define whatever
+     * status values may be convenient for the application.
+     * <p>
+     * Note: this function is not thread safe.  It should not have been
+     *       declared const, and the const remains only for compatibility
+     *       reasons.  (The function is logically const, but not bit-wise const).
+     * <p>
      * @return the status from the break rule that determined the most recently
      * returned break position.
      *
      * @see UWordBreak
-     * @draft ICU 2.2
+     * @stable ICU 2.2
      */
     virtual int32_t getRuleStatus() const;
 
+   /**
+    * Get the status (tag) values from the break rule(s) that determined the most
+    * recently returned break position.
+    * <p>
+    * The returned status value(s) are stored into an array provided by the caller.
+    * The values are stored in sorted (ascending) order.
+    * If the capacity of the output array is insufficient to hold the data,
+    *  the output will be truncated to the available length, and a
+    *  U_BUFFER_OVERFLOW_ERROR will be signaled.
+    *
+    * @param fillInVec an array to be filled in with the status values.
+    * @param capacity  the length of the supplied vector.  A length of zero causes
+    *                  the function to return the number of status values, in the
+    *                  normal way, without attemtping to store any values.
+    * @param status    receives error codes.
+    * @return          The number of rule status values from rules that determined
+    *                  the most recent boundary returned by the break iterator.
+    *                  In the event of a U_BUFFER_OVERFLOW_ERROR, the return value
+    *                  is the total number of status values that were available,
+    *                  not the reduced number that were actually returned.
+    * @see getRuleStatus
+    * @stable ICU 3.0
+    */
+    virtual int32_t getRuleStatusVec(int32_t *fillInVec, int32_t capacity, UErrorCode &status);
+
     /**
      * Returns a unique class ID POLYMORPHICALLY.  Pure virtual override.
      * This method is to implement a simple version of RTTI, since not all
@@ -360,7 +540,7 @@ public:
      *                  other classes have different class IDs.
      * @stable ICU 2.0
      */
-    inline virtual UClassID getDynamicClassID(void) const;
+    virtual UClassID getDynamicClassID(void) const;
 
     /**
      * Returns the class ID for this class.  This is useful only for
@@ -373,7 +553,7 @@ public:
      * @return          The class ID for all objects of this class.
      * @stable ICU 2.0
      */
-    inline static UClassID getStaticClassID(void);
+    static UClassID U_EXPORT2 getStaticClassID(void);
 
     /*
      * Create a clone (copy) of this break iterator in memory provided
@@ -411,7 +591,7 @@ public:
      * is much faster than building one from the source form of the
      * break rules.
      *
-     * The binary data is can only be used with the same version of ICU
+     * The binary data can only be used with the same version of ICU
      *  and on the same platform type (processor endian-ness)
      *
      * @param length Returns the length of the binary data.  (Out paramter.)
@@ -428,34 +608,14 @@ protected:
     //=======================================================================
     // implementation
     //=======================================================================
-    /**
-     * This method is the actual implementation of the next() method.  All iteration
-     * vectors through here.  This method initializes the state machine to state 1
-     * and advances through the text character by character until we reach the end
-     * of the text or the state machine transitions to state 0.  We update our return
-     * value every time the state machine passes through a possible end state.
-     * @internal
-     */
-    virtual int32_t handleNext(void);
-
-    /**
-     * This method backs the iterator back up to a "safe position" in the text.
-     * This is a position that we know, without any context, must be a break position.
-     * The various calling methods then iterate forward from this safe position to
-     * the appropriate position to return.  (For more information, see the description
-     * of buildBackwardsStateTable() in RuleBasedBreakIterator.Builder.)
-     * @internal
-     */
-    virtual int32_t handlePrevious(void);
-
     /**
      * Dumps caches and performs other actions associated with a complete change
-     * in text or iteration position.  This function is a no-op in RuleBasedBreakIterator,
-     * but subclasses can and do override it.
+     * in text or iteration position.
      * @internal
      */
     virtual void reset(void);
 
+#if 0
     /**
       * Return true if the category lookup for this char
       * indicates that it is in the set of dictionary lookup chars.
@@ -466,6 +626,19 @@ protected:
       */
     virtual UBool isDictionaryChar(UChar32);
 
+    /**
+      * Get the type of the break iterator.
+      * @internal
+      */
+    virtual int32_t getBreakType() const;
+#endif
+
+    /**
+      * Set the type of the break iterator.
+      * @internal
+      */
+    virtual void setBreakType(int32_t type);
+
     /**
       * Common initialization function, used by constructors and bufferClone.
       *   (Also used by DictionaryBasedBreakIterator::createBufferClone().)
@@ -473,26 +646,75 @@ protected:
       */
     void init();
 
+private:
+
+    /**
+     * This method backs the iterator back up to a "safe position" in the text.
+     * This is a position that we know, without any context, must be a break position.
+     * The various calling methods then iterate forward from this safe position to
+     * the appropriate position to return.  (For more information, see the description
+     * of buildBackwardsStateTable() in RuleBasedBreakIterator.Builder.)
+     * @param statetable state table used of moving backwards
+     * @internal
+     */
+    int32_t handlePrevious(const RBBIStateTable *statetable);
+
+    /**
+     * This method is the actual implementation of the next() method.  All iteration
+     * vectors through here.  This method initializes the state machine to state 1
+     * and advances through the text character by character until we reach the end
+     * of the text or the state machine transitions to state 0.  We update our return
+     * value every time the state machine passes through a possible end state.
+     * @param statetable state table used of moving forwards
+     * @internal
+     */
+    int32_t handleNext(const RBBIStateTable *statetable);
+
+protected:
+
+    /**
+     * This is the function that actually implements dictionary-based
+     * breaking.  Covering at least the range from startPos to endPos,
+     * it checks for dictionary characters, and if it finds them determines
+     * the appropriate object to deal with them. It may cache found breaks in
+     * fCachedBreakPositions as it goes. It may well also look at text outside
+     * the range startPos to endPos.
+     * If going forward, endPos is the normal Unicode break result, and
+     * if goind in reverse, startPos is the normal Unicode break result
+     * @param startPos  The start position of a range of text
+     * @param endPos    The end position of a range of text
+     * @param reverse   The call is for the reverse direction
+     * @internal
+     */
+    int32_t checkDictionary(int32_t startPos, int32_t endPos, UBool reverse);
+
+private:
+
+    /**
+     * This function returns the appropriate LanguageBreakEngine for a
+     * given character c.
+     * @param c         A character in the dictionary set
+     * @internal
+     */
+    const LanguageBreakEngine *getLanguageBreakEngine(UChar32 c);
+
+    /**
+     *  @internal
+     */
+    void makeRuleStatusValid();
+
 };
 
-//----------------------------------------------------------------------------------
+//------------------------------------------------------------------------------
 //
 //   Inline Functions Definitions ...
 //
-//----------------------------------------------------------------------------------
+//------------------------------------------------------------------------------
 
 inline UBool RuleBasedBreakIterator::operator!=(const BreakIterator& that) const {
     return !operator==(that);
 }
 
-inline UClassID RuleBasedBreakIterator::getStaticClassID(void) {
-    return (UClassID)(&fgClassID);
-}
-
-inline UClassID RuleBasedBreakIterator::getDynamicClassID(void) const {
-    return RuleBasedBreakIterator::getStaticClassID();
-}
-
 U_NAMESPACE_END
 
 #endif /* #if !UCONFIG_NO_BREAK_ITERATION */