home *** CD-ROM | disk | FTP | other *** search
/ PC World 2005 June / PCWorld_2005-06_cd.bin / software / vyzkuste / firewally / firewally.exe / framework-2.3.exe / Balanced.pm < prev    next >
Text File  |  2003-11-07  |  67KB  |  2,303 lines

  1. # EXTRACT VARIOUSLY DELIMITED TEXT SEQUENCES FROM STRINGS.
  2. # FOR FULL DOCUMENTATION SEE Balanced.pod
  3.  
  4. use 5.005;
  5. use strict;
  6.  
  7. package Text::Balanced;
  8.  
  9. use Exporter;
  10. use SelfLoader;
  11. use vars qw { $VERSION @ISA %EXPORT_TAGS };
  12.  
  13. $VERSION = '1.95';
  14. @ISA        = qw ( Exporter );
  15.              
  16. %EXPORT_TAGS    = ( ALL => [ qw(
  17.                 &extract_delimited
  18.                 &extract_bracketed
  19.                 &extract_quotelike
  20.                 &extract_codeblock
  21.                 &extract_variable
  22.                 &extract_tagged
  23.                 &extract_multiple
  24.  
  25.                 &gen_delimited_pat
  26.                 &gen_extract_tagged
  27.  
  28.                 &delimited_pat
  29.                    ) ] );
  30.  
  31. Exporter::export_ok_tags('ALL');
  32.  
  33. # PROTOTYPES
  34.  
  35. sub _match_bracketed($$$$$$);
  36. sub _match_variable($$);
  37. sub _match_codeblock($$$$$$$);
  38. sub _match_quotelike($$$$);
  39.  
  40. # HANDLE RETURN VALUES IN VARIOUS CONTEXTS
  41.  
  42. sub _failmsg {
  43.     my ($message, $pos) = @_;
  44.     $@ = bless { error=>$message, pos=>$pos }, "Text::Balanced::ErrorMsg";
  45. }
  46.  
  47. sub _fail
  48. {
  49.     my ($wantarray, $textref, $message, $pos) = @_;
  50.     _failmsg $message, $pos if $message;
  51.     return ("",$$textref,"") if $wantarray;
  52.     return undef;
  53. }
  54.  
  55. sub _succeed
  56. {
  57.     $@ = undef;
  58.     my ($wantarray,$textref) = splice @_, 0, 2;
  59.     my ($extrapos, $extralen) = @_>18 ? splice(@_, -2, 2) : (0,0);
  60.     my ($startlen) = $_[5];
  61.     my $remainderpos = $_[2];
  62.     if ($wantarray)
  63.     {
  64.         my @res;
  65.         while (my ($from, $len) = splice @_, 0, 2)
  66.         {
  67.             push @res, substr($$textref,$from,$len);
  68.         }
  69.         if ($extralen) {    # CORRECT FILLET
  70.             my $extra = substr($res[0], $extrapos-$startlen, $extralen, "\n");
  71.             $res[1] = "$extra$res[1]";
  72.             eval { substr($$textref,$remainderpos,0) = $extra;
  73.                    substr($$textref,$extrapos,$extralen,"\n")} ;
  74.                 #REARRANGE HERE DOC AND FILLET IF POSSIBLE
  75.             pos($$textref) = $remainderpos-$extralen+1; # RESET \G
  76.         }
  77.         else {
  78.             pos($$textref) = $remainderpos;            # RESET \G
  79.         }
  80.         return @res;
  81.     }
  82.     else
  83.     {
  84.         my $match = substr($$textref,$_[0],$_[1]);
  85.         substr($match,$extrapos-$_[0]-$startlen,$extralen,"") if $extralen;
  86.         my $extra = $extralen
  87.             ? substr($$textref, $extrapos, $extralen)."\n" : "";
  88.         eval {substr($$textref,$_[4],$_[1]+$_[5])=$extra} ;    #CHOP OUT PREFIX & MATCH, IF POSSIBLE
  89.         pos($$textref) = $_[4];                # RESET \G
  90.         return $match;
  91.     }
  92. }
  93.  
  94. # BUILD A PATTERN MATCHING A SIMPLE DELIMITED STRING
  95.  
  96. sub gen_delimited_pat($;$)  # ($delimiters;$escapes)
  97. {
  98.     my ($dels, $escs) = @_;
  99.     return "" unless $dels =~ /\S/;
  100.     $escs = '\\' unless $escs;
  101.     $escs .= substr($escs,-1) x (length($dels)-length($escs));
  102.     my @pat = ();
  103.     my $i;
  104.     for ($i=0; $i<length $dels; $i++)
  105.     {
  106.         my $del = quotemeta substr($dels,$i,1);
  107.         my $esc = quotemeta substr($escs,$i,1);
  108.         if ($del eq $esc)
  109.         {
  110.             push @pat, "$del(?:[^$del]*(?:(?:$del$del)[^$del]*)*)$del";
  111.         }
  112.         else
  113.         {
  114.             push @pat, "$del(?:[^$esc$del]*(?:$esc.[^$esc$del]*)*)$del";
  115.         }
  116.     }
  117.     my $pat = join '|', @pat;
  118.     return "(?:$pat)";
  119. }
  120.  
  121. *delimited_pat = \&gen_delimited_pat;
  122.  
  123.  
  124. # THE EXTRACTION FUNCTIONS
  125.  
  126. sub extract_delimited (;$$$$)
  127. {
  128.     my $textref = defined $_[0] ? \$_[0] : \$_;
  129.     my $wantarray = wantarray;
  130.     my $del  = defined $_[1] ? $_[1] : qq{\'\"\`};
  131.     my $pre  = defined $_[2] ? $_[2] : '\s*';
  132.     my $esc  = defined $_[3] ? $_[3] : qq{\\};
  133.     my $pat = gen_delimited_pat($del, $esc);
  134.     my $startpos = pos $$textref || 0;
  135.     return _fail($wantarray, $textref, "Not a delimited pattern", 0)
  136.         unless $$textref =~ m/\G($pre)($pat)/gc;
  137.     my $prelen = length($1);
  138.     my $matchpos = $startpos+$prelen;
  139.     my $endpos = pos $$textref;
  140.     return _succeed $wantarray, $textref,
  141.             $matchpos, $endpos-$matchpos,        # MATCH
  142.             $endpos,   length($$textref)-$endpos,    # REMAINDER
  143.             $startpos, $prelen;            # PREFIX
  144. }
  145.  
  146. sub extract_bracketed (;$$$)
  147. {
  148.     my $textref = defined $_[0] ? \$_[0] : \$_;
  149.     my $ldel = defined $_[1] ? $_[1] : '{([<';
  150.     my $pre  = defined $_[2] ? $_[2] : '\s*';
  151.     my $wantarray = wantarray;
  152.     my $qdel = "";
  153.     my $quotelike;
  154.     $ldel =~ s/'//g and $qdel .= q{'};
  155.     $ldel =~ s/"//g and $qdel .= q{"};
  156.     $ldel =~ s/`//g and $qdel .= q{`};
  157.     $ldel =~ s/q//g and $quotelike = 1;
  158.     $ldel =~ tr/[](){}<>\0-\377/[[(({{<</ds;
  159.     my $rdel = $ldel;
  160.     unless ($rdel =~ tr/[({</])}>/)
  161.         {
  162.         return _fail $wantarray, $textref,
  163.                  "Did not find a suitable bracket in delimiter: \"$_[1]\"",
  164.                  0;
  165.     }
  166.     my $posbug = pos;
  167.     $ldel = join('|', map { quotemeta $_ } split('', $ldel));
  168.     $rdel = join('|', map { quotemeta $_ } split('', $rdel));
  169.     pos = $posbug;
  170.  
  171.     my $startpos = pos $$textref || 0;
  172.     my @match = _match_bracketed($textref,$pre, $ldel, $qdel, $quotelike, $rdel);
  173.  
  174.     return _fail ($wantarray, $textref) unless @match;
  175.  
  176.     return _succeed ( $wantarray, $textref,
  177.               $match[2], $match[5]+2,    # MATCH
  178.               @match[8,9],            # REMAINDER
  179.               @match[0,1],            # PREFIX
  180.             );
  181. }
  182.  
  183. sub _match_bracketed($$$$$$)    # $textref, $pre, $ldel, $qdel, $quotelike, $rdel
  184. {
  185.     my ($textref, $pre, $ldel, $qdel, $quotelike, $rdel) = @_;
  186.     my ($startpos, $ldelpos, $endpos) = (pos $$textref = pos $$textref||0);
  187.     unless ($$textref =~ m/\G$pre/gc)
  188.     {
  189.         _failmsg "Did not find prefix: /$pre/", $startpos;
  190.         return;
  191.     }
  192.  
  193.     $ldelpos = pos $$textref;
  194.  
  195.     unless ($$textref =~ m/\G($ldel)/gc)
  196.     {
  197.         _failmsg "Did not find opening bracket after prefix: \"$pre\"",
  198.                  pos $$textref;
  199.         pos $$textref = $startpos;
  200.         return;
  201.     }
  202.  
  203.     my @nesting = ( $1 );
  204.     my $textlen = length $$textref;
  205.     while (pos $$textref < $textlen)
  206.     {
  207.         next if $$textref =~ m/\G\\./gcs;
  208.  
  209.         if ($$textref =~ m/\G($ldel)/gc)
  210.         {
  211.             push @nesting, $1;
  212.         }
  213.         elsif ($$textref =~ m/\G($rdel)/gc)
  214.         {
  215.             my ($found, $brackettype) = ($1, $1);
  216.             if ($#nesting < 0)
  217.             {
  218.                 _failmsg "Unmatched closing bracket: \"$found\"",
  219.                      pos $$textref;
  220.                 pos $$textref = $startpos;
  221.                     return;
  222.             }
  223.             my $expected = pop(@nesting);
  224.             $expected =~ tr/({[</)}]>/;
  225.             if ($expected ne $brackettype)
  226.             {
  227.                 _failmsg qq{Mismatched closing bracket: expected "$expected" but found "$found"},
  228.                      pos $$textref;
  229.                 pos $$textref = $startpos;
  230.                     return;
  231.             }
  232.             last if $#nesting < 0;
  233.         }
  234.         elsif ($qdel && $$textref =~ m/\G([$qdel])/gc)
  235.         {
  236.             $$textref =~ m/\G[^\\$1]*(?:\\.[^\\$1]*)*(\Q$1\E)/gsc and next;
  237.             _failmsg "Unmatched embedded quote ($1)",
  238.                  pos $$textref;
  239.             pos $$textref = $startpos;
  240.             return;
  241.         }
  242.         elsif ($quotelike && _match_quotelike($textref,"",1,0))
  243.         {
  244.             next;
  245.         }
  246.  
  247.         else { $$textref =~ m/\G(?:[a-zA-Z0-9]+|.)/gcs }
  248.     }
  249.     if ($#nesting>=0)
  250.     {
  251.         _failmsg "Unmatched opening bracket(s): "
  252.                 . join("..",@nesting)."..",
  253.                  pos $$textref;
  254.         pos $$textref = $startpos;
  255.         return;
  256.     }
  257.  
  258.     $endpos = pos $$textref;
  259.     
  260.     return (
  261.         $startpos,  $ldelpos-$startpos,        # PREFIX
  262.         $ldelpos,   1,                # OPENING BRACKET
  263.         $ldelpos+1, $endpos-$ldelpos-2,        # CONTENTS
  264.         $endpos-1,  1,                # CLOSING BRACKET
  265.         $endpos,    length($$textref)-$endpos,    # REMAINDER
  266.            );
  267. }
  268.  
  269. sub revbracket($)
  270. {
  271.     my $brack = reverse $_[0];
  272.     $brack =~ tr/[({</])}>/;
  273.     return $brack;
  274. }
  275.  
  276. my $XMLNAME = q{[a-zA-Z_:][a-zA-Z0-9_:.-]*};
  277.  
  278. sub extract_tagged (;$$$$$) # ($text, $opentag, $closetag, $pre, \%options)
  279. {
  280.     my $textref = defined $_[0] ? \$_[0] : \$_;
  281.     my $ldel    = $_[1];
  282.     my $rdel    = $_[2];
  283.     my $pre     = defined $_[3] ? $_[3] : '\s*';
  284.     my %options = defined $_[4] ? %{$_[4]} : ();
  285.     my $omode   = defined $options{fail} ? $options{fail} : '';
  286.     my $bad     = ref($options{reject}) eq 'ARRAY' ? join('|', @{$options{reject}})
  287.             : defined($options{reject})           ? $options{reject}
  288.             :                     ''
  289.             ;
  290.     my $ignore  = ref($options{ignore}) eq 'ARRAY' ? join('|', @{$options{ignore}})
  291.             : defined($options{ignore})           ? $options{ignore}
  292.             :                     ''
  293.             ;
  294.  
  295.     if (!defined $ldel) { $ldel = '<\w+(?:' . gen_delimited_pat(q{'"}) . '|[^>])*>'; }
  296.     $@ = undef;
  297.  
  298.     my @match = _match_tagged($textref, $pre, $ldel, $rdel, $omode, $bad, $ignore);
  299.  
  300.     return _fail(wantarray, $textref) unless @match;
  301.     return _succeed wantarray, $textref,
  302.             $match[2], $match[3]+$match[5]+$match[7],    # MATCH
  303.             @match[8..9,0..1,2..7];                # REM, PRE, BITS
  304. }
  305.  
  306. sub _match_tagged    # ($$$$$$$)
  307. {
  308.     my ($textref, $pre, $ldel, $rdel, $omode, $bad, $ignore) = @_;
  309.     my $rdelspec;
  310.  
  311.     my ($startpos, $opentagpos, $textpos, $parapos, $closetagpos, $endpos) = ( pos($$textref) = pos($$textref)||0 );
  312.  
  313.     unless ($$textref =~ m/\G($pre)/gc)
  314.     {
  315.         _failmsg "Did not find prefix: /$pre/", pos $$textref;
  316.         goto failed;
  317.     }
  318.  
  319.     $opentagpos = pos($$textref);
  320.  
  321.     unless ($$textref =~ m/\G$ldel/gc)
  322.     {
  323.         _failmsg "Did not find opening tag: /$ldel/", pos $$textref;
  324.         goto failed;
  325.     }
  326.  
  327.     $textpos = pos($$textref);
  328.  
  329.     if (!defined $rdel)
  330.     {
  331.         $rdelspec = $&;
  332.         unless ($rdelspec =~ s/\A([[(<{]+)($XMLNAME).*/ quotemeta "$1\/$2". revbracket($1) /oes)
  333.         {
  334.             _failmsg "Unable to construct closing tag to match: $rdel",
  335.                  pos $$textref;
  336.             goto failed;
  337.         }
  338.     }
  339.     else
  340.     {
  341.         $rdelspec = eval "qq{$rdel}" || do {
  342.             my $del;
  343.             for (qw,~ ! ^ & * ) _ + - = } ] : " ; ' > . ? / | ',)
  344.                 { next if $rdel =~ /\Q$_/; $del = $_; last }
  345.             unless ($del) {
  346.                 use Carp;
  347.                 croak "Can't interpolate right delimiter $rdel"
  348.             }
  349.             eval "qq$del$rdel$del";
  350.         };
  351.     }
  352.  
  353.     while (pos($$textref) < length($$textref))
  354.     {
  355.         next if $$textref =~ m/\G\\./gc;
  356.  
  357.         if ($$textref =~ m/\G(\n[ \t]*\n)/gc )
  358.         {
  359.             $parapos = pos($$textref) - length($1)
  360.                 unless defined $parapos;
  361.         }
  362.         elsif ($$textref =~ m/\G($rdelspec)/gc )
  363.         {
  364.             $closetagpos = pos($$textref)-length($1);
  365.             goto matched;
  366.         }
  367.         elsif ($ignore && $$textref =~ m/\G(?:$ignore)/gc)
  368.         {
  369.             next;
  370.         }
  371.         elsif ($bad && $$textref =~ m/\G($bad)/gcs)
  372.         {
  373.             pos($$textref) -= length($1);    # CUT OFF WHATEVER CAUSED THE SHORTNESS
  374.             goto short if ($omode eq 'PARA' || $omode eq 'MAX');
  375.             _failmsg "Found invalid nested tag: $1", pos $$textref;
  376.             goto failed;
  377.         }
  378.         elsif ($$textref =~ m/\G($ldel)/gc)
  379.         {
  380.             my $tag = $1;
  381.             pos($$textref) -= length($tag);    # REWIND TO NESTED TAG
  382.             unless (_match_tagged(@_))    # MATCH NESTED TAG
  383.             {
  384.                 goto short if $omode eq 'PARA' || $omode eq 'MAX';
  385.                 _failmsg "Found unbalanced nested tag: $tag",
  386.                      pos $$textref;
  387.                 goto failed;
  388.             }
  389.         }
  390.         else { $$textref =~ m/./gcs }
  391.     }
  392.  
  393. short:
  394.     $closetagpos = pos($$textref);
  395.     goto matched if $omode eq 'MAX';
  396.     goto failed unless $omode eq 'PARA';
  397.  
  398.     if (defined $parapos) { pos($$textref) = $parapos }
  399.     else              { $parapos = pos($$textref) }
  400.  
  401.     return (
  402.         $startpos,    $opentagpos-$startpos,        # PREFIX
  403.         $opentagpos,  $textpos-$opentagpos,        # OPENING TAG
  404.         $textpos,     $parapos-$textpos,        # TEXT
  405.         $parapos,     0,                # NO CLOSING TAG
  406.         $parapos,     length($$textref)-$parapos,    # REMAINDER
  407.            );
  408.     
  409. matched:
  410.     $endpos = pos($$textref);
  411.     return (
  412.         $startpos,    $opentagpos-$startpos,        # PREFIX
  413.         $opentagpos,  $textpos-$opentagpos,        # OPENING TAG
  414.         $textpos,     $closetagpos-$textpos,        # TEXT
  415.         $closetagpos, $endpos-$closetagpos,        # CLOSING TAG
  416.         $endpos,      length($$textref)-$endpos,    # REMAINDER
  417.            );
  418.  
  419. failed:
  420.     _failmsg "Did not find closing tag", pos $$textref unless $@;
  421.     pos($$textref) = $startpos;
  422.     return;
  423. }
  424.  
  425. sub extract_variable (;$$)
  426. {
  427.     my $textref = defined $_[0] ? \$_[0] : \$_;
  428.     return ("","","") unless defined $$textref;
  429.     my $pre  = defined $_[1] ? $_[1] : '\s*';
  430.  
  431.     my @match = _match_variable($textref,$pre);
  432.  
  433.     return _fail wantarray, $textref unless @match;
  434.  
  435.     return _succeed wantarray, $textref,
  436.             @match[2..3,4..5,0..1];        # MATCH, REMAINDER, PREFIX
  437. }
  438.  
  439. sub _match_variable($$)
  440. {
  441. #  $#
  442. #  $^
  443. #  $$
  444.     my ($textref, $pre) = @_;
  445.     my $startpos = pos($$textref) = pos($$textref)||0;
  446.     unless ($$textref =~ m/\G($pre)/gc)
  447.     {
  448.         _failmsg "Did not find prefix: /$pre/", pos $$textref;
  449.         return;
  450.     }
  451.     my $varpos = pos($$textref);
  452.         unless ($$textref =~ m{\G\$\s*(?!::)(\d+|[][&`'+*./|,";%=~:?!\@<>()-]|\^[a-z]?)}gci)
  453.     {
  454.         unless ($$textref =~ m/\G((\$#?|[*\@\%]|\\&)+)/gc)
  455.         {
  456.         _failmsg "Did not find leading dereferencer", pos $$textref;
  457.         pos $$textref = $startpos;
  458.         return;
  459.         }
  460.         my $deref = $1;
  461.  
  462.         unless ($$textref =~ m/\G\s*(?:::|')?(?:[_a-z]\w*(?:::|'))*[_a-z]\w*/gci
  463.             or _match_codeblock($textref, "", '\{', '\}', '\{', '\}', 0)
  464.         or $deref eq '$#' or $deref eq '$$' )
  465.         {
  466.         _failmsg "Bad identifier after dereferencer", pos $$textref;
  467.         pos $$textref = $startpos;
  468.         return;
  469.         }
  470.     }
  471.  
  472.     while (1)
  473.     {
  474.         next if $$textref =~ m/\G\s*(?:->)?\s*[{]\w+[}]/gc;
  475.         next if _match_codeblock($textref,
  476.                      qr/\s*->\s*(?:[_a-zA-Z]\w+\s*)?/,
  477.                      qr/[({[]/, qr/[)}\]]/,
  478.                      qr/[({[]/, qr/[)}\]]/, 0);
  479.         next if _match_codeblock($textref,
  480.                      qr/\s*/, qr/[{[]/, qr/[}\]]/,
  481.                      qr/[{[]/, qr/[}\]]/, 0);
  482.         next if _match_variable($textref,'\s*->\s*');
  483.         next if $$textref =~ m/\G\s*->\s*\w+(?![{([])/gc;
  484.         last;
  485.     }
  486.     
  487.     my $endpos = pos($$textref);
  488.     return ($startpos, $varpos-$startpos,
  489.         $varpos,   $endpos-$varpos,
  490.         $endpos,   length($$textref)-$endpos
  491.         );
  492. }
  493.  
  494. sub extract_codeblock (;$$$$$)
  495. {
  496.     my $textref = defined $_[0] ? \$_[0] : \$_;
  497.     my $wantarray = wantarray;
  498.     my $ldel_inner = defined $_[1] ? $_[1] : '{';
  499.     my $pre        = defined $_[2] ? $_[2] : '\s*';
  500.     my $ldel_outer = defined $_[3] ? $_[3] : $ldel_inner;
  501.     my $rd         = $_[4];
  502.     my $rdel_inner = $ldel_inner;
  503.     my $rdel_outer = $ldel_outer;
  504.     my $posbug = pos;
  505.     for ($ldel_inner, $ldel_outer) { tr/[]()<>{}\0-\377/[[((<<{{/ds }
  506.     for ($rdel_inner, $rdel_outer) { tr/[]()<>{}\0-\377/]]))>>}}/ds }
  507.     for ($ldel_inner, $ldel_outer, $rdel_inner, $rdel_outer)
  508.     {
  509.         $_ = '('.join('|',map { quotemeta $_ } split('',$_)).')'
  510.     }
  511.     pos = $posbug;
  512.  
  513.     my @match = _match_codeblock($textref, $pre,
  514.                      $ldel_outer, $rdel_outer,
  515.                      $ldel_inner, $rdel_inner,
  516.                      $rd);
  517.     return _fail($wantarray, $textref) unless @match;
  518.     return _succeed($wantarray, $textref,
  519.             @match[2..3,4..5,0..1]    # MATCH, REMAINDER, PREFIX
  520.                );
  521.  
  522. }
  523.  
  524. sub _match_codeblock($$$$$$$)
  525. {
  526.     my ($textref, $pre, $ldel_outer, $rdel_outer, $ldel_inner, $rdel_inner, $rd) = @_;
  527.     my $startpos = pos($$textref) = pos($$textref) || 0;
  528.     unless ($$textref =~ m/\G($pre)/gc)
  529.     {
  530.         _failmsg qq{Did not match prefix /$pre/ at"} .
  531.                 substr($$textref,pos($$textref),20) .
  532.                 q{..."},
  533.                  pos $$textref;
  534.         return; 
  535.     }
  536.     my $codepos = pos($$textref);
  537.     unless ($$textref =~ m/\G($ldel_outer)/gc)    # OUTERMOST DELIMITER
  538.     {
  539.         _failmsg qq{Did not find expected opening bracket at "} .
  540.                  substr($$textref,pos($$textref),20) .
  541.                  q{..."},
  542.                  pos $$textref;
  543.         pos $$textref = $startpos;
  544.         return;
  545.     }
  546.     my $closing = $1;
  547.        $closing =~ tr/([<{/)]>}/;
  548.     my $matched;
  549.     my $patvalid = 1;
  550.     while (pos($$textref) < length($$textref))
  551.     {
  552.         $matched = '';
  553.         if ($rd && $$textref =~ m#\G(\Q(?)\E|\Q(s?)\E|\Q(s)\E)#gc)
  554.         {
  555.             $patvalid = 0;
  556.             next;
  557.         }
  558.  
  559.         if ($$textref =~ m/\G\s*#.*/gc)
  560.         {
  561.             next;
  562.         }
  563.  
  564.         if ($$textref =~ m/\G\s*($rdel_outer)/gc)
  565.         {
  566.             unless ($matched = ($closing && $1 eq $closing) )
  567.             {
  568.                 next if $1 eq '>';    # MIGHT BE A "LESS THAN"
  569.                 _failmsg q{Mismatched closing bracket at "} .
  570.                          substr($$textref,pos($$textref),20) .
  571.                          qq{...". Expected '$closing'},
  572.                      pos $$textref;
  573.             }
  574.             last;
  575.         }
  576.  
  577.         if (_match_variable($textref,'\s*') ||
  578.             _match_quotelike($textref,'\s*',$patvalid,$patvalid) )
  579.         {
  580.             $patvalid = 0;
  581.             next;
  582.         }
  583.  
  584.  
  585.         # NEED TO COVER MANY MORE CASES HERE!!!
  586.         if ($$textref =~ m#\G\s*(?!$ldel_inner)
  587.                     ( [-+*x/%^&|.]=?
  588.                     | [!=]~
  589.                     | =(?!>)
  590.                     | (\*\*|&&|\|\||<<|>>)=?
  591.                     | split|grep|map|return
  592.                     | [([]
  593.                     )#gcx)
  594.         {
  595.             $patvalid = 1;
  596.             next;
  597.         }
  598.  
  599.         if ( _match_codeblock($textref, '\s*', $ldel_inner, $rdel_inner, $ldel_inner, $rdel_inner, $rd) )
  600.         {
  601.             $patvalid = 1;
  602.             next;
  603.         }
  604.  
  605.         if ($$textref =~ m/\G\s*$ldel_outer/gc)
  606.         {
  607.             _failmsg q{Improperly nested codeblock at "} .
  608.                      substr($$textref,pos($$textref),20) .
  609.                      q{..."},
  610.                  pos $$textref;
  611.             last;
  612.         }
  613.  
  614.         $patvalid = 0;
  615.         $$textref =~ m/\G\s*(\w+|[-=>]>|.|\Z)/gc;
  616.     }
  617.     continue { $@ = undef }
  618.  
  619.     unless ($matched)
  620.     {
  621.         _failmsg 'No match found for opening bracket', pos $$textref
  622.             unless $@;
  623.         return;
  624.     }
  625.  
  626.     my $endpos = pos($$textref);
  627.     return ( $startpos, $codepos-$startpos,
  628.          $codepos, $endpos-$codepos,
  629.          $endpos,  length($$textref)-$endpos,
  630.            );
  631. }
  632.  
  633.  
  634. my %mods   = (
  635.         'none'    => '[cgimsox]*',
  636.         'm'    => '[cgimsox]*',
  637.         's'    => '[cegimsox]*',
  638.         'tr'    => '[cds]*',
  639.         'y'    => '[cds]*',
  640.         'qq'    => '',
  641.         'qx'    => '',
  642.         'qw'    => '',
  643.         'qr'    => '[imsx]*',
  644.         'q'    => '',
  645.          );
  646.  
  647. sub extract_quotelike (;$$)
  648. {
  649.     my $textref = $_[0] ? \$_[0] : \$_;
  650.     my $wantarray = wantarray;
  651.     my $pre  = defined $_[1] ? $_[1] : '\s*';
  652.  
  653.     my @match = _match_quotelike($textref,$pre,1,0);
  654.     return _fail($wantarray, $textref) unless @match;
  655.     return _succeed($wantarray, $textref,
  656.             $match[2], $match[18]-$match[2],    # MATCH
  657.             @match[18,19],                # REMAINDER
  658.             @match[0,1],                # PREFIX
  659.             @match[2..17],                # THE BITS
  660.             @match[20,21],                # ANY FILLET?
  661.                );
  662. };
  663.  
  664. sub _match_quotelike($$$$)    # ($textref, $prepat, $allow_raw_match)
  665. {
  666.     my ($textref, $pre, $rawmatch, $qmark) = @_;
  667.  
  668.     my ($textlen,$startpos,
  669.         $oppos,
  670.         $preld1pos,$ld1pos,$str1pos,$rd1pos,
  671.         $preld2pos,$ld2pos,$str2pos,$rd2pos,
  672.         $modpos) = ( length($$textref), pos($$textref) = pos($$textref) || 0 );
  673.  
  674.     unless ($$textref =~ m/\G($pre)/gc)
  675.     {
  676.         _failmsg qq{Did not find prefix /$pre/ at "} .
  677.                  substr($$textref, pos($$textref), 20) .
  678.                  q{..."},
  679.                  pos $$textref;
  680.         return; 
  681.     }
  682.     $oppos = pos($$textref);
  683.  
  684.     my $initial = substr($$textref,$oppos,1);
  685.  
  686.     if ($initial && $initial =~ m|^[\"\'\`]|
  687.              || $rawmatch && $initial =~ m|^/|
  688.              || $qmark && $initial =~ m|^\?|)
  689.     {
  690.         unless ($$textref =~ m/ \Q$initial\E [^\\$initial]* (\\.[^\\$initial]*)* \Q$initial\E /gcsx)
  691.         {
  692.             _failmsg qq{Did not find closing delimiter to match '$initial' at "} .
  693.                      substr($$textref, $oppos, 20) .
  694.                      q{..."},
  695.                  pos $$textref;
  696.             pos $$textref = $startpos;
  697.             return;
  698.         }
  699.         $modpos= pos($$textref);
  700.         $rd1pos = $modpos-1;
  701.  
  702.         if ($initial eq '/' || $initial eq '?') 
  703.         {
  704.             $$textref =~ m/\G$mods{none}/gc
  705.         }
  706.  
  707.         my $endpos = pos($$textref);
  708.         return (
  709.             $startpos,    $oppos-$startpos,    # PREFIX
  710.             $oppos,        0,            # NO OPERATOR
  711.             $oppos,        1,            # LEFT DEL
  712.             $oppos+1,    $rd1pos-$oppos-1,    # STR/PAT
  713.             $rd1pos,    1,            # RIGHT DEL
  714.             $modpos,    0,            # NO 2ND LDEL
  715.             $modpos,    0,            # NO 2ND STR
  716.             $modpos,    0,            # NO 2ND RDEL
  717.             $modpos,    $endpos-$modpos,    # MODIFIERS
  718.             $endpos,     $textlen-$endpos,    # REMAINDER
  719.                );
  720.     }
  721.  
  722.     unless ($$textref =~ m{\G(\b(?:m|s|qq|qx|qw|q|qr|tr|y)\b(?=\s*\S)|<<)}gc)
  723.     {
  724.         _failmsg q{No quotelike operator found after prefix at "} .
  725.                  substr($$textref, pos($$textref), 20) .
  726.                  q{..."},
  727.                  pos $$textref;
  728.         pos $$textref = $startpos;
  729.         return;
  730.     }
  731.  
  732.     my $op = $1;
  733.     $preld1pos = pos($$textref);
  734.     if ($op eq '<<') {
  735.         $ld1pos = pos($$textref);
  736.         my $label;
  737.         if ($$textref =~ m{\G([A-Za-z_]\w*)}gc) {
  738.             $label = $1;
  739.         }
  740.         elsif ($$textref =~ m{ \G ' ([^'\\]* (?:\\.[^'\\]*)*) '
  741.                      | \G " ([^"\\]* (?:\\.[^"\\]*)*) "
  742.                      | \G ` ([^`\\]* (?:\\.[^`\\]*)*) `
  743.                      }gcsx) {
  744.             $label = $+;
  745.         }
  746.         else {
  747.             $label = "";
  748.         }
  749.         my $extrapos = pos($$textref);
  750.         $$textref =~ m{.*\n}gc;
  751.         $str1pos = pos($$textref);
  752.         unless ($$textref =~ m{.*?\n(?=$label\n)}gc) {
  753.             _failmsg qq{Missing here doc terminator ('$label') after "} .
  754.                      substr($$textref, $startpos, 20) .
  755.                      q{..."},
  756.                  pos $$textref;
  757.             pos $$textref = $startpos;
  758.             return;
  759.         }
  760.         $rd1pos = pos($$textref);
  761.         $$textref =~ m{$label\n}gc;
  762.         $ld2pos = pos($$textref);
  763.         return (
  764.             $startpos,    $oppos-$startpos,    # PREFIX
  765.             $oppos,        length($op),        # OPERATOR
  766.             $ld1pos,    $extrapos-$ld1pos,    # LEFT DEL
  767.             $str1pos,    $rd1pos-$str1pos,    # STR/PAT
  768.             $rd1pos,    $ld2pos-$rd1pos,    # RIGHT DEL
  769.             $ld2pos,    0,            # NO 2ND LDEL
  770.             $ld2pos,    0,                    # NO 2ND STR
  771.             $ld2pos,    0,                    # NO 2ND RDEL
  772.             $ld2pos,    0,                      # NO MODIFIERS
  773.             $ld2pos,    $textlen-$ld2pos,    # REMAINDER
  774.             $extrapos,      $str1pos-$extrapos,    # FILLETED BIT
  775.                );
  776.     }
  777.  
  778.     $$textref =~ m/\G\s*/gc;
  779.     $ld1pos = pos($$textref);
  780.     $str1pos = $ld1pos+1;
  781.  
  782.     unless ($$textref =~ m/\G(\S)/gc)    # SHOULD USE LOOKAHEAD
  783.     {
  784.         _failmsg "No block delimiter found after quotelike $op",
  785.                  pos $$textref;
  786.         pos $$textref = $startpos;
  787.         return;
  788.     }
  789.     pos($$textref) = $ld1pos;    # HAVE TO DO THIS BECAUSE LOOKAHEAD BROKEN
  790.     my ($ldel1, $rdel1) = ("\Q$1","\Q$1");
  791.     if ($ldel1 =~ /[[(<{]/)
  792.     {
  793.         $rdel1 =~ tr/[({</])}>/;
  794.         _match_bracketed($textref,"",$ldel1,"","",$rdel1)
  795.         || do { pos $$textref = $startpos; return };
  796.     }
  797.     else
  798.     {
  799.         $$textref =~ /$ldel1[^\\$ldel1]*(\\.[^\\$ldel1]*)*$ldel1/gcs
  800.         || do { pos $$textref = $startpos; return };
  801.     }
  802.     $ld2pos = $rd1pos = pos($$textref)-1;
  803.  
  804.     my $second_arg = $op =~ /s|tr|y/ ? 1 : 0;
  805.     if ($second_arg)
  806.     {
  807.         my ($ldel2, $rdel2);
  808.         if ($ldel1 =~ /[[(<{]/)
  809.         {
  810.             unless ($$textref =~ /\G\s*(\S)/gc)    # SHOULD USE LOOKAHEAD
  811.             {
  812.                 _failmsg "Missing second block for quotelike $op",
  813.                      pos $$textref;
  814.                 pos $$textref = $startpos;
  815.                 return;
  816.             }
  817.             $ldel2 = $rdel2 = "\Q$1";
  818.             $rdel2 =~ tr/[({</])}>/;
  819.         }
  820.         else
  821.         {
  822.             $ldel2 = $rdel2 = $ldel1;
  823.         }
  824.         $str2pos = $ld2pos+1;
  825.  
  826.         if ($ldel2 =~ /[[(<{]/)
  827.         {
  828.             pos($$textref)--;    # OVERCOME BROKEN LOOKAHEAD 
  829.             _match_bracketed($textref,"",$ldel2,"","",$rdel2)
  830.             || do { pos $$textref = $startpos; return };
  831.         }
  832.         else
  833.         {
  834.             $$textref =~ /[^\\$ldel2]*(\\.[^\\$ldel2]*)*$ldel2/gcs
  835.             || do { pos $$textref = $startpos; return };
  836.         }
  837.         $rd2pos = pos($$textref)-1;
  838.     }
  839.     else
  840.     {
  841.         $ld2pos = $str2pos = $rd2pos = $rd1pos;
  842.     }
  843.  
  844.     $modpos = pos $$textref;
  845.  
  846.     $$textref =~ m/\G($mods{$op})/gc;
  847.     my $endpos = pos $$textref;
  848.  
  849.     return (
  850.         $startpos,    $oppos-$startpos,    # PREFIX
  851.         $oppos,        length($op),        # OPERATOR
  852.         $ld1pos,    1,            # LEFT DEL
  853.         $str1pos,    $rd1pos-$str1pos,    # STR/PAT
  854.         $rd1pos,    1,            # RIGHT DEL
  855.         $ld2pos,    $second_arg,        # 2ND LDEL (MAYBE)
  856.         $str2pos,    $rd2pos-$str2pos,    # 2ND STR (MAYBE)
  857.         $rd2pos,    $second_arg,        # 2ND RDEL (MAYBE)
  858.         $modpos,    $endpos-$modpos,    # MODIFIERS
  859.         $endpos,    $textlen-$endpos,    # REMAINDER
  860.            );
  861. }
  862.  
  863. my $def_func = 
  864. [
  865.     sub { extract_variable($_[0], '') },
  866.     sub { extract_quotelike($_[0],'') },
  867.     sub { extract_codeblock($_[0],'{}','') },
  868. ];
  869.  
  870. sub extract_multiple (;$$$$)    # ($text, $functions_ref, $max_fields, $ignoreunknown)
  871. {
  872.     my $textref = defined($_[0]) ? \$_[0] : \$_;
  873.     my $posbug = pos;
  874.     my ($lastpos, $firstpos);
  875.     my @fields = ();
  876.  
  877.     #for ($$textref)
  878.     {
  879.         my @func = defined $_[1] ? @{$_[1]} : @{$def_func};
  880.         my $max  = defined $_[2] && $_[2]>0 ? $_[2] : 1_000_000_000;
  881.         my $igunk = $_[3];
  882.  
  883.         pos $$textref ||= 0;
  884.  
  885.         unless (wantarray)
  886.         {
  887.             use Carp;
  888.             carp "extract_multiple reset maximal count to 1 in scalar context"
  889.                 if $^W && defined($_[2]) && $max > 1;
  890.             $max = 1
  891.         }
  892.  
  893.         my $unkpos;
  894.         my $func;
  895.         my $class;
  896.  
  897.         my @class;
  898.         foreach $func ( @func )
  899.         {
  900.             if (ref($func) eq 'HASH')
  901.             {
  902.                 push @class, (keys %$func)[0];
  903.                 $func = (values %$func)[0];
  904.             }
  905.             else
  906.             {
  907.                 push @class, undef;
  908.             }
  909.         }
  910.  
  911.         FIELD: while (pos($$textref) < length($$textref))
  912.         {
  913.             my ($field, $rem);
  914.             my @bits;
  915.             foreach my $i ( 0..$#func )
  916.             {
  917.                 my $pref;
  918.                 $func = $func[$i];
  919.                 $class = $class[$i];
  920.                 $lastpos = pos $$textref;
  921.                 if (ref($func) eq 'CODE')
  922.                     { ($field,$rem,$pref) = @bits = $func->($$textref);
  923.                     # print "[$field|$rem]" if $field;
  924.                     }
  925.                 elsif (ref($func) eq 'Text::Balanced::Extractor')
  926.                     { @bits = $field = $func->extract($$textref) }
  927.                 elsif( $$textref =~ m/\G$func/gc )
  928.                     { @bits = $field = defined($1) ? $1 : $& }
  929.                 $pref ||= "";
  930.                 if (defined($field) && length($field))
  931.                 {
  932.                     if (!$igunk) {
  933.                         $unkpos = pos $$textref
  934.                             if length($pref) && !defined($unkpos);
  935.                         if (defined $unkpos)
  936.                         {
  937.                             push @fields, substr($$textref, $unkpos, $lastpos-$unkpos).$pref;
  938.                             $firstpos = $unkpos unless defined $firstpos;
  939.                             undef $unkpos;
  940.                             last FIELD if @fields == $max;
  941.                         }
  942.                     }
  943.                     push @fields, $class
  944.                         ? bless (\$field, $class)
  945.                         : $field;
  946.                     $firstpos = $lastpos unless defined $firstpos;
  947.                     $lastpos = pos $$textref;
  948.                     last FIELD if @fields == $max;
  949.                     next FIELD;
  950.                 }
  951.             }
  952.             if ($$textref =~ /\G(.)/gcs)
  953.             {
  954.                 $unkpos = pos($$textref)-1
  955.                     unless $igunk || defined $unkpos;
  956.             }
  957.         }
  958.         
  959.         if (defined $unkpos)
  960.         {
  961.             push @fields, substr($$textref, $unkpos);
  962.             $firstpos = $unkpos unless defined $firstpos;
  963.             $lastpos = length $$textref;
  964.         }
  965.         last;
  966.     }
  967.  
  968.     pos $$textref = $lastpos;
  969.     return @fields if wantarray;
  970.  
  971.     $firstpos ||= 0;
  972.     eval { substr($$textref,$firstpos,$lastpos-$firstpos)="";
  973.            pos $$textref = $firstpos };
  974.     return $fields[0];
  975. }
  976.  
  977.  
  978. sub gen_extract_tagged # ($opentag, $closetag, $pre, \%options)
  979. {
  980.     my $ldel    = $_[0];
  981.     my $rdel    = $_[1];
  982.     my $pre     = defined $_[2] ? $_[2] : '\s*';
  983.     my %options = defined $_[3] ? %{$_[3]} : ();
  984.     my $omode   = defined $options{fail} ? $options{fail} : '';
  985.     my $bad     = ref($options{reject}) eq 'ARRAY' ? join('|', @{$options{reject}})
  986.             : defined($options{reject})           ? $options{reject}
  987.             :                     ''
  988.             ;
  989.     my $ignore  = ref($options{ignore}) eq 'ARRAY' ? join('|', @{$options{ignore}})
  990.             : defined($options{ignore})           ? $options{ignore}
  991.             :                     ''
  992.             ;
  993.  
  994.     if (!defined $ldel) { $ldel = '<\w+(?:' . gen_delimited_pat(q{'"}) . '|[^>])*>'; }
  995.  
  996.     my $posbug = pos;
  997.     for ($ldel, $pre, $bad, $ignore) { $_ = qr/$_/ if $_ }
  998.     pos = $posbug;
  999.  
  1000.     my $closure = sub
  1001.     {
  1002.         my $textref = defined $_[0] ? \$_[0] : \$_;
  1003.         my @match = Text::Balanced::_match_tagged($textref, $pre, $ldel, $rdel, $omode, $bad, $ignore);
  1004.  
  1005.         return _fail(wantarray, $textref) unless @match;
  1006.         return _succeed wantarray, $textref,
  1007.                 $match[2], $match[3]+$match[5]+$match[7],    # MATCH
  1008.                 @match[8..9,0..1,2..7];                # REM, PRE, BITS
  1009.     };
  1010.  
  1011.     bless $closure, 'Text::Balanced::Extractor';
  1012. }
  1013.  
  1014. package Text::Balanced::Extractor;
  1015.  
  1016. sub extract($$)    # ($self, $text)
  1017. {
  1018.     &{$_[0]}($_[1]);
  1019. }
  1020.  
  1021. package Text::Balanced::ErrorMsg;
  1022.  
  1023. use overload '""' => sub { "$_[0]->{error}, detected at offset $_[0]->{pos}" };
  1024.  
  1025. 1;
  1026.  
  1027. __END__
  1028.  
  1029. =head1 NAME
  1030.  
  1031. Text::Balanced - Extract delimited text sequences from strings.
  1032.  
  1033.  
  1034. =head1 SYNOPSIS
  1035.  
  1036.  use Text::Balanced qw (
  1037.             extract_delimited
  1038.             extract_bracketed
  1039.             extract_quotelike
  1040.             extract_codeblock
  1041.             extract_variable
  1042.             extract_tagged
  1043.             extract_multiple
  1044.  
  1045.             gen_delimited_pat
  1046.             gen_extract_tagged
  1047.                );
  1048.  
  1049.  # Extract the initial substring of $text that is delimited by
  1050.  # two (unescaped) instances of the first character in $delim.
  1051.  
  1052.     ($extracted, $remainder) = extract_delimited($text,$delim);
  1053.  
  1054.  
  1055.  # Extract the initial substring of $text that is bracketed
  1056.  # with a delimiter(s) specified by $delim (where the string
  1057.  # in $delim contains one or more of '(){}[]<>').
  1058.  
  1059.     ($extracted, $remainder) = extract_bracketed($text,$delim);
  1060.  
  1061.  
  1062.  # Extract the initial substring of $text that is bounded by
  1063.  # an XML tag.
  1064.  
  1065.     ($extracted, $remainder) = extract_tagged($text);
  1066.  
  1067.  
  1068.  # Extract the initial substring of $text that is bounded by
  1069.  # a C<BEGIN>...C<END> pair. Don't allow nested C<BEGIN> tags
  1070.  
  1071.     ($extracted, $remainder) =
  1072.         extract_tagged($text,"BEGIN","END",undef,{bad=>["BEGIN"]});
  1073.  
  1074.  
  1075.  # Extract the initial substring of $text that represents a
  1076.  # Perl "quote or quote-like operation"
  1077.  
  1078.     ($extracted, $remainder) = extract_quotelike($text);
  1079.  
  1080.  
  1081.  # Extract the initial substring of $text that represents a block
  1082.  # of Perl code, bracketed by any of character(s) specified by $delim
  1083.  # (where the string $delim contains one or more of '(){}[]<>').
  1084.  
  1085.     ($extracted, $remainder) = extract_codeblock($text,$delim);
  1086.  
  1087.  
  1088.  # Extract the initial substrings of $text that would be extracted by
  1089.  # one or more sequential applications of the specified functions
  1090.  # or regular expressions
  1091.  
  1092.     @extracted = extract_multiple($text,
  1093.                       [ \&extract_bracketed,
  1094.                     \&extract_quotelike,
  1095.                     \&some_other_extractor_sub,
  1096.                     qr/[xyz]*/,
  1097.                     'literal',
  1098.                       ]);
  1099.  
  1100. # Create a string representing an optimized pattern (a la Friedl)
  1101. # that matches a substring delimited by any of the specified characters
  1102. # (in this case: any type of quote or a slash)
  1103.  
  1104.     $patstring = gen_delimited_pat(q{'"`/});
  1105.  
  1106.  
  1107. # Generate a reference to an anonymous sub that is just like extract_tagged
  1108. # but pre-compiled and optimized for a specific pair of tags, and consequently
  1109. # much faster (i.e. 3 times faster). It uses qr// for better performance on
  1110. # repeated calls, so it only works under Perl 5.005 or later.
  1111.  
  1112.     $extract_head = gen_extract_tagged('<HEAD>','</HEAD>');
  1113.  
  1114.     ($extracted, $remainder) = $extract_head->($text);
  1115.  
  1116.  
  1117. =head1 DESCRIPTION
  1118.  
  1119. The various C<extract_...> subroutines may be used to
  1120. extract a delimited substring, possibly after skipping a
  1121. specified prefix string. By default, that prefix is
  1122. optional whitespace (C</\s*/>), but you can change it to whatever
  1123. you wish (see below).
  1124.  
  1125. The substring to be extracted must appear at the
  1126. current C<pos> location of the string's variable
  1127. (or at index zero, if no C<pos> position is defined).
  1128. In other words, the C<extract_...> subroutines I<don't>
  1129. extract the first occurance of a substring anywhere
  1130. in a string (like an unanchored regex would). Rather,
  1131. they extract an occurance of the substring appearing
  1132. immediately at the current matching position in the
  1133. string (like a C<\G>-anchored regex would).
  1134.  
  1135.  
  1136.  
  1137. =head2 General behaviour in list contexts
  1138.  
  1139. In a list context, all the subroutines return a list, the first three
  1140. elements of which are always:
  1141.  
  1142. =over 4
  1143.  
  1144. =item [0]
  1145.  
  1146. The extracted string, including the specified delimiters.
  1147. If the extraction fails an empty string is returned.
  1148.  
  1149. =item [1]
  1150.  
  1151. The remainder of the input string (i.e. the characters after the
  1152. extracted string). On failure, the entire string is returned.
  1153.  
  1154. =item [2]
  1155.  
  1156. The skipped prefix (i.e. the characters before the extracted string).
  1157. On failure, the empty string is returned.
  1158.  
  1159. =back 
  1160.  
  1161. Note that in a list context, the contents of the original input text (the first
  1162. argument) are not modified in any way. 
  1163.  
  1164. However, if the input text was passed in a variable, that variable's
  1165. C<pos> value is updated to point at the first character after the
  1166. extracted text. That means that in a list context the various
  1167. subroutines can be used much like regular expressions. For example:
  1168.  
  1169.     while ( $next = (extract_quotelike($text))[0] )
  1170.     {
  1171.         # process next quote-like (in $next)
  1172.     }
  1173.  
  1174.  
  1175. =head2 General behaviour in scalar and void contexts
  1176.  
  1177. In a scalar context, the extracted string is returned, having first been
  1178. removed from the input text. Thus, the following code also processes
  1179. each quote-like operation, but actually removes them from $text:
  1180.  
  1181.     while ( $next = extract_quotelike($text) )
  1182.     {
  1183.         # process next quote-like (in $next)
  1184.     }
  1185.  
  1186. Note that if the input text is a read-only string (i.e. a literal),
  1187. no attempt is made to remove the extracted text.
  1188.  
  1189. In a void context the behaviour of the extraction subroutines is
  1190. exactly the same as in a scalar context, except (of course) that the
  1191. extracted substring is not returned.
  1192.  
  1193. =head2 A note about prefixes
  1194.  
  1195. Prefix patterns are matched without any trailing modifiers (C</gimsox> etc.)
  1196. This can bite you if you're expecting a prefix specification like
  1197. '.*?(?=<H1>)' to skip everything up to the first <H1> tag. Such a prefix
  1198. pattern will only succeed if the <H1> tag is on the current line, since
  1199. . normally doesn't match newlines.
  1200.  
  1201. To overcome this limitation, you need to turn on /s matching within
  1202. the prefix pattern, using the C<(?s)> directive: '(?s).*?(?=<H1>)'
  1203.  
  1204.  
  1205. =head2 C<extract_delimited>
  1206.  
  1207. The C<extract_delimited> function formalizes the common idiom
  1208. of extracting a single-character-delimited substring from the start of
  1209. a string. For example, to extract a single-quote delimited string, the
  1210. following code is typically used:
  1211.  
  1212.     ($remainder = $text) =~ s/\A('(\\.|[^'])*')//s;
  1213.     $extracted = $1;
  1214.  
  1215. but with C<extract_delimited> it can be simplified to:
  1216.  
  1217.     ($extracted,$remainder) = extract_delimited($text, "'");
  1218.  
  1219. C<extract_delimited> takes up to four scalars (the input text, the
  1220. delimiters, a prefix pattern to be skipped, and any escape characters)
  1221. and extracts the initial substring of the text that
  1222. is appropriately delimited. If the delimiter string has multiple
  1223. characters, the first one encountered in the text is taken to delimit
  1224. the substring.
  1225. The third argument specifies a prefix pattern that is to be skipped
  1226. (but must be present!) before the substring is extracted.
  1227. The final argument specifies the escape character to be used for each
  1228. delimiter.
  1229.  
  1230. All arguments are optional. If the escape characters are not specified,
  1231. every delimiter is escaped with a backslash (C<\>).
  1232. If the prefix is not specified, the
  1233. pattern C<'\s*'> - optional whitespace - is used. If the delimiter set
  1234. is also not specified, the set C</["'`]/> is used. If the text to be processed
  1235. is not specified either, C<$_> is used.
  1236.  
  1237. In list context, C<extract_delimited> returns a array of three
  1238. elements, the extracted substring (I<including the surrounding
  1239. delimiters>), the remainder of the text, and the skipped prefix (if
  1240. any). If a suitable delimited substring is not found, the first
  1241. element of the array is the empty string, the second is the complete
  1242. original text, and the prefix returned in the third element is an
  1243. empty string.
  1244.  
  1245. In a scalar context, just the extracted substring is returned. In
  1246. a void context, the extracted substring (and any prefix) are simply
  1247. removed from the beginning of the first argument.
  1248.  
  1249. Examples:
  1250.  
  1251.     # Remove a single-quoted substring from the very beginning of $text:
  1252.  
  1253.         $substring = extract_delimited($text, "'", '');
  1254.  
  1255.     # Remove a single-quoted Pascalish substring (i.e. one in which
  1256.     # doubling the quote character escapes it) from the very
  1257.     # beginning of $text:
  1258.  
  1259.         $substring = extract_delimited($text, "'", '', "'");
  1260.  
  1261.     # Extract a single- or double- quoted substring from the
  1262.     # beginning of $text, optionally after some whitespace
  1263.     # (note the list context to protect $text from modification):
  1264.  
  1265.         ($substring) = extract_delimited $text, q{"'};
  1266.  
  1267.  
  1268.     # Delete the substring delimited by the first '/' in $text:
  1269.  
  1270.         $text = join '', (extract_delimited($text,'/','[^/]*')[2,1];
  1271.  
  1272. Note that this last example is I<not> the same as deleting the first
  1273. quote-like pattern. For instance, if C<$text> contained the string:
  1274.  
  1275.     "if ('./cmd' =~ m/$UNIXCMD/s) { $cmd = $1; }"
  1276.     
  1277. then after the deletion it would contain:
  1278.  
  1279.     "if ('.$UNIXCMD/s) { $cmd = $1; }"
  1280.  
  1281. not:
  1282.  
  1283.     "if ('./cmd' =~ ms) { $cmd = $1; }"
  1284.     
  1285.  
  1286. See L<"extract_quotelike"> for a (partial) solution to this problem.
  1287.  
  1288.  
  1289. =head2 C<extract_bracketed>
  1290.  
  1291. Like C<"extract_delimited">, the C<extract_bracketed> function takes
  1292. up to three optional scalar arguments: a string to extract from, a delimiter
  1293. specifier, and a prefix pattern. As before, a missing prefix defaults to
  1294. optional whitespace and a missing text defaults to C<$_>. However, a missing
  1295. delimiter specifier defaults to C<'{}()[]E<lt>E<gt>'> (see below).
  1296.  
  1297. C<extract_bracketed> extracts a balanced-bracket-delimited
  1298. substring (using any one (or more) of the user-specified delimiter
  1299. brackets: '(..)', '{..}', '[..]', or '<..>'). Optionally it will also
  1300. respect quoted unbalanced brackets (see below).
  1301.  
  1302. A "delimiter bracket" is a bracket in list of delimiters passed as
  1303. C<extract_bracketed>'s second argument. Delimiter brackets are
  1304. specified by giving either the left or right (or both!) versions
  1305. of the required bracket(s). Note that the order in which
  1306. two or more delimiter brackets are specified is not significant.
  1307.  
  1308. A "balanced-bracket-delimited substring" is a substring bounded by
  1309. matched brackets, such that any other (left or right) delimiter
  1310. bracket I<within> the substring is also matched by an opposite
  1311. (right or left) delimiter bracket I<at the same level of nesting>. Any
  1312. type of bracket not in the delimiter list is treated as an ordinary
  1313. character.
  1314.  
  1315. In other words, each type of bracket specified as a delimiter must be
  1316. balanced and correctly nested within the substring, and any other kind of
  1317. ("non-delimiter") bracket in the substring is ignored.
  1318.  
  1319. For example, given the string:
  1320.  
  1321.     $text = "{ an '[irregularly :-(] {} parenthesized >:-)' string }";
  1322.  
  1323. then a call to C<extract_bracketed> in a list context:
  1324.  
  1325.     @result = extract_bracketed( $text, '{}' );
  1326.  
  1327. would return:
  1328.  
  1329.     ( "{ an '[irregularly :-(] {} parenthesized >:-)' string }" , "" , "" )
  1330.  
  1331. since both sets of C<'{..}'> brackets are properly nested and evenly balanced.
  1332. (In a scalar context just the first element of the array would be returned. In
  1333. a void context, C<$text> would be replaced by an empty string.)
  1334.  
  1335. Likewise the call in:
  1336.  
  1337.     @result = extract_bracketed( $text, '{[' );
  1338.  
  1339. would return the same result, since all sets of both types of specified
  1340. delimiter brackets are correctly nested and balanced.
  1341.  
  1342. However, the call in:
  1343.  
  1344.     @result = extract_bracketed( $text, '{([<' );
  1345.  
  1346. would fail, returning:
  1347.  
  1348.     ( undef , "{ an '[irregularly :-(] {} parenthesized >:-)' string }"  );
  1349.  
  1350. because the embedded pairs of C<'(..)'>s and C<'[..]'>s are "cross-nested" and
  1351. the embedded C<'E<gt>'> is unbalanced. (In a scalar context, this call would
  1352. return an empty string. In a void context, C<$text> would be unchanged.)
  1353.  
  1354. Note that the embedded single-quotes in the string don't help in this
  1355. case, since they have not been specified as acceptable delimiters and are
  1356. therefore treated as non-delimiter characters (and ignored).
  1357.  
  1358. However, if a particular species of quote character is included in the
  1359. delimiter specification, then that type of quote will be correctly handled.
  1360. for example, if C<$text> is:
  1361.  
  1362.     $text = '<A HREF=">>>>">link</A>';
  1363.  
  1364. then
  1365.  
  1366.     @result = extract_bracketed( $text, '<">' );
  1367.  
  1368. returns:
  1369.  
  1370.     ( '<A HREF=">>>>">', 'link</A>', "" )
  1371.  
  1372. as expected. Without the specification of C<"> as an embedded quoter:
  1373.  
  1374.     @result = extract_bracketed( $text, '<>' );
  1375.  
  1376. the result would be:
  1377.  
  1378.     ( '<A HREF=">', '>>>">link</A>', "" )
  1379.  
  1380. In addition to the quote delimiters C<'>, C<">, and C<`>, full Perl quote-like
  1381. quoting (i.e. q{string}, qq{string}, etc) can be specified by including the
  1382. letter 'q' as a delimiter. Hence:
  1383.  
  1384.     @result = extract_bracketed( $text, '<q>' );
  1385.  
  1386. would correctly match something like this:
  1387.  
  1388.     $text = '<leftop: conj /and/ conj>';
  1389.  
  1390. See also: C<"extract_quotelike"> and C<"extract_codeblock">.
  1391.  
  1392.  
  1393. =head2 C<extract_variable>
  1394.  
  1395. C<extract_variable> extracts any valid Perl variable or
  1396. variable-involved expression, including scalars, arrays, hashes, array
  1397. accesses, hash look-ups, method calls through objects, subroutine calles
  1398. through subroutine references, etc.
  1399.  
  1400. The subroutine takes up to two optional arguments:
  1401.  
  1402. =over 4
  1403.  
  1404. =item 1.
  1405.  
  1406. A string to be processed (C<$_> if the string is omitted or C<undef>)
  1407.  
  1408. =item 2.
  1409.  
  1410. A string specifying a pattern to be matched as a prefix (which is to be
  1411. skipped). If omitted, optional whitespace is skipped.
  1412.  
  1413. =back
  1414.  
  1415. On success in a list context, an array of 3 elements is returned. The
  1416. elements are:
  1417.  
  1418. =over 4
  1419.  
  1420. =item [0]
  1421.  
  1422. the extracted variable, or variablish expression
  1423.  
  1424. =item [1]
  1425.  
  1426. the remainder of the input text,
  1427.  
  1428. =item [2]
  1429.  
  1430. the prefix substring (if any),
  1431.  
  1432. =back
  1433.  
  1434. On failure, all of these values (except the remaining text) are C<undef>.
  1435.  
  1436. In a scalar context, C<extract_variable> returns just the complete
  1437. substring that matched a variablish expression. C<undef> is returned on
  1438. failure. In addition, the original input text has the returned substring
  1439. (and any prefix) removed from it.
  1440.  
  1441. In a void context, the input text just has the matched substring (and
  1442. any specified prefix) removed.
  1443.  
  1444.  
  1445. =head2 C<extract_tagged>
  1446.  
  1447. C<extract_tagged> extracts and segments text between (balanced)
  1448. specified tags. 
  1449.  
  1450. The subroutine takes up to five optional arguments:
  1451.  
  1452. =over 4
  1453.  
  1454. =item 1.
  1455.  
  1456. A string to be processed (C<$_> if the string is omitted or C<undef>)
  1457.  
  1458. =item 2.
  1459.  
  1460. A string specifying a pattern to be matched as the opening tag.
  1461. If the pattern string is omitted (or C<undef>) then a pattern
  1462. that matches any standard XML tag is used.
  1463.  
  1464. =item 3.
  1465.  
  1466. A string specifying a pattern to be matched at the closing tag. 
  1467. If the pattern string is omitted (or C<undef>) then the closing
  1468. tag is constructed by inserting a C</> after any leading bracket
  1469. characters in the actual opening tag that was matched (I<not> the pattern
  1470. that matched the tag). For example, if the opening tag pattern
  1471. is specified as C<'{{\w+}}'> and actually matched the opening tag 
  1472. C<"{{DATA}}">, then the constructed closing tag would be C<"{{/DATA}}">.
  1473.  
  1474. =item 4.
  1475.  
  1476. A string specifying a pattern to be matched as a prefix (which is to be
  1477. skipped). If omitted, optional whitespace is skipped.
  1478.  
  1479. =item 5.
  1480.  
  1481. A hash reference containing various parsing options (see below)
  1482.  
  1483. =back
  1484.  
  1485. The various options that can be specified are:
  1486.  
  1487. =over 4
  1488.  
  1489. =item C<reject =E<gt> $listref>
  1490.  
  1491. The list reference contains one or more strings specifying patterns
  1492. that must I<not> appear within the tagged text.
  1493.  
  1494. For example, to extract
  1495. an HTML link (which should not contain nested links) use:
  1496.  
  1497.         extract_tagged($text, '<A>', '</A>', undef, {reject => ['<A>']} );
  1498.  
  1499. =item C<ignore =E<gt> $listref>
  1500.  
  1501. The list reference contains one or more strings specifying patterns
  1502. that are I<not> be be treated as nested tags within the tagged text
  1503. (even if they would match the start tag pattern).
  1504.  
  1505. For example, to extract an arbitrary XML tag, but ignore "empty" elements:
  1506.  
  1507.         extract_tagged($text, undef, undef, undef, {ignore => ['<[^>]*/>']} );
  1508.  
  1509. (also see L<"gen_delimited_pat"> below).
  1510.  
  1511.  
  1512. =item C<fail =E<gt> $str>
  1513.  
  1514. The C<fail> option indicates the action to be taken if a matching end
  1515. tag is not encountered (i.e. before the end of the string or some
  1516. C<reject> pattern matches). By default, a failure to match a closing
  1517. tag causes C<extract_tagged> to immediately fail.
  1518.  
  1519. However, if the string value associated with <reject> is "MAX", then
  1520. C<extract_tagged> returns the complete text up to the point of failure.
  1521. If the string is "PARA", C<extract_tagged> returns only the first paragraph
  1522. after the tag (up to the first line that is either empty or contains
  1523. only whitespace characters).
  1524. If the string is "", the the default behaviour (i.e. failure) is reinstated.
  1525.  
  1526. For example, suppose the start tag "/para" introduces a paragraph, which then
  1527. continues until the next "/endpara" tag or until another "/para" tag is
  1528. encountered:
  1529.  
  1530.         $text = "/para line 1\n\nline 3\n/para line 4";
  1531.  
  1532.         extract_tagged($text, '/para', '/endpara', undef,
  1533.                                 {reject => '/para', fail => MAX );
  1534.  
  1535.         # EXTRACTED: "/para line 1\n\nline 3\n"
  1536.  
  1537. Suppose instead, that if no matching "/endpara" tag is found, the "/para"
  1538. tag refers only to the immediately following paragraph:
  1539.  
  1540.         $text = "/para line 1\n\nline 3\n/para line 4";
  1541.  
  1542.         extract_tagged($text, '/para', '/endpara', undef,
  1543.                         {reject => '/para', fail => MAX );
  1544.  
  1545.         # EXTRACTED: "/para line 1\n"
  1546.  
  1547. Note that the specified C<fail> behaviour applies to nested tags as well.
  1548.  
  1549. =back
  1550.  
  1551. On success in a list context, an array of 6 elements is returned. The elements are:
  1552.  
  1553. =over 4
  1554.  
  1555. =item [0]
  1556.  
  1557. the extracted tagged substring (including the outermost tags),
  1558.  
  1559. =item [1]
  1560.  
  1561. the remainder of the input text,
  1562.  
  1563. =item [2]
  1564.  
  1565. the prefix substring (if any),
  1566.  
  1567. =item [3]
  1568.  
  1569. the opening tag
  1570.  
  1571. =item [4]
  1572.  
  1573. the text between the opening and closing tags
  1574.  
  1575. =item [5]
  1576.  
  1577. the closing tag (or "" if no closing tag was found)
  1578.  
  1579. =back
  1580.  
  1581. On failure, all of these values (except the remaining text) are C<undef>.
  1582.  
  1583. In a scalar context, C<extract_tagged> returns just the complete
  1584. substring that matched a tagged text (including the start and end
  1585. tags). C<undef> is returned on failure. In addition, the original input
  1586. text has the returned substring (and any prefix) removed from it.
  1587.  
  1588. In a void context, the input text just has the matched substring (and
  1589. any specified prefix) removed.
  1590.  
  1591.  
  1592. =head2 C<gen_extract_tagged>
  1593.  
  1594. (Note: This subroutine is only available under Perl5.005)
  1595.  
  1596. C<gen_extract_tagged> generates a new anonymous subroutine which
  1597. extracts text between (balanced) specified tags. In other words,
  1598. it generates a function identical in function to C<extract_tagged>.
  1599.  
  1600. The difference between C<extract_tagged> and the anonymous
  1601. subroutines generated by
  1602. C<gen_extract_tagged>, is that those generated subroutines:
  1603.  
  1604. =over 4
  1605.  
  1606. =item * 
  1607.  
  1608. do not have to reparse tag specification or parsing options every time
  1609. they are called (whereas C<extract_tagged> has to effectively rebuild
  1610. its tag parser on every call);
  1611.  
  1612. =item *
  1613.  
  1614. make use of the new qr// construct to pre-compile the regexes they use
  1615. (whereas C<extract_tagged> uses standard string variable interpolation 
  1616. to create tag-matching patterns).
  1617.  
  1618. =back
  1619.  
  1620. The subroutine takes up to four optional arguments (the same set as
  1621. C<extract_tagged> except for the string to be processed). It returns
  1622. a reference to a subroutine which in turn takes a single argument (the text to
  1623. be extracted from).
  1624.  
  1625. In other words, the implementation of C<extract_tagged> is exactly
  1626. equivalent to:
  1627.  
  1628.         sub extract_tagged
  1629.         {
  1630.                 my $text = shift;
  1631.                 $extractor = gen_extract_tagged(@_);
  1632.                 return $extractor->($text);
  1633.         }
  1634.  
  1635. (although C<extract_tagged> is not currently implemented that way, in order
  1636. to preserve pre-5.005 compatibility).
  1637.  
  1638. Using C<gen_extract_tagged> to create extraction functions for specific tags 
  1639. is a good idea if those functions are going to be called more than once, since
  1640. their performance is typically twice as good as the more general-purpose
  1641. C<extract_tagged>.
  1642.  
  1643.  
  1644. =head2 C<extract_quotelike>
  1645.  
  1646. C<extract_quotelike> attempts to recognize, extract, and segment any
  1647. one of the various Perl quotes and quotelike operators (see
  1648. L<perlop(3)>) Nested backslashed delimiters, embedded balanced bracket
  1649. delimiters (for the quotelike operators), and trailing modifiers are
  1650. all caught. For example, in:
  1651.  
  1652.         extract_quotelike 'q # an octothorpe: \# (not the end of the q!) #'
  1653.         
  1654.         extract_quotelike '  "You said, \"Use sed\"."  '
  1655.  
  1656.         extract_quotelike ' s{([A-Z]{1,8}\.[A-Z]{3})} /\L$1\E/; '
  1657.  
  1658.         extract_quotelike ' tr/\\\/\\\\/\\\//ds; '
  1659.  
  1660. the full Perl quotelike operations are all extracted correctly.
  1661.  
  1662. Note too that, when using the /x modifier on a regex, any comment
  1663. containing the current pattern delimiter will cause the regex to be
  1664. immediately terminated. In other words:
  1665.  
  1666.         'm /
  1667.                 (?i)            # CASE INSENSITIVE
  1668.                 [a-z_]          # LEADING ALPHABETIC/UNDERSCORE
  1669.                 [a-z0-9]*       # FOLLOWED BY ANY NUMBER OF ALPHANUMERICS
  1670.            /x'
  1671.  
  1672. will be extracted as if it were:
  1673.  
  1674.         'm /
  1675.                 (?i)            # CASE INSENSITIVE
  1676.                 [a-z_]          # LEADING ALPHABETIC/'
  1677.  
  1678. This behaviour is identical to that of the actual compiler.
  1679.  
  1680. C<extract_quotelike> takes two arguments: the text to be processed and
  1681. a prefix to be matched at the very beginning of the text. If no prefix 
  1682. is specified, optional whitespace is the default. If no text is given,
  1683. C<$_> is used.
  1684.  
  1685. In a list context, an array of 11 elements is returned. The elements are:
  1686.  
  1687. =over 4
  1688.  
  1689. =item [0]
  1690.  
  1691. the extracted quotelike substring (including trailing modifiers),
  1692.  
  1693. =item [1]
  1694.  
  1695. the remainder of the input text,
  1696.  
  1697. =item [2]
  1698.  
  1699. the prefix substring (if any),
  1700.  
  1701. =item [3]
  1702.  
  1703. the name of the quotelike operator (if any),
  1704.  
  1705. =item [4]
  1706.  
  1707. the left delimiter of the first block of the operation,
  1708.  
  1709. =item [5]
  1710.  
  1711. the text of the first block of the operation
  1712. (that is, the contents of
  1713. a quote, the regex of a match or substitution or the target list of a
  1714. translation),
  1715.  
  1716. =item [6]
  1717.  
  1718. the right delimiter of the first block of the operation,
  1719.  
  1720. =item [7]
  1721.  
  1722. the left delimiter of the second block of the operation
  1723. (that is, if it is a C<s>, C<tr>, or C<y>),
  1724.  
  1725. =item [8]
  1726.  
  1727. the text of the second block of the operation 
  1728. (that is, the replacement of a substitution or the translation list
  1729. of a translation),
  1730.  
  1731. =item [9]
  1732.  
  1733. the right delimiter of the second block of the operation (if any),
  1734.  
  1735. =item [10]
  1736.  
  1737. the trailing modifiers on the operation (if any).
  1738.  
  1739. =back
  1740.  
  1741. For each of the fields marked "(if any)" the default value on success is
  1742. an empty string.
  1743. On failure, all of these values (except the remaining text) are C<undef>.
  1744.  
  1745.  
  1746. In a scalar context, C<extract_quotelike> returns just the complete substring
  1747. that matched a quotelike operation (or C<undef> on failure). In a scalar or
  1748. void context, the input text has the same substring (and any specified
  1749. prefix) removed.
  1750.  
  1751. Examples:
  1752.  
  1753.         # Remove the first quotelike literal that appears in text
  1754.  
  1755.                 $quotelike = extract_quotelike($text,'.*?');
  1756.  
  1757.         # Replace one or more leading whitespace-separated quotelike
  1758.         # literals in $_ with "<QLL>"
  1759.  
  1760.                 do { $_ = join '<QLL>', (extract_quotelike)[2,1] } until $@;
  1761.  
  1762.  
  1763.         # Isolate the search pattern in a quotelike operation from $text
  1764.  
  1765.                 ($op,$pat) = (extract_quotelike $text)[3,5];
  1766.                 if ($op =~ /[ms]/)
  1767.                 {
  1768.                         print "search pattern: $pat\n";
  1769.                 }
  1770.                 else
  1771.                 {
  1772.                         print "$op is not a pattern matching operation\n";
  1773.                 }
  1774.  
  1775.  
  1776. =head2 C<extract_quotelike> and "here documents"
  1777.  
  1778. C<extract_quotelike> can successfully extract "here documents" from an input
  1779. string, but with an important caveat in list contexts.
  1780.  
  1781. Unlike other types of quote-like literals, a here document is rarely
  1782. a contiguous substring. For example, a typical piece of code using
  1783. here document might look like this:
  1784.  
  1785.         <<'EOMSG' || die;
  1786.         This is the message.
  1787.         EOMSG
  1788.         exit;
  1789.  
  1790. Given this as an input string in a scalar context, C<extract_quotelike>
  1791. would correctly return the string "<<'EOMSG'\nThis is the message.\nEOMSG",
  1792. leaving the string " || die;\nexit;" in the original variable. In other words,
  1793. the two separate pieces of the here document are successfully extracted and
  1794. concatenated.
  1795.  
  1796. In a list context, C<extract_quotelike> would return the list
  1797.  
  1798. =over 4
  1799.  
  1800. =item [0]
  1801.  
  1802. "<<'EOMSG'\nThis is the message.\nEOMSG\n" (i.e. the full extracted here document,
  1803. including fore and aft delimiters),
  1804.  
  1805. =item [1]
  1806.  
  1807. " || die;\nexit;" (i.e. the remainder of the input text, concatenated),
  1808.  
  1809. =item [2]
  1810.  
  1811. "" (i.e. the prefix substring -- trivial in this case),
  1812.  
  1813. =item [3]
  1814.  
  1815. "<<" (i.e. the "name" of the quotelike operator)
  1816.  
  1817. =item [4]
  1818.  
  1819. "'EOMSG'" (i.e. the left delimiter of the here document, including any quotes),
  1820.  
  1821. =item [5]
  1822.  
  1823. "This is the message.\n" (i.e. the text of the here document),
  1824.  
  1825. =item [6]
  1826.  
  1827. "EOMSG" (i.e. the right delimiter of the here document),
  1828.  
  1829. =item [7..10]
  1830.  
  1831. "" (a here document has no second left delimiter, second text, second right
  1832. delimiter, or trailing modifiers).
  1833.  
  1834. =back
  1835.  
  1836. However, the matching position of the input variable would be set to
  1837. "exit;" (i.e. I<after> the closing delimiter of the here document),
  1838. which would cause the earlier " || die;\nexit;" to be skipped in any
  1839. sequence of code fragment extractions.
  1840.  
  1841. To avoid this problem, when it encounters a here document whilst
  1842. extracting from a modifiable string, C<extract_quotelike> silently
  1843. rearranges the string to an equivalent piece of Perl:
  1844.  
  1845.         <<'EOMSG'
  1846.         This is the message.
  1847.         EOMSG
  1848.         || die;
  1849.         exit;
  1850.  
  1851. in which the here document I<is> contiguous. It still leaves the
  1852. matching position after the here document, but now the rest of the line
  1853. on which the here document starts is not skipped.
  1854.  
  1855. To prevent <extract_quotelike> from mucking about with the input in this way
  1856. (this is the only case where a list-context C<extract_quotelike> does so),
  1857. you can pass the input variable as an interpolated literal:
  1858.  
  1859.         $quotelike = extract_quotelike("$var");
  1860.  
  1861.  
  1862. =head2 C<extract_codeblock>
  1863.  
  1864. C<extract_codeblock> attempts to recognize and extract a balanced
  1865. bracket delimited substring that may contain unbalanced brackets
  1866. inside Perl quotes or quotelike operations. That is, C<extract_codeblock>
  1867. is like a combination of C<"extract_bracketed"> and
  1868. C<"extract_quotelike">.
  1869.  
  1870. C<extract_codeblock> takes the same initial three parameters as C<extract_bracketed>:
  1871. a text to process, a set of delimiter brackets to look for, and a prefix to
  1872. match first. It also takes an optional fourth parameter, which allows the
  1873. outermost delimiter brackets to be specified separately (see below).
  1874.  
  1875. Omitting the first argument (input text) means process C<$_> instead.
  1876. Omitting the second argument (delimiter brackets) indicates that only C<'{'> is to be used.
  1877. Omitting the third argument (prefix argument) implies optional whitespace at the start.
  1878. Omitting the fourth argument (outermost delimiter brackets) indicates that the
  1879. value of the second argument is to be used for the outermost delimiters.
  1880.  
  1881. Once the prefix an dthe outermost opening delimiter bracket have been
  1882. recognized, code blocks are extracted by stepping through the input text and
  1883. trying the following alternatives in sequence:
  1884.  
  1885. =over 4
  1886.  
  1887. =item 1.
  1888.  
  1889. Try and match a closing delimiter bracket. If the bracket was the same
  1890. species as the last opening bracket, return the substring to that
  1891. point. If the bracket was mismatched, return an error.
  1892.  
  1893. =item 2.
  1894.  
  1895. Try to match a quote or quotelike operator. If found, call
  1896. C<extract_quotelike> to eat it. If C<extract_quotelike> fails, return
  1897. the error it returned. Otherwise go back to step 1.
  1898.  
  1899. =item 3.
  1900.  
  1901. Try to match an opening delimiter bracket. If found, call
  1902. C<extract_codeblock> recursively to eat the embedded block. If the
  1903. recursive call fails, return an error. Otherwise, go back to step 1.
  1904.  
  1905. =item 4.
  1906.  
  1907. Unconditionally match a bareword or any other single character, and
  1908. then go back to step 1.
  1909.  
  1910. =back
  1911.  
  1912.  
  1913. Examples:
  1914.  
  1915.         # Find a while loop in the text
  1916.  
  1917.                 if ($text =~ s/.*?while\s*\{/{/)
  1918.                 {
  1919.                         $loop = "while " . extract_codeblock($text);
  1920.                 }
  1921.  
  1922.         # Remove the first round-bracketed list (which may include
  1923.         # round- or curly-bracketed code blocks or quotelike operators)
  1924.  
  1925.                 extract_codeblock $text, "(){}", '[^(]*';
  1926.  
  1927.  
  1928. The ability to specify a different outermost delimiter bracket is useful
  1929. in some circumstances. For example, in the Parse::RecDescent module,
  1930. parser actions which are to be performed only on a successful parse
  1931. are specified using a C<E<lt>defer:...E<gt>> directive. For example:
  1932.  
  1933.         sentence: subject verb object
  1934.                         <defer: {$::theVerb = $item{verb}} >
  1935.  
  1936. Parse::RecDescent uses C<extract_codeblock($text, '{}E<lt>E<gt>')> to extract the code
  1937. within the C<E<lt>defer:...E<gt>> directive, but there's a problem.
  1938.  
  1939. A deferred action like this:
  1940.  
  1941.                         <defer: {if ($count>10) {$count--}} >
  1942.  
  1943. will be incorrectly parsed as:
  1944.  
  1945.                         <defer: {if ($count>
  1946.  
  1947. because the "less than" operator is interpreted as a closing delimiter.
  1948.  
  1949. But, by extracting the directive using
  1950. S<C<extract_codeblock($text, '{}', undef, 'E<lt>E<gt>')>>
  1951. the '>' character is only treated as a delimited at the outermost
  1952. level of the code block, so the directive is parsed correctly.
  1953.  
  1954. =head2 C<extract_multiple>
  1955.  
  1956. The C<extract_multiple> subroutine takes a string to be processed and a 
  1957. list of extractors (subroutines or regular expressions) to apply to that string.
  1958.  
  1959. In an array context C<extract_multiple> returns an array of substrings
  1960. of the original string, as extracted by the specified extractors.
  1961. In a scalar context, C<extract_multiple> returns the first
  1962. substring successfully extracted from the original string. In both
  1963. scalar and void contexts the original string has the first successfully
  1964. extracted substring removed from it. In all contexts
  1965. C<extract_multiple> starts at the current C<pos> of the string, and
  1966. sets that C<pos> appropriately after it matches.
  1967.  
  1968. Hence, the aim of of a call to C<extract_multiple> in a list context
  1969. is to split the processed string into as many non-overlapping fields as
  1970. possible, by repeatedly applying each of the specified extractors
  1971. to the remainder of the string. Thus C<extract_multiple> is
  1972. a generalized form of Perl's C<split> subroutine.
  1973.  
  1974. The subroutine takes up to four optional arguments:
  1975.  
  1976. =over 4
  1977.  
  1978. =item 1.
  1979.  
  1980. A string to be processed (C<$_> if the string is omitted or C<undef>)
  1981.  
  1982. =item 2.
  1983.  
  1984. A reference to a list of subroutine references and/or qr// objects and/or
  1985. literal strings and/or hash references, specifying the extractors
  1986. to be used to split the string. If this argument is omitted (or
  1987. C<undef>) the list:
  1988.  
  1989.         [
  1990.                 sub { extract_variable($_[0], '') },
  1991.                 sub { extract_quotelike($_[0],'') },
  1992.                 sub { extract_codeblock($_[0],'{}','') },
  1993.         ]
  1994.  
  1995. is used.
  1996.  
  1997.  
  1998. =item 3.
  1999.  
  2000. An number specifying the maximum number of fields to return. If this
  2001. argument is omitted (or C<undef>), split continues as long as possible.
  2002.  
  2003. If the third argument is I<N>, then extraction continues until I<N> fields
  2004. have been successfully extracted, or until the string has been completely 
  2005. processed.
  2006.  
  2007. Note that in scalar and void contexts the value of this argument is 
  2008. automatically reset to 1 (under C<-w>, a warning is issued if the argument 
  2009. has to be reset).
  2010.  
  2011. =item 4.
  2012.  
  2013. A value indicating whether unmatched substrings (see below) within the
  2014. text should be skipped or returned as fields. If the value is true,
  2015. such substrings are skipped. Otherwise, they are returned.
  2016.  
  2017. =back
  2018.  
  2019. The extraction process works by applying each extractor in
  2020. sequence to the text string.
  2021.  
  2022. If the extractor is a subroutine it is called in a list context and is
  2023. expected to return a list of a single element, namely the extracted
  2024. text. It may optionally also return two further arguments: a string
  2025. representing the text left after extraction (like $' for a pattern
  2026. match), and a string representing any prefix skipped before the
  2027. extraction (like $` in a pattern match). Note that this is designed
  2028. to facilitate the use of other Text::Balanced subroutines with
  2029. C<extract_multiple>. Note too that the value returned by an extractor
  2030. subroutine need not bear any relationship to the corresponding substring
  2031. of the original text (see examples below).
  2032.  
  2033. If the extractor is a precompiled regular expression or a string,
  2034. it is matched against the text in a scalar context with a leading
  2035. '\G' and the gc modifiers enabled. The extracted value is either
  2036. $1 if that variable is defined after the match, or else the
  2037. complete match (i.e. $&).
  2038.  
  2039. If the extractor is a hash reference, it must contain exactly one element.
  2040. The value of that element is one of the
  2041. above extractor types (subroutine reference, regular expression, or string).
  2042. The key of that element is the name of a class into which the successful
  2043. return value of the extractor will be blessed.
  2044.  
  2045. If an extractor returns a defined value, that value is immediately
  2046. treated as the next extracted field and pushed onto the list of fields.
  2047. If the extractor was specified in a hash reference, the field is also
  2048. blessed into the appropriate class, 
  2049.  
  2050. If the extractor fails to match (in the case of a regex extractor), or returns an empty list or an undefined value (in the case of a subroutine extractor), it is
  2051. assumed to have failed to extract.
  2052. If none of the extractor subroutines succeeds, then one
  2053. character is extracted from the start of the text and the extraction
  2054. subroutines reapplied. Characters which are thus removed are accumulated and
  2055. eventually become the next field (unless the fourth argument is true, in which
  2056. case they are disgarded).
  2057.  
  2058. For example, the following extracts substrings that are valid Perl variables:
  2059.  
  2060.         @fields = extract_multiple($text,
  2061.                                    [ sub { extract_variable($_[0]) } ],
  2062.                                    undef, 1);
  2063.  
  2064. This example separates a text into fields which are quote delimited,
  2065. curly bracketed, and anything else. The delimited and bracketed
  2066. parts are also blessed to identify them (the "anything else" is unblessed):
  2067.  
  2068.         @fields = extract_multiple($text,
  2069.                    [
  2070.                         { Delim => sub { extract_delimited($_[0],q{'"}) } },
  2071.                         { Brack => sub { extract_bracketed($_[0],'{}') } },
  2072.                    ]);
  2073.  
  2074. This call extracts the next single substring that is a valid Perl quotelike
  2075. operator (and removes it from $text):
  2076.  
  2077.         $quotelike = extract_multiple($text,
  2078.                                       [
  2079.                                         sub { extract_quotelike($_[0]) },
  2080.                                       ], undef, 1);
  2081.  
  2082. Finally, here is yet another way to do comma-separated value parsing:
  2083.  
  2084.         @fields = extract_multiple($csv_text,
  2085.                                   [
  2086.                                         sub { extract_delimited($_[0],q{'"}) },
  2087.                                         qr/([^,]+)(.*)/,
  2088.                                   ],
  2089.                                   undef,1);
  2090.  
  2091. The list in the second argument means:
  2092. I<"Try and extract a ' or " delimited string, otherwise extract anything up to a comma...">.
  2093. The undef third argument means:
  2094. I<"...as many times as possible...">,
  2095. and the true value in the fourth argument means
  2096. I<"...discarding anything else that appears (i.e. the commas)">.
  2097.  
  2098. If you wanted the commas preserved as separate fields (i.e. like split
  2099. does if your split pattern has capturing parentheses), you would
  2100. just make the last parameter undefined (or remove it).
  2101.  
  2102.  
  2103. =head2 C<gen_delimited_pat>
  2104.  
  2105. The C<gen_delimited_pat> subroutine takes a single (string) argument and
  2106.    > builds a Friedl-style optimized regex that matches a string delimited
  2107. by any one of the characters in the single argument. For example:
  2108.  
  2109.         gen_delimited_pat(q{'"})
  2110.  
  2111. returns the regex:
  2112.  
  2113.         (?:\"(?:\\\"|(?!\").)*\"|\'(?:\\\'|(?!\').)*\')
  2114.  
  2115. Note that the specified delimiters are automatically quotemeta'd.
  2116.  
  2117. A typical use of C<gen_delimited_pat> would be to build special purpose tags
  2118. for C<extract_tagged>. For example, to properly ignore "empty" XML elements
  2119. (which might contain quoted strings):
  2120.  
  2121.         my $empty_tag = '<(' . gen_delimited_pat(q{'"}) . '|.)+/>';
  2122.  
  2123.         extract_tagged($text, undef, undef, undef, {ignore => [$empty_tag]} );
  2124.  
  2125.  
  2126. C<gen_delimited_pat> may also be called with an optional second argument,
  2127. which specifies the "escape" character(s) to be used for each delimiter.
  2128. For example to match a Pascal-style string (where ' is the delimiter
  2129. and '' is a literal ' within the string):
  2130.  
  2131.         gen_delimited_pat(q{'},q{'});
  2132.  
  2133. Different escape characters can be specified for different delimiters.
  2134. For example, to specify that '/' is the escape for single quotes
  2135. and '%' is the escape for double quotes:
  2136.  
  2137.         gen_delimited_pat(q{'"},q{/%});
  2138.  
  2139. If more delimiters than escape chars are specified, the last escape char
  2140. is used for the remaining delimiters.
  2141. If no escape char is specified for a given specified delimiter, '\' is used.
  2142.  
  2143. Note that 
  2144. C<gen_delimited_pat> was previously called
  2145. C<delimited_pat>. That name may still be used, but is now deprecated.
  2146.         
  2147.  
  2148. =head1 DIAGNOSTICS
  2149.  
  2150. In a list context, all the functions return C<(undef,$original_text)>
  2151. on failure. In a scalar context, failure is indicated by returning C<undef>
  2152. (in this case the input text is not modified in any way).
  2153.  
  2154. In addition, on failure in I<any> context, the C<$@> variable is set.
  2155. Accessing C<$@-E<gt>{error}> returns one of the error diagnostics listed
  2156. below.
  2157. Accessing C<$@-E<gt>{pos}> returns the offset into the original string at
  2158. which the error was detected (although not necessarily where it occurred!)
  2159. Printing C<$@> directly produces the error message, with the offset appended.
  2160. On success, the C<$@> variable is guaranteed to be C<undef>.
  2161.  
  2162. The available diagnostics are:
  2163.  
  2164. =over 4
  2165.  
  2166. =item  C<Did not find a suitable bracket: "%s">
  2167.  
  2168. The delimiter provided to C<extract_bracketed> was not one of
  2169. C<'()[]E<lt>E<gt>{}'>.
  2170.  
  2171. =item  C<Did not find prefix: /%s/>
  2172.  
  2173. A non-optional prefix was specified but wasn't found at the start of the text.
  2174.  
  2175. =item  C<Did not find opening bracket after prefix: "%s">
  2176.  
  2177. C<extract_bracketed> or C<extract_codeblock> was expecting a
  2178. particular kind of bracket at the start of the text, and didn't find it.
  2179.  
  2180. =item  C<No quotelike operator found after prefix: "%s">
  2181.  
  2182. C<extract_quotelike> didn't find one of the quotelike operators C<q>,
  2183. C<qq>, C<qw>, C<qx>, C<s>, C<tr> or C<y> at the start of the substring
  2184. it was extracting.
  2185.  
  2186. =item  C<Unmatched closing bracket: "%c">
  2187.  
  2188. C<extract_bracketed>, C<extract_quotelike> or C<extract_codeblock> encountered
  2189. a closing bracket where none was expected.
  2190.  
  2191. =item  C<Unmatched opening bracket(s): "%s">
  2192.  
  2193. C<extract_bracketed>, C<extract_quotelike> or C<extract_codeblock> ran 
  2194. out of characters in the text before closing one or more levels of nested
  2195. brackets.
  2196.  
  2197. =item C<Unmatched embedded quote (%s)>
  2198.  
  2199. C<extract_bracketed> attempted to match an embedded quoted substring, but
  2200. failed to find a closing quote to match it.
  2201.  
  2202. =item C<Did not find closing delimiter to match '%s'>
  2203.  
  2204. C<extract_quotelike> was unable to find a closing delimiter to match the
  2205. one that opened the quote-like operation.
  2206.  
  2207. =item  C<Mismatched closing bracket: expected "%c" but found "%s">
  2208.  
  2209. C<extract_bracketed>, C<extract_quotelike> or C<extract_codeblock> found
  2210. a valid bracket delimiter, but it was the wrong species. This usually
  2211. indicates a nesting error, but may indicate incorrect quoting or escaping.
  2212.  
  2213. =item  C<No block delimiter found after quotelike "%s">
  2214.  
  2215. C<extract_quotelike> or C<extract_codeblock> found one of the
  2216. quotelike operators C<q>, C<qq>, C<qw>, C<qx>, C<s>, C<tr> or C<y>
  2217. without a suitable block after it.
  2218.  
  2219. =item C<Did not find leading dereferencer>
  2220.  
  2221. C<extract_variable> was expecting one of '$', '@', or '%' at the start of
  2222. a variable, but didn't find any of them.
  2223.  
  2224. =item C<Bad identifier after dereferencer>
  2225.  
  2226. C<extract_variable> found a '$', '@', or '%' indicating a variable, but that
  2227. character was not followed by a legal Perl identifier.
  2228.  
  2229. =item C<Did not find expected opening bracket at %s>
  2230.  
  2231. C<extract_codeblock> failed to find any of the outermost opening brackets
  2232. that were specified.
  2233.  
  2234. =item C<Improperly nested codeblock at %s>
  2235.  
  2236. A nested code block was found that started with a delimiter that was specified
  2237. as being only to be used as an outermost bracket.
  2238.  
  2239. =item  C<Missing second block for quotelike "%s">
  2240.  
  2241. C<extract_codeblock> or C<extract_quotelike> found one of the
  2242. quotelike operators C<s>, C<tr> or C<y> followed by only one block.
  2243.  
  2244. =item C<No match found for opening bracket>
  2245.  
  2246. C<extract_codeblock> failed to find a closing bracket to match the outermost
  2247. opening bracket.
  2248.  
  2249. =item C<Did not find opening tag: /%s/>
  2250.  
  2251. C<extract_tagged> did not find a suitable opening tag (after any specified
  2252. prefix was removed).
  2253.  
  2254. =item C<Unable to construct closing tag to match: /%s/>
  2255.  
  2256. C<extract_tagged> matched the specified opening tag and tried to
  2257. modify the matched text to produce a matching closing tag (because
  2258. none was specified). It failed to generate the closing tag, almost
  2259. certainly because the opening tag did not start with a
  2260. bracket of some kind.
  2261.  
  2262. =item C<Found invalid nested tag: %s>
  2263.  
  2264. C<extract_tagged> found a nested tag that appeared in the "reject" list
  2265. (and the failure mode was not "MAX" or "PARA").
  2266.  
  2267. =item C<Found unbalanced nested tag: %s>
  2268.  
  2269. C<extract_tagged> found a nested opening tag that was not matched by a
  2270. corresponding nested closing tag (and the failure mode was not "MAX" or "PARA").
  2271.  
  2272. =item C<Did not find closing tag>
  2273.  
  2274. C<extract_tagged> reached the end of the text without finding a closing tag
  2275. to match the original opening tag (and the failure mode was not
  2276. "MAX" or "PARA").
  2277.  
  2278.  
  2279.  
  2280.  
  2281. =back
  2282.  
  2283.  
  2284. =head1 AUTHOR
  2285.  
  2286. Damian Conway (damian@conway.org)
  2287.  
  2288.  
  2289. =head1 BUGS AND IRRITATIONS
  2290.  
  2291. There are undoubtedly serious bugs lurking somewhere in this code, if
  2292. only because parts of it give the impression of understanding a great deal
  2293. more about Perl than they really do. 
  2294.  
  2295. Bug reports and other feedback are most welcome.
  2296.  
  2297.  
  2298. =head1 COPYRIGHT
  2299.  
  2300.  Copyright (c) 1997-2001, Damian Conway. All Rights Reserved.
  2301.  This module is free software. It may be used, redistributed
  2302.      and/or modified under the same terms as Perl itself.
  2303.