342 lines
16 KiB
Markdown
342 lines
16 KiB
Markdown
# NGRA Regex 源生成 Checklist
|
||
|
||
本文件按**一次扫描消耗的前缀 IR 数量**分层，记录源生成器需要实现的形态。
|
||
消耗量从高到低排列，从整个 region 的识别一直降到单条 `MATCH` 指令。
|
||
|
||
## 为什么按 IR 消耗量分层
|
||
|
||
早期版本按正则语法分批（基础匹配 / 计数 / ALT / 捕获组……），这描述的是**表达式形态**。
|
||
但 `EmitPrefix` 之后，生成器面对的不再是表达式，而是**带前缀的指令窗口**：
|
||
|
||
- `a|b` 与 `(?<a>abcd|a(bc)c)` 在语法上分属两批，在前缀 IR 里却共用同一个
|
||
「region 链 + `Prev_Fail` 切换」骨架；
|
||
- `abc` 与 `a[abc]d` 在语法上同属一批，消耗的 IR 条数却不同；
|
||
- `WorkingRegion` / `ExeCondition` / `ObserveMethod` / `PopCondition`
|
||
是**横切在每条指令上**的，任何按语法组织的清单都无法表达它们。
|
||
|
||
因此清单以「一个 `TryGenerateXxx` 一次吞掉几条 IR」为轴，与
|
||
`RegexAnalyzer.PrefixEmit` 里 `TryEmitXxx` 的调度链保持同构。
|
||
|
||
## 生成器统一约定
|
||
|
||
这些约定是所有层级的前提，先固定下来再写具体层：
|
||
|
||
1. **返回值语义**：所有 `TryGenerateXxx` 返回**本次消耗的 IR 条数**，`-1` 表示窗口不匹配。
|
||
不得返回 pattern 长度、字符数等其它含义的整数。
|
||
2. **调度链顺序**：调度链的 `if / else if` 严格按 L1 → L2 → L3 → L4 排列，
|
||
层号即消耗量的递减顺序，高消耗形态优先尝试，落空后自然降级到单指令。
|
||
3. **窗口约定**：扫描窗口为 `ir_sp[index..]`，长度不足时由各 `TryGenerate` 自行短路返回 `-1`。
|
||
窥探深度参照 IR 优化器的 8 条窗口。
|
||
4. **前缀不参与消耗计数**：前缀装饰（L5）不单独消耗 IR，它包裹在 L1–L4 产出的代码外层。
|
||
5. **作用域归属**：代码块的作用域由 `Prefix.WorkingRegion` 决定，不由表达式嵌套决定。
|
||
6. **控制流形态**：region 一律生成 `do { ... } while(false)` + `break`，
|
||
不使用 .NET generated regex 的 `goto` + 标签方案。
|
||
|
||
### 正确性核心与纯优化的分界
|
||
|
||
- **L2 + L4 + L5 + L1 的必需项是正确性核心**：region 作用域、单指令主体、前缀装饰
|
||
三者支撑绝大多数形态；但 `COUNT_COMPLEX` 与 FIND 系（L1.5–L1.9）的 body 不是独立 region，
|
||
L2 接不住，没有降级路径，因此同样属于核心。
|
||
- **L1 的压平项（L1.1–L1.4）与 L3 全部是纯优化**：它们只把 L2/L4 会生成的嵌套结构
|
||
压平成更好的代码形状。未实现时必须干净地返回 `-1`，让窗口自然降级，**不得影响正确性**。
|
||
|
||
这条分界决定了实现顺序：先把 L2/L4/L5 打通拿到可运行基线，再补 L1 的必需项，
|
||
最后才是 L1.1–L1.4 与 L3。
|
||
|
||
## 记录模板
|
||
|
||
```text
|
||
层级:
|
||
|
||
触发窗口:
|
||
|
||
消耗 IR 数:
|
||
|
||
覆盖样本:
|
||
|
||
期望代码形状:
|
||
|
||
Optimized IR:
|
||
|
||
IR -> Code 规则:
|
||
|
||
前缀交互:
|
||
|
||
备注:
|
||
```
|
||
|
||
## L0 方法级
|
||
|
||
一次消耗**整个 IR 列表 + `RegexInfo`**，只产出骨架，不产出任何匹配逻辑。
|
||
|
||
| # | 触发 | 消耗 | 产出 | 状态 |
|
||
| --- | --- | --- | --- | --- |
|
||
| L0.1 | `TextRegexSource` 入口 | 全部 | `Match(ReadOnlySpan<char>)` 签名与 `MatchResult` 返回 | [ ] |
|
||
| L0.2 | `RegionCount` | 元数据 | 每个 region 的 `start` / `end` / `success` 槽 | [ ] |
|
||
| L0.3 | `SingleLineResultCount` | 元数据 | `Observe_Line` 所需的行结果槽 | [ ] |
|
||
| L0.4 | `MinPredictLength` | 元数据 | 入口处最小长度断言（可延后） | [ ] |
|
||
| L0.5 | — | — | 活动指针、锚点指针、`SourceGenContext` 按需变量声明 | [ ] |
|
||
|
||
样本：任意，用 `abc` 验证骨架能编译即可。
|
||
|
||
关注点：region 槽是否必须全量分配、行结果槽能否按 `ObserveSource` 稀疏分配。
|
||
|
||
## L1 Region 组合级（含必需项）
|
||
|
||
一次消耗**多个 region + 尾部控制指令**，是窗口消耗量最高的形态。
|
||
这些组合在 `EmitPrefix` 里已经被识别过一次
|
||
（`TryEmitAltChain` / `TryEmitTryGroupTail` / `TryEmitComplexIR`），生成器应与之一一对应。
|
||
|
||
除 L1.5–L1.9 外，本层全部是**代码形状优化**：不实现时窗口会降级到 L2 + L5，
|
||
生成出语义等价但嵌套更深的代码。
|
||
|
||
| # | 触发窗口 | 消耗 | 覆盖样本 | 性质 | 状态 |
|
||
| --- | --- | --- | --- | --- | --- |
|
||
| L1.1 | region 链，后继 region 带 `Prev_Fail` | Σ region | `a\|b`、`ab\|cd\|ef`、`a\|bc\|def` | 压平 | [ ] |
|
||
| L1.2 | 同上 + 公共后缀 | Σ region + 后缀 | `(ab\|[cd]\|.)x` | 压平 | [ ] |
|
||
| L1.3 | region + `POP FAIL(Prev_Fail)` + `PACK SUCCESS(Prev_Success)` | region + 2 | `(?<name>abc)` | 压平 | [ ] |
|
||
| L1.4 | L1.3 且 region 内部是 ALT 链 | 嵌套 | `(?<a>abcd\|a(bc)c)` | 压平 | [ ] |
|
||
| L1.5 | `COUNT_COMPLEX` + body | `CommandCount + 1` | `(ab){2,3}` | **必需** | [ ] |
|
||
| L1.6 | `COUNT_COMPLEX` + body(含 ALT) + 线性后缀 | 嵌套 + 后缀 | `(123(4\|5)67){3,4}114514` | **必需** | [ ] |
|
||
| L1.7 | `FIND_COMPLEX`，`CommandCount ≥ 0` | `CommandCount + 1` | `.*(ab\|cd)` | **必需** | [ ] |
|
||
| L1.8 | `FIND_COMPLEX`，`CommandCount = -1` | 1 + region 剩余 | `(?<name>.*)234` | **必需** | [ ] |
|
||
| L1.9 | `FIND_SEQ` / `FIND_SET` | 1 + region 剩余 | `.*abc` | **必需** | [ ] |
|
||
|
||
期望代码形状：L1.1/L1.2 压平为 `if / else if / else` 链；L1.3/L1.4 在 region 成功分支写捕获区间；
|
||
L1.5/L1.6 为计数循环包裹 body；L1.7–L1.9 为**候选重试循环**包裹 body（见下）。
|
||
`CommandCount` 必须按前缀化后的实际条数重算。
|
||
|
||
L1.5–L1.9 标记为必需，是因为它们的 body 都不是独立 region，L2 接不住，没有替代降级路径。
|
||
|
||
### FIND 系的回溯语义
|
||
|
||
FIND 产出的不是一个位置，是一个**按优先级排序的候选位置序列**：
|
||
|
||
- `FURTHEST`（贪婪 `.*`）：从最远候选起，验证失败往**前**退
|
||
- `NEAREST`（惰性 `.*?`）：从最近候选起，验证失败往**后**进
|
||
|
||
body 是候选的**验证器**。验证失败必须取下一个候选重来，候选耗尽才是真失败。
|
||
只做一次 `LastIndexOf` 就判定成败是错的——`.*abcX` 里最后一个 `abc` 后面没有 `X` 时，
|
||
必须退到倒数第二个 `abc`。
|
||
|
||
`CommandCount = -1` 的语义已被优化器坐实：`TryReplaceDotStar` 把 `.*` 直接产出
|
||
`FindComplex(-1)`，随后 `TyrMergeFindRestTwice` / `TyrMergeFindRestTry` 尽力把它收敛成确定长度，
|
||
收敛不掉的保持 -1，表示「body 是 region 剩余全部」。所以后端只需处理两种 body 长度：
|
||
确定值，和 -1。
|
||
|
||
`FIND_SEQ` / `FIND_SET` 没有 `CommandCount` 字段，语义等同 -1。只有当它恰好是 region
|
||
最后一条时才退化成单次搜索，此时消耗为 1。
|
||
|
||
期望代码形状：
|
||
|
||
```csharp
|
||
int __bound = text.Length;
|
||
__ok = false;
|
||
while (true)
|
||
{
|
||
int __at = text[__cur..__bound].LastIndexOf("abc");
|
||
if (__at < 0) { __ok = false; break; } // 候选耗尽，唯一失败出口
|
||
int __save = __cur;
|
||
__cur = __cur + __at + 3;
|
||
|
||
// ── body / region 剩余指令内联展开在这里 ──
|
||
|
||
if (__ok) { break; } // 验证通过
|
||
__cur = __save;
|
||
__bound = __save + __at; // 退到前一个候选
|
||
}
|
||
```
|
||
|
||
### FIND 与 `POP` 的冲突（必须处理）
|
||
|
||
`POP` 编译成 `break` 时跳出的是**最近**一层循环，而 FIND 的 `while` 比 region 的
|
||
`do{}while(false)` 更近。body 里的 `POP` 会跳出重试循环而不是 region，语义直接错。
|
||
不引入 `goto` 的解法是加一个 region 终结标志：
|
||
|
||
```csharp
|
||
do // region N
|
||
{
|
||
bool __rN_done = false;
|
||
...
|
||
while (!__rN_done) // find retry
|
||
{
|
||
// 候选搜索
|
||
do // ← 隔离层，POP 的 break 落在这
|
||
{
|
||
// body，POP: __rN_ok = x; __rN_done = true; break;
|
||
} while (false);
|
||
|
||
if (__rN_done || __ok) { break; }
|
||
// 退候选
|
||
}
|
||
} while (false);
|
||
```
|
||
|
||
关注点：ALT 各 case 之间活动指针如何恢复、`PACK` 取哪一个成功结果作为捕获区间、
|
||
嵌套 FIND 会产生嵌套重试循环（复杂度是候选数的乘积，是灾难性回溯的来源）、
|
||
重试循环内 `__ok` 跨迭代被复写（`Observe_Line` 指向循环体内某条指令时，
|
||
读到的是最后一次迭代的值，当前前缀模型没有覆盖这个情形）。
|
||
|
||
## L2 Region 级（正确性核心）
|
||
|
||
一次消耗 **`CommandCount + 1`**，即一个 `TRY` 归约出的完整 region。
|
||
决定作用域与失败复位策略，是所有嵌套结构的承载体。
|
||
|
||
| # | 触发窗口 | 消耗 | 覆盖样本 | 状态 |
|
||
| --- | --- | --- | --- | --- |
|
||
| L2.1 | `RegexTryIR` + 其 body | `CommandCount + 1` | `(abc)` | [ ] |
|
||
| L2.2 | 同上，body 内含嵌套 region | 递归 | `(a(bc))` | [ ] |
|
||
| L2.3 | 单指令 region（被折叠的 TRY） | 1 | `(a)` | [ ] |
|
||
|
||
期望代码形状：
|
||
|
||
```csharp
|
||
__rN_begin = __cur;
|
||
__rN_ok = false;
|
||
do
|
||
{
|
||
// body，POP 在此 break
|
||
__rN_ok = __ok;
|
||
} while (false);
|
||
if (!__rN_ok) { __cur = __rN_begin; }
|
||
__ok = __rN_ok;
|
||
```
|
||
|
||
失败路径必须把活动指针复位到 region 入口。`POP` 直接编译为 `break`，不引入标签。
|
||
|
||
**例外**：当 region 内出现 FIND 系指令时，`break` 会被 FIND 的重试循环截获，
|
||
必须改用 L1 节里的 `__rN_done` 终结标志方案。
|
||
|
||
关注点：region 全部内联展开、嵌套 region 的指针复位链、`break` 只能跳出最近一层循环
|
||
（`do{}while(false)` 和 FIND 的 `while` 都算）。
|
||
|
||
## L3 多指令定式（纯优化）
|
||
|
||
一次消耗 **2–8 条**，滑动窗口内的固定组合。全部属于代码质量优化，非正确性必需。
|
||
每条都必须能在窗口不匹配时干净地降级到 L4。
|
||
|
||
| # | 触发窗口 | 消耗 | 覆盖样本 | 状态 |
|
||
| --- | --- | --- | --- | --- |
|
||
| L3.1 | `FIND_COMPLEX FURTHEST COUNT:-1` + `PACK` + `MATCH_SEQ` | 3 | `(?<name>.*)234` | [ ] |
|
||
| L3.2 | 同上，锚点为单字符 | 3 | `(?<name>.*)a` | [ ] |
|
||
| L3.3 | `FIND_SEQ` + `MATCH_SEQ`，把验证器折进搜索模式，消除回溯 | 2 | `.*abc` | [ ] |
|
||
| L3.4 | `MATCH_SEQ` + `COUNT_SEQ`（`a+`、`a{m,n}` 展开形态） | 2 | `a{3,5}`、`a+` | [ ] |
|
||
| L3.5 | 连续 `MATCH_SEQ` / `MATCH_SET`，合流为单个 `if` 与表达式 | 2–8 | `a[abc]d` | [ ] |
|
||
| L3.6 | 尾部 `COUNT_SET .*`，快速成功 | 1–2 | `abc.*` | [ ] |
|
||
|
||
关注点：合并后失败诊断是否还能定位到原指令、合并是否破坏 `Observe_Line` 的行号引用。
|
||
L3.3 只有在合并后 region 剩余为空时才真正消除回溯，否则 L1.9 的重试循环仍然要保留。
|
||
|
||
## L4 单指令级
|
||
|
||
一次消耗 **1 条**。这是调度链的兜底层，必须对每种 `RegexIRCommand` 都有实现。
|
||
|
||
| # | 指令 | 覆盖样本 | 状态 |
|
||
| --- | --- | --- | --- |
|
||
| L4.1 | `MATCH_SEQ` | `abc`、`\.`、`a\*b` | [ ] |
|
||
| L4.2 | `MATCH_SET` 离散 | `[abc]`、`[123abc]`、`[.]` | [ ] |
|
||
| L4.3 | `MATCH_SET` 范围 | `[1-9]` | [ ] |
|
||
| L4.4 | `MATCH_SET` 转义类 | `\w` | [ ] |
|
||
| L4.5 | `MATCH_SET` 任意字符 | `.` | [ ] |
|
||
| L4.6 | `COUNT_SEQ` | `a*`、`a?` | [ ] |
|
||
| L4.7 | `COUNT_SET` | `[abc]*`、`\w+`、`.{11,13}`、`[.]*` | [ ] |
|
||
| L4.10 | `POP` | ALT 尾 | [ ] |
|
||
| L4.11 | `PACK` | `(abc)` 默认序号组 | [ ] |
|
||
|
||
L4.8 / L4.9 已移出本层。`FIND_SEQ` / `FIND_SET` **不存在单条形态**——它们必须联动 region
|
||
剩余部分做候选重试，见 L1.9。只有 FIND 恰好是 region 末条时才退化成一次搜索，
|
||
那是 L1.9 的退化分支，不是独立的单指令生成器。编号保留空缺，避免打乱既有引用。
|
||
|
||
关注点：`[.]` 与 `.` 必须走不同后端语义；`[.]*` 不得被当作 `.*` 优化。
|
||
|
||
## L5 前缀装饰（横切，消耗 0）
|
||
|
||
前缀不消耗 IR，而是包裹在 L1–L4 产出的代码外层。
|
||
**这一层不实现，L1–L4 的产出就无法拼装成正确的控制流。**
|
||
|
||
| # | 前缀字段 | 取值 | 生成形态 | 状态 |
|
||
| --- | --- | --- | --- | --- |
|
||
| L5.1 | `ExeCondition` | `DEF` | 无条件顺序执行 | [ ] |
|
||
| L5.2 | `ExeCondition` | `Prev_Success` | 包裹 `if (前驱成功)` | [ ] |
|
||
| L5.3 | `ExeCondition` | `Prev_Fail` | 包裹 `else` / `if (!前驱成功)` | [ ] |
|
||
| L5.4 | `ExeCondition` | `Always` | 脱离条件链，始终执行 | [ ] |
|
||
| L5.5 | `ObserveMethod` | `NONE` | 读紧邻前驱的隐式结果 | [ ] |
|
||
| L5.6 | `ObserveMethod` | `Observe_Line` + `ObserveSource` | 读指定行结果槽 | [ ] |
|
||
| L5.7 | `ObserveMethod` | `Observe_Region` + `ObserveSource` | 读指定 region 结果槽 | [ ] |
|
||
| L5.8 | `PopCondition` | `Pop_Success` | 写回 region 成功并提前退出 | [ ] |
|
||
| L5.9 | `PopCondition` | `Pop_Fail` | 写回 region 失败并提前退出 | [ ] |
|
||
| L5.10 | `WorkingRegion` | 任意 | 决定代码落入哪个 region 作用域 | [ ] |
|
||
|
||
关注点：`Observe_Line` 只读目标行结果，`Observe_Region` 只读目标 region 结果，
|
||
二者都不得退化成「读上一条」。行结果槽仅在被 `Observe_Line` 引用时才分配。
|
||
|
||
## 实现顺序
|
||
|
||
调度链按 L1 → L4 排列，但**实现**先拿正确性核心（L2/L4/L5），再补 L1 的必需项，
|
||
最后才是压平层（L1.1–L1.4 / L3）：
|
||
|
||
1. **L0** — 生成的空骨架能通过编译，`TextRegexSourceGen.GenFile` 的两处 TODO 闭合。
|
||
2. **L2.1** — `(abc)` 产出正确的 `do{}while(false)` 作用域与复位逻辑。
|
||
3. **L5.1–L5.3、L5.5** — 顺序与成功/失败链能拼装，此时 L2 的 region 才真正可用。
|
||
4. **L4 全部** — 兜底层补齐，任意线性表达式可端到端生成。
|
||
5. **L5.6–L5.9** — 跨行 / 跨 region 观察与提前退出，`a|b` 与 `(?<name>abc)` 自然跑通（嵌套形态）。
|
||
**此时获得可运行基线，任何表达式都能生成正确代码。**
|
||
6. **L1.5、L1.7–L1.9** — 复杂计数与 FIND 系，无降级路径，必须实现。
|
||
FIND 系要连带处理 `POP` 与重试循环的 `break` 冲突。
|
||
7. **L1.1–L1.4** — 把 ALT 链与捕获组的嵌套形态压平。
|
||
8. **L3 全部** — 代码质量优化，可持续追加。
|
||
|
||
第一阶段验收口径（沿用原优先级）：`MATCH_SEQ`、`MATCH_SET`、`COUNT_SEQ`、`COUNT_SET`、
|
||
简单 `ALT`、`PACK`、`FIND_COMPLEX COUNT:-1` 全部稳定。
|
||
|
||
注：`FIND_SEQ` 已从原口径移除。`TryReplaceDotStar` 产出的是 `FindComplex(-1)`，
|
||
IROptimize 里没有 `RegexFindSeqIR` 的生成点，`ngra-regex-ir.md` 里写的
|
||
`.*a → FIND_SEQ(a, last)` 尚未落地。在生成点补上之前，L1.9 的 `FIND_SEQ` / `FIND_SET`
|
||
分支实际不可达，L3.3 也无从触发。
|
||
|
||
低优先级，暂不纳入 checklist：
|
||
|
||
1. 逐 region 最短长度断言。
|
||
2. 复杂字符集完全内联。
|
||
3. 公共前缀提取和代码树生成。
|
||
4. 对所有正则语义做完整兼容。
|
||
|
||
## 手写代码关注点
|
||
|
||
每个样本的手写代码都应尽量确认这些点：
|
||
|
||
1. 活动指针如何推进。
|
||
2. 失败时是否需要恢复活动指针。
|
||
3. region result 和 single-line result 是否必须分配。
|
||
4. `Observe_Line` 是否只读取目标行结果。
|
||
5. `Observe_Region` 是否只读取目标 region 结果。
|
||
6. `PACK` 使用哪一个成功结果作为捕获区间。
|
||
7. 最小长度检查是否值得在当前样本中生成。
|
||
8. 本形态消耗几条 IR，落空时降级到哪一层。
|
||
9. 前缀的执行条件与观察源是否被正确外提，而不是硬编码进指令主体。
|
||
|
||
## 已手写样本索引
|
||
|
||
`test/SingleFile/regex.cs` 中已有的样本与层级对应：
|
||
|
||
| 函数 | 表达式 | 对应层级 |
|
||
| --- | --- | --- |
|
||
| `Match_ABC` | `abc` | L4.1 |
|
||
| `Match_A_charset_ABC_C` | `a[abc]d` | L3.5 / L4.1 / L4.2 |
|
||
| `Match_charset_ABC` | `[abc]` | L4.2 |
|
||
| `Match_Dot` | `.` | L4.5 |
|
||
| `Match_A_3_5` | `a{3,5}` | L3.4 |
|
||
| `Match_AB_2_3` | `(ab){2,3}` | L1.5 |
|
||
| `MatchDiffCase` | `(ab\|[cd]\|.)x` | L1.2 |
|
||
| `MatchCountAnyGroup` | `(?<name>.*)x` | L3.1 |
|
||
|
||
待补：L2.1 `(abc)`、L1.1 `a\|b`、L1.3 `(?<name>abc)`、L5 各前缀组合的最小样本。
|
||
其中 L5 的样本最关键：需要分别写出 `Prev_Success` / `Prev_Fail` 包裹、
|
||
`Observe_Line` / `Observe_Region` 读取、`Pop_Success` / `Pop_Fail` 写回三组最小代码形状。
|
||
|
||
## 综合验收样本
|
||
|
||
`a*.[abc]*(?<a>abcd|a(bc)c)(?<name>.*)234`
|
||
|
||
覆盖 L1.1、L1.3、L1.4、L3.1、L4.6、L4.7，作为全链路收口用例，最后再手写。
|