string/str-two-way.h

   1 /* Byte-wise substring search, using the Two-Way algorithm.
   2    Copyright (C) 2008-2015 Free Software Foundation, Inc.
   3    This file is part of the GNU C Library.
   4    Written by Eric Blake <ebb9@byu.net>, 2008.
   5
   6    The GNU C Library is free software; you can redistribute it and/or
   7    modify it under the terms of the GNU Lesser General Public
   8    License as published by the Free Software Foundation; either
   9    version 2.1 of the License, or (at your option) any later version.
  10
  11    The GNU C Library is distributed in the hope that it will be useful,
  12    but WITHOUT ANY WARRANTY; without even the implied warranty of
  13    MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  14    Lesser General Public License for more details.
  15
  16    You should have received a copy of the GNU Lesser General Public
  17    License along with the GNU C Library; if not, see
  18    <http://www.gnu.org/licenses/>.  */
  19
  20 /* Before including this file, you need to include <string.h> (and
  21    <config.h> before that, if not part of libc), and define:
  22      RETURN_TYPE             A macro that expands to the return type.
  23      AVAILABLE(h, h_l, j, n_l)
  24                              A macro that returns nonzero if there are
  25                              at least N_L bytes left starting at H[J].
  26                              H is 'unsigned char *', H_L, J, and N_L
  27                              are 'size_t'; H_L is an lvalue.  For
  28                              NUL-terminated searches, H_L can be
  29                              modified each iteration to avoid having
  30                              to compute the end of H up front.
  31
  32   For case-insensitivity, you may optionally define:
  33      CMP_FUNC(p1, p2, l)     A macro that returns 0 iff the first L
  34                              characters of P1 and P2 are equal.
  35      CANON_ELEMENT(c)        A macro that canonicalizes an element right after
  36                              it has been fetched from one of the two strings.
  37                              The argument is an 'unsigned char'; the result
  38                              must be an 'unsigned char' as well.
  39
  40   Other macros you may optionally define:
  41      RET0_IF_0(a)            Documented below at default definition.
  42      CHECK_EOL               Same.
  43
  44   This file undefines the macros listed above, and defines
  45   LONG_NEEDLE_THRESHOLD.
  46 */
  47
  48 #include <limits.h>
  49 #include <stdint.h>
  50 #include <sys/param.h>                  /* Defines MAX.  */
  51
  52 /* We use the Two-Way string matching algorithm, which guarantees
  53    linear complexity with constant space.  Additionally, for long
  54    needles, we also use a bad character shift table similar to the
  55    Boyer-Moore algorithm to achieve improved (potentially sub-linear)
  56    performance.
  57
  58    See http://www-igm.univ-mlv.fr/~lecroq/string/node26.html#SECTION00260
  59    and http://en.wikipedia.org/wiki/Boyer-Moore_string_search_algorithm
  60 */
  61
  62 /* Point at which computing a bad-byte shift table is likely to be
  63    worthwhile.  Small needles should not compute a table, since it
  64    adds (1 << CHAR_BIT) + NEEDLE_LEN computations of preparation for a
  65    speedup no greater than a factor of NEEDLE_LEN.  The larger the
  66    needle, the better the potential performance gain.  On the other
  67    hand, on non-POSIX systems with CHAR_BIT larger than eight, the
  68    memory required for the table is prohibitive.  */
  69 #if CHAR_BIT < 10
  70 # define LONG_NEEDLE_THRESHOLD 32U
  71 #else
  72 # define LONG_NEEDLE_THRESHOLD SIZE_MAX
  73 #endif
  74
  75 #ifndef CANON_ELEMENT
  76 # define CANON_ELEMENT(c) c
  77 #endif
  78 #ifndef CMP_FUNC
  79 # define CMP_FUNC memcmp
  80 #endif
  81
  82 /* Check for end-of-line in strstr and strcasestr routines.
  83    We piggy-back matching procedure for detecting EOL where possible,
  84    and use AVAILABLE macro otherwise.  */
  85 #ifndef CHECK_EOL
  86 # define CHECK_EOL (0)
  87 #endif
  88
  89 /* Return NULL if argument is '\0'.  */
  90 #ifndef RET0_IF_0
  91 # define RET0_IF_0(a) /* nothing */
  92 #endif
  93
  94 /* Perform a critical factorization of NEEDLE, of length NEEDLE_LEN.
  95    Return the index of the first byte in the right half, and set
  96    *PERIOD to the global period of the right half.
  97
  98    The global period of a string is the smallest index (possibly its
  99    length) at which all remaining bytes in the string are repetitions
 100    of the prefix (the last repetition may be a subset of the prefix).
 101
 102    When NEEDLE is factored into two halves, a local period is the
 103    length of the smallest word that shares a suffix with the left half
 104    and shares a prefix with the right half.  All factorizations of a
 105    non-empty NEEDLE have a local period of at least 1 and no greater
 106    than NEEDLE_LEN.
 107
 108    A critical factorization has the property that the local period
 109    equals the global period.  All strings have at least one critical
 110    factorization with the left half smaller than the global period.
 111
 112    Given an ordered alphabet, a critical factorization can be computed
 113    in linear time, with 2 * NEEDLE_LEN comparisons, by computing the
 114    larger of two ordered maximal suffixes.  The ordered maximal
 115    suffixes are determined by lexicographic comparison of
 116    periodicity.  */
 117 static size_t
 118 critical_factorization (const unsigned char *needle, size_t needle_len,
 119                         size_t *period)
 120 {
 121   /* Index of last byte of left half, or SIZE_MAX.  */
 122   size_t max_suffix, max_suffix_rev;
 123   size_t j; /* Index into NEEDLE for current candidate suffix.  */
 124   size_t k; /* Offset into current period.  */
 125   size_t p; /* Intermediate period.  */
 126   unsigned char a, b; /* Current comparison bytes.  */
 127
 128   /* Invariants:
 129      0 <= j < NEEDLE_LEN - 1
 130      -1 <= max_suffix{,_rev} < j (treating SIZE_MAX as if it were signed)
 131      min(max_suffix, max_suffix_rev) < global period of NEEDLE
 132      1 <= p <= global period of NEEDLE
 133      p == global period of the substring NEEDLE[max_suffix{,_rev}+1...j]
 134      1 <= k <= p
 135   */
 136
 137   /* Perform lexicographic search.  */
 138   max_suffix = SIZE_MAX;
 139   j = 0;
 140   k = p = 1;
 141   while (j + k < needle_len)
 142     {
 143       a = CANON_ELEMENT (needle[j + k]);
 144       b = CANON_ELEMENT (needle[max_suffix + k]);
 145       if (a < b)
 146         {
 147           /* Suffix is smaller, period is entire prefix so far.  */
 148           j += k;
 149           k = 1;
 150           p = j - max_suffix;
 151         }
 152       else if (a == b)
 153         {
 154           /* Advance through repetition of the current period.  */
 155           if (k != p)
 156             ++k;
 157           else
 158             {
 159               j += p;
 160               k = 1;
 161             }
 162         }
 163       else /* b < a */
 164         {
 165           /* Suffix is larger, start over from current location.  */
 166           max_suffix = j++;
 167           k = p = 1;
 168         }
 169     }
 170   *period = p;
 171
 172   /* Perform reverse lexicographic search.  */
 173   max_suffix_rev = SIZE_MAX;
 174   j = 0;
 175   k = p = 1;
 176   while (j + k < needle_len)
 177     {
 178       a = CANON_ELEMENT (needle[j + k]);
 179       b = CANON_ELEMENT (needle[max_suffix_rev + k]);
 180       if (b < a)
 181         {
 182           /* Suffix is smaller, period is entire prefix so far.  */
 183           j += k;
 184           k = 1;
 185           p = j - max_suffix_rev;
 186         }
 187       else if (a == b)
 188         {
 189           /* Advance through repetition of the current period.  */
 190           if (k != p)
 191             ++k;
 192           else
 193             {
 194               j += p;
 195               k = 1;
 196             }
 197         }
 198       else /* a < b */
 199         {
 200           /* Suffix is larger, start over from current location.  */
 201           max_suffix_rev = j++;
 202           k = p = 1;
 203         }
 204     }
 205
 206   /* Choose the longer suffix.  Return the first byte of the right
 207      half, rather than the last byte of the left half.  */
 208   if (max_suffix_rev + 1 < max_suffix + 1)
 209     return max_suffix + 1;
 210   *period = p;
 211   return max_suffix_rev + 1;
 212 }
 213
 214 /* Return the first location of non-empty NEEDLE within HAYSTACK, or
 215    NULL.  HAYSTACK_LEN is the minimum known length of HAYSTACK.  This
 216    method is optimized for NEEDLE_LEN < LONG_NEEDLE_THRESHOLD.
 217    Performance is guaranteed to be linear, with an initialization cost
 218    of 2 * NEEDLE_LEN comparisons.
 219
 220    If AVAILABLE does not modify HAYSTACK_LEN (as in memmem), then at
 221    most 2 * HAYSTACK_LEN - NEEDLE_LEN comparisons occur in searching.
 222    If AVAILABLE modifies HAYSTACK_LEN (as in strstr), then at most 3 *
 223    HAYSTACK_LEN - NEEDLE_LEN comparisons occur in searching.  */
 224 static RETURN_TYPE
 225 two_way_short_needle (const unsigned char *haystack, size_t haystack_len,
 226                       const unsigned char *needle, size_t needle_len)
 227 {
 228   size_t i; /* Index into current byte of NEEDLE.  */
 229   size_t j; /* Index into current window of HAYSTACK.  */
 230   size_t period; /* The period of the right half of needle.  */
 231   size_t suffix; /* The index of the right half of needle.  */
 232
 233   /* Factor the needle into two halves, such that the left half is
 234      smaller than the global period, and the right half is
 235      periodic (with a period as large as NEEDLE_LEN - suffix).  */
 236   suffix = critical_factorization (needle, needle_len, &period);
 237
 238   /* Perform the search.  Each iteration compares the right half
 239      first.  */
 240   if (CMP_FUNC (needle, needle + period, suffix) == 0)
 241     {
 242       /* Entire needle is periodic; a mismatch can only advance by the
 243          period, so use memory to avoid rescanning known occurrences
 244          of the period.  */
 245       size_t memory = 0;
 246       j = 0;
 247       while (AVAILABLE (haystack, haystack_len, j, needle_len))
 248         {
 249           const unsigned char *pneedle;
 250           const unsigned char *phaystack;
 251
 252           /* Scan for matches in right half.  */
 253           i = MAX (suffix, memory);
 254           pneedle = &needle[i];
 255           phaystack = &haystack[i + j];
 256           while (i < needle_len && (CANON_ELEMENT (*pneedle++)
 257                                     == CANON_ELEMENT (*phaystack++)))
 258             ++i;
 259           if (needle_len <= i)
 260             {
 261               /* Scan for matches in left half.  */
 262               i = suffix - 1;
 263               pneedle = &needle[i];
 264               phaystack = &haystack[i + j];
 265               while (memory < i + 1 && (CANON_ELEMENT (*pneedle--)
 266                                         == CANON_ELEMENT (*phaystack--)))
 267                 --i;
 268               if (i + 1 < memory + 1)
 269                 return (RETURN_TYPE) (haystack + j);
 270               /* No match, so remember how many repetitions of period
 271                  on the right half were scanned.  */
 272               j += period;
 273               memory = needle_len - period;
 274             }
 275           else
 276             {
 277               j += i - suffix + 1;
 278               memory = 0;
 279             }
 280         }
 281     }
 282   else
 283     {
 284       const unsigned char *phaystack = &haystack[suffix];
 285       /* The comparison always starts from needle[suffix], so cache it
 286          and use an optimized first-character loop.  */
 287       unsigned char needle_suffix = CANON_ELEMENT (needle[suffix]);
 288
 289 #if CHECK_EOL
 290       /* We start matching from the SUFFIX'th element, so make sure we
 291          don't hit '\0' before that.  */
 292       if (haystack_len < suffix + 1
 293           && !AVAILABLE (haystack, haystack_len, 0, suffix + 1))
 294         return NULL;
 295 #endif
 296
 297       /* The two halves of needle are distinct; no extra memory is
 298          required, and any mismatch results in a maximal shift.  */
 299       period = MAX (suffix, needle_len - suffix) + 1;
 300       j = 0;
 301       while (1
 302 #if !CHECK_EOL
 303              && AVAILABLE (haystack, haystack_len, j, needle_len)
 304 #endif
 305              )
 306         {
 307           unsigned char haystack_char;
 308           const unsigned char *pneedle;
 309
 310           /* TODO: The first-character loop can be sped up by adapting
 311              longword-at-a-time implementation of memchr/strchr.  */
 312           if (needle_suffix
 313               != (haystack_char = CANON_ELEMENT (*phaystack++)))
 314             {
 315               RET0_IF_0 (haystack_char);
 316 #if !CHECK_EOL
 317               ++j;
 318 #endif
 319               continue;
 320             }
 321
 322 #if CHECK_EOL
 323           /* Calculate J if it wasn't kept up-to-date in the first-character
 324              loop.  */
 325           j = phaystack - &haystack[suffix] - 1;
 326 #endif
 327
 328           /* Scan for matches in right half.  */
 329           i = suffix + 1;
 330           pneedle = &needle[i];
 331           while (i < needle_len)
 332             {
 333               if (CANON_ELEMENT (*pneedle++)
 334                   != (haystack_char = CANON_ELEMENT (*phaystack++)))
 335                 {
 336                   RET0_IF_0 (haystack_char);
 337                   break;
 338                 }
 339               ++i;
 340             }
 341           if (needle_len <= i)
 342             {
 343               /* Scan for matches in left half.  */
 344               i = suffix - 1;
 345               pneedle = &needle[i];
 346               phaystack = &haystack[i + j];
 347               while (i != SIZE_MAX)
 348                 {
 349                   if (CANON_ELEMENT (*pneedle--)
 350                       != (haystack_char = CANON_ELEMENT (*phaystack--)))
 351                     {
 352                       RET0_IF_0 (haystack_char);
 353                       break;
 354                     }
 355                   --i;
 356                 }
 357               if (i == SIZE_MAX)
 358                 return (RETURN_TYPE) (haystack + j);
 359               j += period;
 360             }
 361           else
 362             j += i - suffix + 1;
 363
 364 #if CHECK_EOL
 365           if (!AVAILABLE (haystack, haystack_len, j, needle_len))
 366             break;
 367 #endif
 368
 369           phaystack = &haystack[suffix + j];
 370         }
 371     }
 372  ret0: __attribute__ ((unused))
 373   return NULL;
 374 }
 375
 376 /* Return the first location of non-empty NEEDLE within HAYSTACK, or
 377    NULL.  HAYSTACK_LEN is the minimum known length of HAYSTACK.  This
 378    method is optimized for LONG_NEEDLE_THRESHOLD <= NEEDLE_LEN.
 379    Performance is guaranteed to be linear, with an initialization cost
 380    of 3 * NEEDLE_LEN + (1 << CHAR_BIT) operations.
 381
 382    If AVAILABLE does not modify HAYSTACK_LEN (as in memmem), then at
 383    most 2 * HAYSTACK_LEN - NEEDLE_LEN comparisons occur in searching,
 384    and sublinear performance O(HAYSTACK_LEN / NEEDLE_LEN) is possible.
 385    If AVAILABLE modifies HAYSTACK_LEN (as in strstr), then at most 3 *
 386    HAYSTACK_LEN - NEEDLE_LEN comparisons occur in searching, and
 387    sublinear performance is not possible.  */
 388 static RETURN_TYPE
 389 two_way_long_needle (const unsigned char *haystack, size_t haystack_len,
 390                      const unsigned char *needle, size_t needle_len)
 391 {
 392   size_t i; /* Index into current byte of NEEDLE.  */
 393   size_t j; /* Index into current window of HAYSTACK.  */
 394   size_t period; /* The period of the right half of needle.  */
 395   size_t suffix; /* The index of the right half of needle.  */
 396   size_t shift_table[1U << CHAR_BIT]; /* See below.  */
 397
 398   /* Factor the needle into two halves, such that the left half is
 399      smaller than the global period, and the right half is
 400      periodic (with a period as large as NEEDLE_LEN - suffix).  */
 401   suffix = critical_factorization (needle, needle_len, &period);
 402
 403   /* Populate shift_table.  For each possible byte value c,
 404      shift_table[c] is the distance from the last occurrence of c to
 405      the end of NEEDLE, or NEEDLE_LEN if c is absent from the NEEDLE.
 406      shift_table[NEEDLE[NEEDLE_LEN - 1]] contains the only 0.  */
 407   for (i = 0; i < 1U << CHAR_BIT; i++)
 408     shift_table[i] = needle_len;
 409   for (i = 0; i < needle_len; i++)
 410     shift_table[CANON_ELEMENT (needle[i])] = needle_len - i - 1;
 411
 412   /* Perform the search.  Each iteration compares the right half
 413      first.  */
 414   if (CMP_FUNC (needle, needle + period, suffix) == 0)
 415     {
 416       /* Entire needle is periodic; a mismatch can only advance by the
 417          period, so use memory to avoid rescanning known occurrences
 418          of the period.  */
 419       size_t memory = 0;
 420       size_t shift;
 421       j = 0;
 422       while (AVAILABLE (haystack, haystack_len, j, needle_len))
 423         {
 424           const unsigned char *pneedle;
 425           const unsigned char *phaystack;
 426
 427           /* Check the last byte first; if it does not match, then
 428              shift to the next possible match location.  */
 429           shift = shift_table[CANON_ELEMENT (haystack[j + needle_len - 1])];
 430           if (0 < shift)
 431             {
 432               if (memory && shift < period)
 433                 {
 434                   /* Since needle is periodic, but the last period has
 435                      a byte out of place, there can be no match until
 436                      after the mismatch.  */
 437                   shift = needle_len - period;
 438                 }
 439               memory = 0;
 440               j += shift;
 441               continue;
 442             }
 443           /* Scan for matches in right half.  The last byte has
 444              already been matched, by virtue of the shift table.  */
 445           i = MAX (suffix, memory);
 446           pneedle = &needle[i];
 447           phaystack = &haystack[i + j];
 448           while (i < needle_len - 1 && (CANON_ELEMENT (*pneedle++)
 449                                         == CANON_ELEMENT (*phaystack++)))
 450             ++i;
 451           if (needle_len - 1 <= i)
 452             {
 453               /* Scan for matches in left half.  */
 454               i = suffix - 1;
 455               pneedle = &needle[i];
 456               phaystack = &haystack[i + j];
 457               while (memory < i + 1 && (CANON_ELEMENT (*pneedle--)
 458                                         == CANON_ELEMENT (*phaystack--)))
 459                 --i;
 460               if (i + 1 < memory + 1)
 461                 return (RETURN_TYPE) (haystack + j);
 462               /* No match, so remember how many repetitions of period
 463                  on the right half were scanned.  */
 464               j += period;
 465               memory = needle_len - period;
 466             }
 467           else
 468             {
 469               j += i - suffix + 1;
 470               memory = 0;
 471             }
 472         }
 473     }
 474   else
 475     {
 476       /* The two halves of needle are distinct; no extra memory is
 477          required, and any mismatch results in a maximal shift.  */
 478       size_t shift;
 479       period = MAX (suffix, needle_len - suffix) + 1;
 480       j = 0;
 481       while (AVAILABLE (haystack, haystack_len, j, needle_len))
 482         {
 483           const unsigned char *pneedle;
 484           const unsigned char *phaystack;
 485
 486           /* Check the last byte first; if it does not match, then
 487              shift to the next possible match location.  */
 488           shift = shift_table[CANON_ELEMENT (haystack[j + needle_len - 1])];
 489           if (0 < shift)
 490             {
 491               j += shift;
 492               continue;
 493             }
 494           /* Scan for matches in right half.  The last byte has
 495              already been matched, by virtue of the shift table.  */
 496           i = suffix;
 497           pneedle = &needle[i];
 498           phaystack = &haystack[i + j];
 499           while (i < needle_len - 1 && (CANON_ELEMENT (*pneedle++)
 500                                         == CANON_ELEMENT (*phaystack++)))
 501             ++i;
 502           if (needle_len - 1 <= i)
 503             {
 504               /* Scan for matches in left half.  */
 505               i = suffix - 1;
 506               pneedle = &needle[i];
 507               phaystack = &haystack[i + j];
 508               while (i != SIZE_MAX && (CANON_ELEMENT (*pneedle--)
 509                                        == CANON_ELEMENT (*phaystack--)))
 510                 --i;
 511               if (i == SIZE_MAX)
 512                 return (RETURN_TYPE) (haystack + j);
 513               j += period;
 514             }
 515           else
 516             j += i - suffix + 1;
 517         }
 518     }
 519   return NULL;
 520 }
 521
 522 #undef AVAILABLE
 523 #undef CANON_ELEMENT
 524 #undef CMP_FUNC
 525 #undef RET0_IF_0
 526 #undef RETURN_TYPE
 527 #undef CHECK_EOL