| 1 | # This module contains abstractions for the input stream. You don't have to | 
|---|
| 2 | # looks further, there are no pretty code. | 
|---|
| 3 | # | 
|---|
| 4 | # We define two classes here. | 
|---|
| 5 | # | 
|---|
| 6 | #   Mark(source, line, column) | 
|---|
| 7 | # It's just a record and its only use is producing nice error messages. | 
|---|
| 8 | # Parser does not use it for any other purposes. | 
|---|
| 9 | # | 
|---|
| 10 | #   Reader(source, data) | 
|---|
| 11 | # Reader determines the encoding of `data` and converts it to unicode. | 
|---|
| 12 | # Reader provides the following methods and attributes: | 
|---|
| 13 | #   reader.peek(length=1) - return the next `length` characters | 
|---|
| 14 | #   reader.forward(length=1) - move the current position to `length` characters. | 
|---|
| 15 | #   reader.index - the number of the current character. | 
|---|
| 16 | #   reader.line, stream.column - the line and the column of the current character. | 
|---|
| 17 |  | 
|---|
| 18 | __all__ = ['Reader', 'ReaderError'] | 
|---|
| 19 |  | 
|---|
| 20 | from error import YAMLError, Mark | 
|---|
| 21 |  | 
|---|
| 22 | import codecs, re | 
|---|
| 23 |  | 
|---|
| 24 | # Unfortunately, codec functions in Python 2.3 does not support the `finish` | 
|---|
| 25 | # arguments, so we have to write our own wrappers. | 
|---|
| 26 |  | 
|---|
| 27 | try: | 
|---|
| 28 |     codecs.utf_8_decode('', 'strict', False) | 
|---|
| 29 |     from codecs import utf_8_decode, utf_16_le_decode, utf_16_be_decode | 
|---|
| 30 |  | 
|---|
| 31 | except TypeError: | 
|---|
| 32 |  | 
|---|
| 33 |     def utf_16_le_decode(data, errors, finish=False): | 
|---|
| 34 |         if not finish and len(data) % 2 == 1: | 
|---|
| 35 |             data = data[:-1] | 
|---|
| 36 |         return codecs.utf_16_le_decode(data, errors) | 
|---|
| 37 |  | 
|---|
| 38 |     def utf_16_be_decode(data, errors, finish=False): | 
|---|
| 39 |         if not finish and len(data) % 2 == 1: | 
|---|
| 40 |             data = data[:-1] | 
|---|
| 41 |         return codecs.utf_16_be_decode(data, errors) | 
|---|
| 42 |  | 
|---|
| 43 |     def utf_8_decode(data, errors, finish=False): | 
|---|
| 44 |         if not finish: | 
|---|
| 45 |             # We are trying to remove a possible incomplete multibyte character | 
|---|
| 46 |             # from the suffix of the data. | 
|---|
| 47 |             # The first byte of a multi-byte sequence is in the range 0xc0 to 0xfd. | 
|---|
| 48 |             # All further bytes are in the range 0x80 to 0xbf. | 
|---|
| 49 |             # UTF-8 encoded UCS characters may be up to six bytes long. | 
|---|
| 50 |             count = 0 | 
|---|
| 51 |             while count < 5 and count < len(data)   \ | 
|---|
| 52 |                     and '\x80' <= data[-count-1] <= '\xBF': | 
|---|
| 53 |                 count -= 1 | 
|---|
| 54 |             if count < 5 and count < len(data)  \ | 
|---|
| 55 |                     and '\xC0' <= data[-count-1] <= '\xFD': | 
|---|
| 56 |                 data = data[:-count-1] | 
|---|
| 57 |         return codecs.utf_8_decode(data, errors) | 
|---|
| 58 |  | 
|---|
| 59 | class ReaderError(YAMLError): | 
|---|
| 60 |  | 
|---|
| 61 |     def __init__(self, name, position, character, encoding, reason): | 
|---|
| 62 |         self.name = name | 
|---|
| 63 |         self.character = character | 
|---|
| 64 |         self.position = position | 
|---|
| 65 |         self.encoding = encoding | 
|---|
| 66 |         self.reason = reason | 
|---|
| 67 |  | 
|---|
| 68 |     def __str__(self): | 
|---|
| 69 |         if isinstance(self.character, str): | 
|---|
| 70 |             return "'%s' codec can't decode byte #x%02x: %s\n"  \ | 
|---|
| 71 |                     "  in \"%s\", position %d"    \ | 
|---|
| 72 |                     % (self.encoding, ord(self.character), self.reason, | 
|---|
| 73 |                             self.name, self.position) | 
|---|
| 74 |         else: | 
|---|
| 75 |             return "unacceptable character #x%04x: %s\n"    \ | 
|---|
| 76 |                     "  in \"%s\", position %d"    \ | 
|---|
| 77 |                     % (ord(self.character), self.reason, | 
|---|
| 78 |                             self.name, self.position) | 
|---|
| 79 |  | 
|---|
| 80 | class Reader(object): | 
|---|
| 81 |     # Reader: | 
|---|
| 82 |     # - determines the data encoding and converts it to unicode, | 
|---|
| 83 |     # - checks if characters are in allowed range, | 
|---|
| 84 |     # - adds '\0' to the end. | 
|---|
| 85 |  | 
|---|
| 86 |     # Reader accepts | 
|---|
| 87 |     #  - a `str` object, | 
|---|
| 88 |     #  - a `unicode` object, | 
|---|
| 89 |     #  - a file-like object with its `read` method returning `str`, | 
|---|
| 90 |     #  - a file-like object with its `read` method returning `unicode`. | 
|---|
| 91 |  | 
|---|
| 92 |     # Yeah, it's ugly and slow. | 
|---|
| 93 |  | 
|---|
| 94 |     def __init__(self, stream): | 
|---|
| 95 |         self.name = None | 
|---|
| 96 |         self.stream = None | 
|---|
| 97 |         self.stream_pointer = 0 | 
|---|
| 98 |         self.eof = True | 
|---|
| 99 |         self.buffer = u'' | 
|---|
| 100 |         self.pointer = 0 | 
|---|
| 101 |         self.raw_buffer = None | 
|---|
| 102 |         self.raw_decode = None | 
|---|
| 103 |         self.encoding = None | 
|---|
| 104 |         self.index = 0 | 
|---|
| 105 |         self.line = 0 | 
|---|
| 106 |         self.column = 0 | 
|---|
| 107 |         if isinstance(stream, unicode): | 
|---|
| 108 |             self.name = "<unicode string>" | 
|---|
| 109 |             self.check_printable(stream) | 
|---|
| 110 |             self.buffer = stream+u'\0' | 
|---|
| 111 |         elif isinstance(stream, str): | 
|---|
| 112 |             self.name = "<string>" | 
|---|
| 113 |             self.raw_buffer = stream | 
|---|
| 114 |             self.determine_encoding() | 
|---|
| 115 |         else: | 
|---|
| 116 |             self.stream = stream | 
|---|
| 117 |             self.name = getattr(stream, 'name', "<file>") | 
|---|
| 118 |             self.eof = False | 
|---|
| 119 |             self.raw_buffer = '' | 
|---|
| 120 |             self.determine_encoding() | 
|---|
| 121 |  | 
|---|
| 122 |     def peek(self, index=0): | 
|---|
| 123 |         try: | 
|---|
| 124 |             return self.buffer[self.pointer+index] | 
|---|
| 125 |         except IndexError: | 
|---|
| 126 |             self.update(index+1) | 
|---|
| 127 |             return self.buffer[self.pointer+index] | 
|---|
| 128 |  | 
|---|
| 129 |     def prefix(self, length=1): | 
|---|
| 130 |         if self.pointer+length >= len(self.buffer): | 
|---|
| 131 |             self.update(length) | 
|---|
| 132 |         return self.buffer[self.pointer:self.pointer+length] | 
|---|
| 133 |  | 
|---|
| 134 |     def forward(self, length=1): | 
|---|
| 135 |         if self.pointer+length+1 >= len(self.buffer): | 
|---|
| 136 |             self.update(length+1) | 
|---|
| 137 |         while length: | 
|---|
| 138 |             ch = self.buffer[self.pointer] | 
|---|
| 139 |             self.pointer += 1 | 
|---|
| 140 |             self.index += 1 | 
|---|
| 141 |             if ch in u'\n\x85\u2028\u2029'  \ | 
|---|
| 142 |                     or (ch == u'\r' and self.buffer[self.pointer] != u'\n'): | 
|---|
| 143 |                 self.line += 1 | 
|---|
| 144 |                 self.column = 0 | 
|---|
| 145 |             elif ch != u'\uFEFF': | 
|---|
| 146 |                 self.column += 1 | 
|---|
| 147 |             length -= 1 | 
|---|
| 148 |  | 
|---|
| 149 |     def get_mark(self): | 
|---|
| 150 |         if self.stream is None: | 
|---|
| 151 |             return Mark(self.name, self.index, self.line, self.column, | 
|---|
| 152 |                     self.buffer, self.pointer) | 
|---|
| 153 |         else: | 
|---|
| 154 |             return Mark(self.name, self.index, self.line, self.column, | 
|---|
| 155 |                     None, None) | 
|---|
| 156 |  | 
|---|
| 157 |     def determine_encoding(self): | 
|---|
| 158 |         while not self.eof and len(self.raw_buffer) < 2: | 
|---|
| 159 |             self.update_raw() | 
|---|
| 160 |         if not isinstance(self.raw_buffer, unicode): | 
|---|
| 161 |             if self.raw_buffer.startswith(codecs.BOM_UTF16_LE): | 
|---|
| 162 |                 self.raw_decode = utf_16_le_decode | 
|---|
| 163 |                 self.encoding = 'utf-16-le' | 
|---|
| 164 |             elif self.raw_buffer.startswith(codecs.BOM_UTF16_BE): | 
|---|
| 165 |                 self.raw_decode = utf_16_be_decode | 
|---|
| 166 |                 self.encoding = 'utf-16-be' | 
|---|
| 167 |             else: | 
|---|
| 168 |                 self.raw_decode = utf_8_decode | 
|---|
| 169 |                 self.encoding = 'utf-8' | 
|---|
| 170 |         self.update(1) | 
|---|
| 171 |  | 
|---|
| 172 |     NON_PRINTABLE = re.compile(u'[^\x09\x0A\x0D\x20-\x7E\x85\xA0-\uD7FF\uE000-\uFFFD]') | 
|---|
| 173 |     def check_printable(self, data): | 
|---|
| 174 |         match = self.NON_PRINTABLE.search(data) | 
|---|
| 175 |         if match: | 
|---|
| 176 |             character = match.group() | 
|---|
| 177 |             position = self.index+(len(self.buffer)-self.pointer)+match.start() | 
|---|
| 178 |             raise ReaderError(self.name, position, character, | 
|---|
| 179 |                     'unicode', "special characters are not allowed") | 
|---|
| 180 |  | 
|---|
| 181 |     def update(self, length): | 
|---|
| 182 |         if self.raw_buffer is None: | 
|---|
| 183 |             return | 
|---|
| 184 |         self.buffer = self.buffer[self.pointer:] | 
|---|
| 185 |         self.pointer = 0 | 
|---|
| 186 |         while len(self.buffer) < length: | 
|---|
| 187 |             if not self.eof: | 
|---|
| 188 |                 self.update_raw() | 
|---|
| 189 |             if self.raw_decode is not None: | 
|---|
| 190 |                 try: | 
|---|
| 191 |                     data, converted = self.raw_decode(self.raw_buffer, | 
|---|
| 192 |                             'strict', self.eof) | 
|---|
| 193 |                 except UnicodeDecodeError, exc: | 
|---|
| 194 |                     character = exc.object[exc.start] | 
|---|
| 195 |                     if self.stream is not None: | 
|---|
| 196 |                         position = self.stream_pointer-len(self.raw_buffer)+exc.start | 
|---|
| 197 |                     else: | 
|---|
| 198 |                         position = exc.start | 
|---|
| 199 |                     raise ReaderError(self.name, position, character, | 
|---|
| 200 |                             exc.encoding, exc.reason) | 
|---|
| 201 |             else: | 
|---|
| 202 |                 data = self.raw_buffer | 
|---|
| 203 |                 converted = len(data) | 
|---|
| 204 |             self.check_printable(data) | 
|---|
| 205 |             self.buffer += data | 
|---|
| 206 |             self.raw_buffer = self.raw_buffer[converted:] | 
|---|
| 207 |             if self.eof: | 
|---|
| 208 |                 self.buffer += u'\0' | 
|---|
| 209 |                 self.raw_buffer = None | 
|---|
| 210 |                 break | 
|---|
| 211 |  | 
|---|
| 212 |     def update_raw(self, size=1024): | 
|---|
| 213 |         data = self.stream.read(size) | 
|---|
| 214 |         if data: | 
|---|
| 215 |             self.raw_buffer += data | 
|---|
| 216 |             self.stream_pointer += len(data) | 
|---|
| 217 |         else: | 
|---|
| 218 |             self.eof = True | 
|---|
| 219 |  | 
|---|
| 220 | #try: | 
|---|
| 221 | #    import psyco | 
|---|
| 222 | #    psyco.bind(Reader) | 
|---|
| 223 | #except ImportError: | 
|---|
| 224 | #    pass | 
|---|
| 225 |  | 
|---|