gcc/
[official-gcc.git] / gcc / doc / cppinternals.texi
blob29efa80ea10bb5f3be0f2e5eaee01c7fba83afc0
1 \input texinfo
2 @setfilename cppinternals.info
3 @settitle The GNU C Preprocessor Internals
5 @include gcc-common.texi
7 @ifinfo
8 @dircategory Software development
9 @direntry
10 * Cpplib: (cppinternals).      Cpplib internals.
11 @end direntry
12 @end ifinfo
14 @c @smallbook
15 @c @cropmarks
16 @c @finalout
17 @setchapternewpage odd
18 @ifinfo
19 This file documents the internals of the GNU C Preprocessor.
21 Copyright (C) 2000-2015 Free Software Foundation, Inc.
23 Permission is granted to make and distribute verbatim copies of
24 this manual provided the copyright notice and this permission notice
25 are preserved on all copies.
27 @ignore
28 Permission is granted to process this file through Tex and print the
29 results, provided the printed document carries copying permission
30 notice identical to this one except for the removal of this paragraph
31 (this paragraph not being relevant to the printed manual).
33 @end ignore
34 Permission is granted to copy and distribute modified versions of this
35 manual under the conditions for verbatim copying, provided also that
36 the entire resulting derived work is distributed under the terms of a
37 permission notice identical to this one.
39 Permission is granted to copy and distribute translations of this manual
40 into another language, under the above conditions for modified versions.
41 @end ifinfo
43 @titlepage
44 @title Cpplib Internals
45 @versionsubtitle
46 @author Neil Booth
47 @page
48 @vskip 0pt plus 1filll
49 @c man begin COPYRIGHT
50 Copyright @copyright{} 2000-2015 Free Software Foundation, Inc.
52 Permission is granted to make and distribute verbatim copies of
53 this manual provided the copyright notice and this permission notice
54 are preserved on all copies.
56 Permission is granted to copy and distribute modified versions of this
57 manual under the conditions for verbatim copying, provided also that
58 the entire resulting derived work is distributed under the terms of a
59 permission notice identical to this one.
61 Permission is granted to copy and distribute translations of this manual
62 into another language, under the above conditions for modified versions.
63 @c man end
64 @end titlepage
65 @contents
66 @page
68 @ifnottex
69 @node Top
70 @top
71 @chapter Cpplib---the GNU C Preprocessor
73 The GNU C preprocessor is
74 implemented as a library, @dfn{cpplib}, so it can be easily shared between
75 a stand-alone preprocessor, and a preprocessor integrated with the C,
76 C++ and Objective-C front ends.  It is also available for use by other
77 programs, though this is not recommended as its exposed interface has
78 not yet reached a point of reasonable stability.
80 The library has been written to be re-entrant, so that it can be used
81 to preprocess many files simultaneously if necessary.  It has also been
82 written with the preprocessing token as the fundamental unit; the
83 preprocessor in previous versions of GCC would operate on text strings
84 as the fundamental unit.
86 This brief manual documents the internals of cpplib, and explains some
87 of the tricky issues.  It is intended that, along with the comments in
88 the source code, a reasonably competent C programmer should be able to
89 figure out what the code is doing, and why things have been implemented
90 the way they have.
92 @menu
93 * Conventions::         Conventions used in the code.
94 * Lexer::               The combined C, C++ and Objective-C Lexer.
95 * Hash Nodes::          All identifiers are entered into a hash table.
96 * Macro Expansion::     Macro expansion algorithm.
97 * Token Spacing::       Spacing and paste avoidance issues.
98 * Line Numbering::      Tracking location within files.
99 * Guard Macros::        Optimizing header files with guard macros.
100 * Files::               File handling.
101 * Concept Index::       Index.
102 @end menu
103 @end ifnottex
105 @node Conventions
106 @unnumbered Conventions
107 @cindex interface
108 @cindex header files
110 cpplib has two interfaces---one is exposed internally only, and the
111 other is for both internal and external use.
113 The convention is that functions and types that are exposed to multiple
114 files internally are prefixed with @samp{_cpp_}, and are to be found in
115 the file @file{internal.h}.  Functions and types exposed to external
116 clients are in @file{cpplib.h}, and prefixed with @samp{cpp_}.  For
117 historical reasons this is no longer quite true, but we should strive to
118 stick to it.
120 We are striving to reduce the information exposed in @file{cpplib.h} to the
121 bare minimum necessary, and then to keep it there.  This makes clear
122 exactly what external clients are entitled to assume, and allows us to
123 change internals in the future without worrying whether library clients
124 are perhaps relying on some kind of undocumented implementation-specific
125 behavior.
127 @node Lexer
128 @unnumbered The Lexer
129 @cindex lexer
130 @cindex newlines
131 @cindex escaped newlines
133 @section Overview
134 The lexer is contained in the file @file{lex.c}.  It is a hand-coded
135 lexer, and not implemented as a state machine.  It can understand C, C++
136 and Objective-C source code, and has been extended to allow reasonably
137 successful preprocessing of assembly language.  The lexer does not make
138 an initial pass to strip out trigraphs and escaped newlines, but handles
139 them as they are encountered in a single pass of the input file.  It
140 returns preprocessing tokens individually, not a line at a time.
142 It is mostly transparent to users of the library, since the library's
143 interface for obtaining the next token, @code{cpp_get_token}, takes care
144 of lexing new tokens, handling directives, and expanding macros as
145 necessary.  However, the lexer does expose some functionality so that
146 clients of the library can easily spell a given token, such as
147 @code{cpp_spell_token} and @code{cpp_token_len}.  These functions are
148 useful when generating diagnostics, and for emitting the preprocessed
149 output.
151 @section Lexing a token
152 Lexing of an individual token is handled by @code{_cpp_lex_direct} and
153 its subroutines.  In its current form the code is quite complicated,
154 with read ahead characters and such-like, since it strives to not step
155 back in the character stream in preparation for handling non-ASCII file
156 encodings.  The current plan is to convert any such files to UTF-8
157 before processing them.  This complexity is therefore unnecessary and
158 will be removed, so I'll not discuss it further here.
160 The job of @code{_cpp_lex_direct} is simply to lex a token.  It is not
161 responsible for issues like directive handling, returning lookahead
162 tokens directly, multiple-include optimization, or conditional block
163 skipping.  It necessarily has a minor r@^ole to play in memory
164 management of lexed lines.  I discuss these issues in a separate section
165 (@pxref{Lexing a line}).
167 The lexer places the token it lexes into storage pointed to by the
168 variable @code{cur_token}, and then increments it.  This variable is
169 important for correct diagnostic positioning.  Unless a specific line
170 and column are passed to the diagnostic routines, they will examine the
171 @code{line} and @code{col} values of the token just before the location
172 that @code{cur_token} points to, and use that location to report the
173 diagnostic.
175 The lexer does not consider whitespace to be a token in its own right.
176 If whitespace (other than a new line) precedes a token, it sets the
177 @code{PREV_WHITE} bit in the token's flags.  Each token has its
178 @code{line} and @code{col} variables set to the line and column of the
179 first character of the token.  This line number is the line number in
180 the translation unit, and can be converted to a source (file, line) pair
181 using the line map code.
183 The first token on a logical, i.e.@: unescaped, line has the flag
184 @code{BOL} set for beginning-of-line.  This flag is intended for
185 internal use, both to distinguish a @samp{#} that begins a directive
186 from one that doesn't, and to generate a call-back to clients that want
187 to be notified about the start of every non-directive line with tokens
188 on it.  Clients cannot reliably determine this for themselves: the first
189 token might be a macro, and the tokens of a macro expansion do not have
190 the @code{BOL} flag set.  The macro expansion may even be empty, and the
191 next token on the line certainly won't have the @code{BOL} flag set.
193 New lines are treated specially; exactly how the lexer handles them is
194 context-dependent.  The C standard mandates that directives are
195 terminated by the first unescaped newline character, even if it appears
196 in the middle of a macro expansion.  Therefore, if the state variable
197 @code{in_directive} is set, the lexer returns a @code{CPP_EOF} token,
198 which is normally used to indicate end-of-file, to indicate
199 end-of-directive.  In a directive a @code{CPP_EOF} token never means
200 end-of-file.  Conveniently, if the caller was @code{collect_args}, it
201 already handles @code{CPP_EOF} as if it were end-of-file, and reports an
202 error about an unterminated macro argument list.
204 The C standard also specifies that a new line in the middle of the
205 arguments to a macro is treated as whitespace.  This white space is
206 important in case the macro argument is stringified.  The state variable
207 @code{parsing_args} is nonzero when the preprocessor is collecting the
208 arguments to a macro call.  It is set to 1 when looking for the opening
209 parenthesis to a function-like macro, and 2 when collecting the actual
210 arguments up to the closing parenthesis, since these two cases need to
211 be distinguished sometimes.  One such time is here: the lexer sets the
212 @code{PREV_WHITE} flag of a token if it meets a new line when
213 @code{parsing_args} is set to 2.  It doesn't set it if it meets a new
214 line when @code{parsing_args} is 1, since then code like
216 @smallexample
217 #define foo() bar
220 @end smallexample
222 @noindent would be output with an erroneous space before @samp{baz}:
224 @smallexample
226  baz
227 @end smallexample
229 This is a good example of the subtlety of getting token spacing correct
230 in the preprocessor; there are plenty of tests in the testsuite for
231 corner cases like this.
233 The lexer is written to treat each of @samp{\r}, @samp{\n}, @samp{\r\n}
234 and @samp{\n\r} as a single new line indicator.  This allows it to
235 transparently preprocess MS-DOS, Macintosh and Unix files without their
236 needing to pass through a special filter beforehand.
238 We also decided to treat a backslash, either @samp{\} or the trigraph
239 @samp{??/}, separated from one of the above newline indicators by
240 non-comment whitespace only, as intending to escape the newline.  It
241 tends to be a typing mistake, and cannot reasonably be mistaken for
242 anything else in any of the C-family grammars.  Since handling it this
243 way is not strictly conforming to the ISO standard, the library issues a
244 warning wherever it encounters it.
246 Handling newlines like this is made simpler by doing it in one place
247 only.  The function @code{handle_newline} takes care of all newline
248 characters, and @code{skip_escaped_newlines} takes care of arbitrarily
249 long sequences of escaped newlines, deferring to @code{handle_newline}
250 to handle the newlines themselves.
252 The most painful aspect of lexing ISO-standard C and C++ is handling
253 trigraphs and backlash-escaped newlines.  Trigraphs are processed before
254 any interpretation of the meaning of a character is made, and unfortunately
255 there is a trigraph representation for a backslash, so it is possible for
256 the trigraph @samp{??/} to introduce an escaped newline.
258 Escaped newlines are tedious because theoretically they can occur
259 anywhere---between the @samp{+} and @samp{=} of the @samp{+=} token,
260 within the characters of an identifier, and even between the @samp{*}
261 and @samp{/} that terminates a comment.  Moreover, you cannot be sure
262 there is just one---there might be an arbitrarily long sequence of them.
264 So, for example, the routine that lexes a number, @code{parse_number},
265 cannot assume that it can scan forwards until the first non-number
266 character and be done with it, because this could be the @samp{\}
267 introducing an escaped newline, or the @samp{?} introducing the trigraph
268 sequence that represents the @samp{\} of an escaped newline.  If it
269 encounters a @samp{?} or @samp{\}, it calls @code{skip_escaped_newlines}
270 to skip over any potential escaped newlines before checking whether the
271 number has been finished.
273 Similarly code in the main body of @code{_cpp_lex_direct} cannot simply
274 check for a @samp{=} after a @samp{+} character to determine whether it
275 has a @samp{+=} token; it needs to be prepared for an escaped newline of
276 some sort.  Such cases use the function @code{get_effective_char}, which
277 returns the first character after any intervening escaped newlines.
279 The lexer needs to keep track of the correct column position, including
280 counting tabs as specified by the @option{-ftabstop=} option.  This
281 should be done even within C-style comments; they can appear in the
282 middle of a line, and we want to report diagnostics in the correct
283 position for text appearing after the end of the comment.
285 @anchor{Invalid identifiers}
286 Some identifiers, such as @code{__VA_ARGS__} and poisoned identifiers,
287 may be invalid and require a diagnostic.  However, if they appear in a
288 macro expansion we don't want to complain with each use of the macro.
289 It is therefore best to catch them during the lexing stage, in
290 @code{parse_identifier}.  In both cases, whether a diagnostic is needed
291 or not is dependent upon the lexer's state.  For example, we don't want
292 to issue a diagnostic for re-poisoning a poisoned identifier, or for
293 using @code{__VA_ARGS__} in the expansion of a variable-argument macro.
294 Therefore @code{parse_identifier} makes use of state flags to determine
295 whether a diagnostic is appropriate.  Since we change state on a
296 per-token basis, and don't lex whole lines at a time, this is not a
297 problem.
299 Another place where state flags are used to change behavior is whilst
300 lexing header names.  Normally, a @samp{<} would be lexed as a single
301 token.  After a @code{#include} directive, though, it should be lexed as
302 a single token as far as the nearest @samp{>} character.  Note that we
303 don't allow the terminators of header names to be escaped; the first
304 @samp{"} or @samp{>} terminates the header name.
306 Interpretation of some character sequences depends upon whether we are
307 lexing C, C++ or Objective-C, and on the revision of the standard in
308 force.  For example, @samp{::} is a single token in C++, but in C it is
309 two separate @samp{:} tokens and almost certainly a syntax error.  Such
310 cases are handled by @code{_cpp_lex_direct} based upon command-line
311 flags stored in the @code{cpp_options} structure.
313 Once a token has been lexed, it leads an independent existence.  The
314 spelling of numbers, identifiers and strings is copied to permanent
315 storage from the original input buffer, so a token remains valid and
316 correct even if its source buffer is freed with @code{_cpp_pop_buffer}.
317 The storage holding the spellings of such tokens remains until the
318 client program calls cpp_destroy, probably at the end of the translation
319 unit.
321 @anchor{Lexing a line}
322 @section Lexing a line
323 @cindex token run
325 When the preprocessor was changed to return pointers to tokens, one
326 feature I wanted was some sort of guarantee regarding how long a
327 returned pointer remains valid.  This is important to the stand-alone
328 preprocessor, the future direction of the C family front ends, and even
329 to cpplib itself internally.
331 Occasionally the preprocessor wants to be able to peek ahead in the
332 token stream.  For example, after the name of a function-like macro, it
333 wants to check the next token to see if it is an opening parenthesis.
334 Another example is that, after reading the first few tokens of a
335 @code{#pragma} directive and not recognizing it as a registered pragma,
336 it wants to backtrack and allow the user-defined handler for unknown
337 pragmas to access the full @code{#pragma} token stream.  The stand-alone
338 preprocessor wants to be able to test the current token with the
339 previous one to see if a space needs to be inserted to preserve their
340 separate tokenization upon re-lexing (paste avoidance), so it needs to
341 be sure the pointer to the previous token is still valid.  The
342 recursive-descent C++ parser wants to be able to perform tentative
343 parsing arbitrarily far ahead in the token stream, and then to be able
344 to jump back to a prior position in that stream if necessary.
346 The rule I chose, which is fairly natural, is to arrange that the
347 preprocessor lex all tokens on a line consecutively into a token buffer,
348 which I call a @dfn{token run}, and when meeting an unescaped new line
349 (newlines within comments do not count either), to start lexing back at
350 the beginning of the run.  Note that we do @emph{not} lex a line of
351 tokens at once; if we did that @code{parse_identifier} would not have
352 state flags available to warn about invalid identifiers (@pxref{Invalid
353 identifiers}).
355 In other words, accessing tokens that appeared earlier in the current
356 line is valid, but since each logical line overwrites the tokens of the
357 previous line, tokens from prior lines are unavailable.  In particular,
358 since a directive only occupies a single logical line, this means that
359 the directive handlers like the @code{#pragma} handler can jump around
360 in the directive's tokens if necessary.
362 Two issues remain: what about tokens that arise from macro expansions,
363 and what happens when we have a long line that overflows the token run?
365 Since we promise clients that we preserve the validity of pointers that
366 we have already returned for tokens that appeared earlier in the line,
367 we cannot reallocate the run.  Instead, on overflow it is expanded by
368 chaining a new token run on to the end of the existing one.
370 The tokens forming a macro's replacement list are collected by the
371 @code{#define} handler, and placed in storage that is only freed by
372 @code{cpp_destroy}.  So if a macro is expanded in the line of tokens,
373 the pointers to the tokens of its expansion that are returned will always
374 remain valid.  However, macros are a little trickier than that, since
375 they give rise to three sources of fresh tokens.  They are the built-in
376 macros like @code{__LINE__}, and the @samp{#} and @samp{##} operators
377 for stringification and token pasting.  I handled this by allocating
378 space for these tokens from the lexer's token run chain.  This means
379 they automatically receive the same lifetime guarantees as lexed tokens,
380 and we don't need to concern ourselves with freeing them.
382 Lexing into a line of tokens solves some of the token memory management
383 issues, but not all.  The opening parenthesis after a function-like
384 macro name might lie on a different line, and the front ends definitely
385 want the ability to look ahead past the end of the current line.  So
386 cpplib only moves back to the start of the token run at the end of a
387 line if the variable @code{keep_tokens} is zero.  Line-buffering is
388 quite natural for the preprocessor, and as a result the only time cpplib
389 needs to increment this variable is whilst looking for the opening
390 parenthesis to, and reading the arguments of, a function-like macro.  In
391 the near future cpplib will export an interface to increment and
392 decrement this variable, so that clients can share full control over the
393 lifetime of token pointers too.
395 The routine @code{_cpp_lex_token} handles moving to new token runs,
396 calling @code{_cpp_lex_direct} to lex new tokens, or returning
397 previously-lexed tokens if we stepped back in the token stream.  It also
398 checks each token for the @code{BOL} flag, which might indicate a
399 directive that needs to be handled, or require a start-of-line call-back
400 to be made.  @code{_cpp_lex_token} also handles skipping over tokens in
401 failed conditional blocks, and invalidates the control macro of the
402 multiple-include optimization if a token was successfully lexed outside
403 a directive.  In other words, its callers do not need to concern
404 themselves with such issues.
406 @node Hash Nodes
407 @unnumbered Hash Nodes
408 @cindex hash table
409 @cindex identifiers
410 @cindex macros
411 @cindex assertions
412 @cindex named operators
414 When cpplib encounters an ``identifier'', it generates a hash code for
415 it and stores it in the hash table.  By ``identifier'' we mean tokens
416 with type @code{CPP_NAME}; this includes identifiers in the usual C
417 sense, as well as keywords, directive names, macro names and so on.  For
418 example, all of @code{pragma}, @code{int}, @code{foo} and
419 @code{__GNUC__} are identifiers and hashed when lexed.
421 Each node in the hash table contain various information about the
422 identifier it represents.  For example, its length and type.  At any one
423 time, each identifier falls into exactly one of three categories:
425 @itemize @bullet
426 @item Macros
428 These have been declared to be macros, either on the command line or
429 with @code{#define}.  A few, such as @code{__TIME__} are built-ins
430 entered in the hash table during initialization.  The hash node for a
431 normal macro points to a structure with more information about the
432 macro, such as whether it is function-like, how many arguments it takes,
433 and its expansion.  Built-in macros are flagged as special, and instead
434 contain an enum indicating which of the various built-in macros it is.
436 @item Assertions
438 Assertions are in a separate namespace to macros.  To enforce this, cpp
439 actually prepends a @code{#} character before hashing and entering it in
440 the hash table.  An assertion's node points to a chain of answers to
441 that assertion.
443 @item Void
445 Everything else falls into this category---an identifier that is not
446 currently a macro, or a macro that has since been undefined with
447 @code{#undef}.
449 When preprocessing C++, this category also includes the named operators,
450 such as @code{xor}.  In expressions these behave like the operators they
451 represent, but in contexts where the spelling of a token matters they
452 are spelt differently.  This spelling distinction is relevant when they
453 are operands of the stringizing and pasting macro operators @code{#} and
454 @code{##}.  Named operator hash nodes are flagged, both to catch the
455 spelling distinction and to prevent them from being defined as macros.
456 @end itemize
458 The same identifiers share the same hash node.  Since each identifier
459 token, after lexing, contains a pointer to its hash node, this is used
460 to provide rapid lookup of various information.  For example, when
461 parsing a @code{#define} statement, CPP flags each argument's identifier
462 hash node with the index of that argument.  This makes duplicated
463 argument checking an O(1) operation for each argument.  Similarly, for
464 each identifier in the macro's expansion, lookup to see if it is an
465 argument, and which argument it is, is also an O(1) operation.  Further,
466 each directive name, such as @code{endif}, has an associated directive
467 enum stored in its hash node, so that directive lookup is also O(1).
469 @node Macro Expansion
470 @unnumbered Macro Expansion Algorithm
471 @cindex macro expansion
473 Macro expansion is a tricky operation, fraught with nasty corner cases
474 and situations that render what you thought was a nifty way to
475 optimize the preprocessor's expansion algorithm wrong in quite subtle
476 ways.
478 I strongly recommend you have a good grasp of how the C and C++
479 standards require macros to be expanded before diving into this
480 section, let alone the code!.  If you don't have a clear mental
481 picture of how things like nested macro expansion, stringification and
482 token pasting are supposed to work, damage to your sanity can quickly
483 result.
485 @section Internal representation of macros
486 @cindex macro representation (internal)
488 The preprocessor stores macro expansions in tokenized form.  This
489 saves repeated lexing passes during expansion, at the cost of a small
490 increase in memory consumption on average.  The tokens are stored
491 contiguously in memory, so a pointer to the first one and a token
492 count is all you need to get the replacement list of a macro.
494 If the macro is a function-like macro the preprocessor also stores its
495 parameters, in the form of an ordered list of pointers to the hash
496 table entry of each parameter's identifier.  Further, in the macro's
497 stored expansion each occurrence of a parameter is replaced with a
498 special token of type @code{CPP_MACRO_ARG}.  Each such token holds the
499 index of the parameter it represents in the parameter list, which
500 allows rapid replacement of parameters with their arguments during
501 expansion.  Despite this optimization it is still necessary to store
502 the original parameters to the macro, both for dumping with e.g.,
503 @option{-dD}, and to warn about non-trivial macro redefinitions when
504 the parameter names have changed.
506 @section Macro expansion overview
507 The preprocessor maintains a @dfn{context stack}, implemented as a
508 linked list of @code{cpp_context} structures, which together represent
509 the macro expansion state at any one time.  The @code{struct
510 cpp_reader} member variable @code{context} points to the current top
511 of this stack.  The top normally holds the unexpanded replacement list
512 of the innermost macro under expansion, except when cpplib is about to
513 pre-expand an argument, in which case it holds that argument's
514 unexpanded tokens.
516 When there are no macros under expansion, cpplib is in @dfn{base
517 context}.  All contexts other than the base context contain a
518 contiguous list of tokens delimited by a starting and ending token.
519 When not in base context, cpplib obtains the next token from the list
520 of the top context.  If there are no tokens left in the list, it pops
521 that context off the stack, and subsequent ones if necessary, until an
522 unexhausted context is found or it returns to base context.  In base
523 context, cpplib reads tokens directly from the lexer.
525 If it encounters an identifier that is both a macro and enabled for
526 expansion, cpplib prepares to push a new context for that macro on the
527 stack by calling the routine @code{enter_macro_context}.  When this
528 routine returns, the new context will contain the unexpanded tokens of
529 the replacement list of that macro.  In the case of function-like
530 macros, @code{enter_macro_context} also replaces any parameters in the
531 replacement list, stored as @code{CPP_MACRO_ARG} tokens, with the
532 appropriate macro argument.  If the standard requires that the
533 parameter be replaced with its expanded argument, the argument will
534 have been fully macro expanded first.
536 @code{enter_macro_context} also handles special macros like
537 @code{__LINE__}.  Although these macros expand to a single token which
538 cannot contain any further macros, for reasons of token spacing
539 (@pxref{Token Spacing}) and simplicity of implementation, cpplib
540 handles these special macros by pushing a context containing just that
541 one token.
543 The final thing that @code{enter_macro_context} does before returning
544 is to mark the macro disabled for expansion (except for special macros
545 like @code{__TIME__}).  The macro is re-enabled when its context is
546 later popped from the context stack, as described above.  This strict
547 ordering ensures that a macro is disabled whilst its expansion is
548 being scanned, but that it is @emph{not} disabled whilst any arguments
549 to it are being expanded.
551 @section Scanning the replacement list for macros to expand
552 The C standard states that, after any parameters have been replaced
553 with their possibly-expanded arguments, the replacement list is
554 scanned for nested macros.  Further, any identifiers in the
555 replacement list that are not expanded during this scan are never
556 again eligible for expansion in the future, if the reason they were
557 not expanded is that the macro in question was disabled.
559 Clearly this latter condition can only apply to tokens resulting from
560 argument pre-expansion.  Other tokens never have an opportunity to be
561 re-tested for expansion.  It is possible for identifiers that are
562 function-like macros to not expand initially but to expand during a
563 later scan.  This occurs when the identifier is the last token of an
564 argument (and therefore originally followed by a comma or a closing
565 parenthesis in its macro's argument list), and when it replaces its
566 parameter in the macro's replacement list, the subsequent token
567 happens to be an opening parenthesis (itself possibly the first token
568 of an argument).
570 It is important to note that when cpplib reads the last token of a
571 given context, that context still remains on the stack.  Only when
572 looking for the @emph{next} token do we pop it off the stack and drop
573 to a lower context.  This makes backing up by one token easy, but more
574 importantly ensures that the macro corresponding to the current
575 context is still disabled when we are considering the last token of
576 its replacement list for expansion (or indeed expanding it).  As an
577 example, which illustrates many of the points above, consider
579 @smallexample
580 #define foo(x) bar x
581 foo(foo) (2)
582 @end smallexample
584 @noindent which fully expands to @samp{bar foo (2)}.  During pre-expansion
585 of the argument, @samp{foo} does not expand even though the macro is
586 enabled, since it has no following parenthesis [pre-expansion of an
587 argument only uses tokens from that argument; it cannot take tokens
588 from whatever follows the macro invocation].  This still leaves the
589 argument token @samp{foo} eligible for future expansion.  Then, when
590 re-scanning after argument replacement, the token @samp{foo} is
591 rejected for expansion, and marked ineligible for future expansion,
592 since the macro is now disabled.  It is disabled because the
593 replacement list @samp{bar foo} of the macro is still on the context
594 stack.
596 If instead the algorithm looked for an opening parenthesis first and
597 then tested whether the macro were disabled it would be subtly wrong.
598 In the example above, the replacement list of @samp{foo} would be
599 popped in the process of finding the parenthesis, re-enabling
600 @samp{foo} and expanding it a second time.
602 @section Looking for a function-like macro's opening parenthesis
603 Function-like macros only expand when immediately followed by a
604 parenthesis.  To do this cpplib needs to temporarily disable macros
605 and read the next token.  Unfortunately, because of spacing issues
606 (@pxref{Token Spacing}), there can be fake padding tokens in-between,
607 and if the next real token is not a parenthesis cpplib needs to be
608 able to back up that one token as well as retain the information in
609 any intervening padding tokens.
611 Backing up more than one token when macros are involved is not
612 permitted by cpplib, because in general it might involve issues like
613 restoring popped contexts onto the context stack, which are too hard.
614 Instead, searching for the parenthesis is handled by a special
615 function, @code{funlike_invocation_p}, which remembers padding
616 information as it reads tokens.  If the next real token is not an
617 opening parenthesis, it backs up that one token, and then pushes an
618 extra context just containing the padding information if necessary.
620 @section Marking tokens ineligible for future expansion
621 As discussed above, cpplib needs a way of marking tokens as
622 unexpandable.  Since the tokens cpplib handles are read-only once they
623 have been lexed, it instead makes a copy of the token and adds the
624 flag @code{NO_EXPAND} to the copy.
626 For efficiency and to simplify memory management by avoiding having to
627 remember to free these tokens, they are allocated as temporary tokens
628 from the lexer's current token run (@pxref{Lexing a line}) using the
629 function @code{_cpp_temp_token}.  The tokens are then re-used once the
630 current line of tokens has been read in.
632 This might sound unsafe.  However, tokens runs are not re-used at the
633 end of a line if it happens to be in the middle of a macro argument
634 list, and cpplib only wants to back-up more than one lexer token in
635 situations where no macro expansion is involved, so the optimization
636 is safe.
638 @node Token Spacing
639 @unnumbered Token Spacing
640 @cindex paste avoidance
641 @cindex spacing
642 @cindex token spacing
644 First, consider an issue that only concerns the stand-alone
645 preprocessor: there needs to be a guarantee that re-reading its preprocessed
646 output results in an identical token stream.  Without taking special
647 measures, this might not be the case because of macro substitution.
648 For example:
650 @smallexample
651 #define PLUS +
652 #define EMPTY
653 #define f(x) =x=
654 +PLUS -EMPTY- PLUS+ f(=)
655         @expansion{} + + - - + + = = =
656 @emph{not}
657         @expansion{} ++ -- ++ ===
658 @end smallexample
660 One solution would be to simply insert a space between all adjacent
661 tokens.  However, we would like to keep space insertion to a minimum,
662 both for aesthetic reasons and because it causes problems for people who
663 still try to abuse the preprocessor for things like Fortran source and
664 Makefiles.
666 For now, just notice that when tokens are added (or removed, as shown by
667 the @code{EMPTY} example) from the original lexed token stream, we need
668 to check for accidental token pasting.  We call this @dfn{paste
669 avoidance}.  Token addition and removal can only occur because of macro
670 expansion, but accidental pasting can occur in many places: both before
671 and after each macro replacement, each argument replacement, and
672 additionally each token created by the @samp{#} and @samp{##} operators.
674 Look at how the preprocessor gets whitespace output correct
675 normally.  The @code{cpp_token} structure contains a flags byte, and one
676 of those flags is @code{PREV_WHITE}.  This is flagged by the lexer, and
677 indicates that the token was preceded by whitespace of some form other
678 than a new line.  The stand-alone preprocessor can use this flag to
679 decide whether to insert a space between tokens in the output.
681 Now consider the result of the following macro expansion:
683 @smallexample
684 #define add(x, y, z) x + y +z;
685 sum = add (1,2, 3);
686         @expansion{} sum = 1 + 2 +3;
687 @end smallexample
689 The interesting thing here is that the tokens @samp{1} and @samp{2} are
690 output with a preceding space, and @samp{3} is output without a
691 preceding space, but when lexed none of these tokens had that property.
692 Careful consideration reveals that @samp{1} gets its preceding
693 whitespace from the space preceding @samp{add} in the macro invocation,
694 @emph{not} replacement list.  @samp{2} gets its whitespace from the
695 space preceding the parameter @samp{y} in the macro replacement list,
696 and @samp{3} has no preceding space because parameter @samp{z} has none
697 in the replacement list.
699 Once lexed, tokens are effectively fixed and cannot be altered, since
700 pointers to them might be held in many places, in particular by
701 in-progress macro expansions.  So instead of modifying the two tokens
702 above, the preprocessor inserts a special token, which I call a
703 @dfn{padding token}, into the token stream to indicate that spacing of
704 the subsequent token is special.  The preprocessor inserts padding
705 tokens in front of every macro expansion and expanded macro argument.
706 These point to a @dfn{source token} from which the subsequent real token
707 should inherit its spacing.  In the above example, the source tokens are
708 @samp{add} in the macro invocation, and @samp{y} and @samp{z} in the
709 macro replacement list, respectively.
711 It is quite easy to get multiple padding tokens in a row, for example if
712 a macro's first replacement token expands straight into another macro.
714 @smallexample
715 #define foo bar
716 #define bar baz
717 [foo]
718         @expansion{} [baz]
719 @end smallexample
721 Here, two padding tokens are generated with sources the @samp{foo} token
722 between the brackets, and the @samp{bar} token from foo's replacement
723 list, respectively.  Clearly the first padding token is the one to
724 use, so the output code should contain a rule that the first
725 padding token in a sequence is the one that matters.
727 But what if a macro expansion is left?  Adjusting the above
728 example slightly:
730 @smallexample
731 #define foo bar
732 #define bar EMPTY baz
733 #define EMPTY
734 [foo] EMPTY;
735         @expansion{} [ baz] ;
736 @end smallexample
738 As shown, now there should be a space before @samp{baz} and the
739 semicolon in the output.
741 The rules we decided above fail for @samp{baz}: we generate three
742 padding tokens, one per macro invocation, before the token @samp{baz}.
743 We would then have it take its spacing from the first of these, which
744 carries source token @samp{foo} with no leading space.
746 It is vital that cpplib get spacing correct in these examples since any
747 of these macro expansions could be stringified, where spacing matters.
749 So, this demonstrates that not just entering macro and argument
750 expansions, but leaving them requires special handling too.  I made
751 cpplib insert a padding token with a @code{NULL} source token when
752 leaving macro expansions, as well as after each replaced argument in a
753 macro's replacement list.  It also inserts appropriate padding tokens on
754 either side of tokens created by the @samp{#} and @samp{##} operators.
755 I expanded the rule so that, if we see a padding token with a
756 @code{NULL} source token, @emph{and} that source token has no leading
757 space, then we behave as if we have seen no padding tokens at all.  A
758 quick check shows this rule will then get the above example correct as
759 well.
761 Now a relationship with paste avoidance is apparent: we have to be
762 careful about paste avoidance in exactly the same locations we have
763 padding tokens in order to get white space correct.  This makes
764 implementation of paste avoidance easy: wherever the stand-alone
765 preprocessor is fixing up spacing because of padding tokens, and it
766 turns out that no space is needed, it has to take the extra step to
767 check that a space is not needed after all to avoid an accidental paste.
768 The function @code{cpp_avoid_paste} advises whether a space is required
769 between two consecutive tokens.  To avoid excessive spacing, it tries
770 hard to only require a space if one is likely to be necessary, but for
771 reasons of efficiency it is slightly conservative and might recommend a
772 space where one is not strictly needed.
774 @node Line Numbering
775 @unnumbered Line numbering
776 @cindex line numbers
778 @section Just which line number anyway?
780 There are three reasonable requirements a cpplib client might have for
781 the line number of a token passed to it:
783 @itemize @bullet
784 @item
785 The source line it was lexed on.
786 @item
787 The line it is output on.  This can be different to the line it was
788 lexed on if, for example, there are intervening escaped newlines or
789 C-style comments.  For example:
791 @smallexample
792 foo /* @r{A long
793 comment} */ bar \
795 @result{}
796 foo bar baz
797 @end smallexample
799 @item
800 If the token results from a macro expansion, the line of the macro name,
801 or possibly the line of the closing parenthesis in the case of
802 function-like macro expansion.
803 @end itemize
805 The @code{cpp_token} structure contains @code{line} and @code{col}
806 members.  The lexer fills these in with the line and column of the first
807 character of the token.  Consequently, but maybe unexpectedly, a token
808 from the replacement list of a macro expansion carries the location of
809 the token within the @code{#define} directive, because cpplib expands a
810 macro by returning pointers to the tokens in its replacement list.  The
811 current implementation of cpplib assigns tokens created from built-in
812 macros and the @samp{#} and @samp{##} operators the location of the most
813 recently lexed token.  This is a because they are allocated from the
814 lexer's token runs, and because of the way the diagnostic routines infer
815 the appropriate location to report.
817 The diagnostic routines in cpplib display the location of the most
818 recently @emph{lexed} token, unless they are passed a specific line and
819 column to report.  For diagnostics regarding tokens that arise from
820 macro expansions, it might also be helpful for the user to see the
821 original location in the macro definition that the token came from.
822 Since that is exactly the information each token carries, such an
823 enhancement could be made relatively easily in future.
825 The stand-alone preprocessor faces a similar problem when determining
826 the correct line to output the token on: the position attached to a
827 token is fairly useless if the token came from a macro expansion.  All
828 tokens on a logical line should be output on its first physical line, so
829 the token's reported location is also wrong if it is part of a physical
830 line other than the first.
832 To solve these issues, cpplib provides a callback that is generated
833 whenever it lexes a preprocessing token that starts a new logical line
834 other than a directive.  It passes this token (which may be a
835 @code{CPP_EOF} token indicating the end of the translation unit) to the
836 callback routine, which can then use the line and column of this token
837 to produce correct output.
839 @section Representation of line numbers
841 As mentioned above, cpplib stores with each token the line number that
842 it was lexed on.  In fact, this number is not the number of the line in
843 the source file, but instead bears more resemblance to the number of the
844 line in the translation unit.
846 The preprocessor maintains a monotonic increasing line count, which is
847 incremented at every new line character (and also at the end of any
848 buffer that does not end in a new line).  Since a line number of zero is
849 useful to indicate certain special states and conditions, this variable
850 starts counting from one.
852 This variable therefore uniquely enumerates each line in the translation
853 unit.  With some simple infrastructure, it is straight forward to map
854 from this to the original source file and line number pair, saving space
855 whenever line number information needs to be saved.  The code the
856 implements this mapping lies in the files @file{line-map.c} and
857 @file{line-map.h}.
859 Command-line macros and assertions are implemented by pushing a buffer
860 containing the right hand side of an equivalent @code{#define} or
861 @code{#assert} directive.  Some built-in macros are handled similarly.
862 Since these are all processed before the first line of the main input
863 file, it will typically have an assigned line closer to twenty than to
864 one.
866 @node Guard Macros
867 @unnumbered The Multiple-Include Optimization
868 @cindex guard macros
869 @cindex controlling macros
870 @cindex multiple-include optimization
872 Header files are often of the form
874 @smallexample
875 #ifndef FOO
876 #define FOO
877 @dots{}
878 #endif
879 @end smallexample
881 @noindent
882 to prevent the compiler from processing them more than once.  The
883 preprocessor notices such header files, so that if the header file
884 appears in a subsequent @code{#include} directive and @code{FOO} is
885 defined, then it is ignored and it doesn't preprocess or even re-open
886 the file a second time.  This is referred to as the @dfn{multiple
887 include optimization}.
889 Under what circumstances is such an optimization valid?  If the file
890 were included a second time, it can only be optimized away if that
891 inclusion would result in no tokens to return, and no relevant
892 directives to process.  Therefore the current implementation imposes
893 requirements and makes some allowances as follows:
895 @enumerate
896 @item
897 There must be no tokens outside the controlling @code{#if}-@code{#endif}
898 pair, but whitespace and comments are permitted.
900 @item
901 There must be no directives outside the controlling directive pair, but
902 the @dfn{null directive} (a line containing nothing other than a single
903 @samp{#} and possibly whitespace) is permitted.
905 @item
906 The opening directive must be of the form
908 @smallexample
909 #ifndef FOO
910 @end smallexample
914 @smallexample
915 #if !defined FOO     [equivalently, #if !defined(FOO)]
916 @end smallexample
918 @item
919 In the second form above, the tokens forming the @code{#if} expression
920 must have come directly from the source file---no macro expansion must
921 have been involved.  This is because macro definitions can change, and
922 tracking whether or not a relevant change has been made is not worth the
923 implementation cost.
925 @item
926 There can be no @code{#else} or @code{#elif} directives at the outer
927 conditional block level, because they would probably contain something
928 of interest to a subsequent pass.
929 @end enumerate
931 First, when pushing a new file on the buffer stack,
932 @code{_stack_include_file} sets the controlling macro @code{mi_cmacro} to
933 @code{NULL}, and sets @code{mi_valid} to @code{true}.  This indicates
934 that the preprocessor has not yet encountered anything that would
935 invalidate the multiple-include optimization.  As described in the next
936 few paragraphs, these two variables having these values effectively
937 indicates top-of-file.
939 When about to return a token that is not part of a directive,
940 @code{_cpp_lex_token} sets @code{mi_valid} to @code{false}.  This
941 enforces the constraint that tokens outside the controlling conditional
942 block invalidate the optimization.
944 The @code{do_if}, when appropriate, and @code{do_ifndef} directive
945 handlers pass the controlling macro to the function
946 @code{push_conditional}.  cpplib maintains a stack of nested conditional
947 blocks, and after processing every opening conditional this function
948 pushes an @code{if_stack} structure onto the stack.  In this structure
949 it records the controlling macro for the block, provided there is one
950 and we're at top-of-file (as described above).  If an @code{#elif} or
951 @code{#else} directive is encountered, the controlling macro for that
952 block is cleared to @code{NULL}.  Otherwise, it survives until the
953 @code{#endif} closing the block, upon which @code{do_endif} sets
954 @code{mi_valid} to true and stores the controlling macro in
955 @code{mi_cmacro}.
957 @code{_cpp_handle_directive} clears @code{mi_valid} when processing any
958 directive other than an opening conditional and the null directive.
959 With this, and requiring top-of-file to record a controlling macro, and
960 no @code{#else} or @code{#elif} for it to survive and be copied to
961 @code{mi_cmacro} by @code{do_endif}, we have enforced the absence of
962 directives outside the main conditional block for the optimization to be
965 Note that whilst we are inside the conditional block, @code{mi_valid} is
966 likely to be reset to @code{false}, but this does not matter since
967 the closing @code{#endif} restores it to @code{true} if appropriate.
969 Finally, since @code{_cpp_lex_direct} pops the file off the buffer stack
970 at @code{EOF} without returning a token, if the @code{#endif} directive
971 was not followed by any tokens, @code{mi_valid} is @code{true} and
972 @code{_cpp_pop_file_buffer} remembers the controlling macro associated
973 with the file.  Subsequent calls to @code{stack_include_file} result in
974 no buffer being pushed if the controlling macro is defined, effecting
975 the optimization.
977 A quick word on how we handle the
979 @smallexample
980 #if !defined FOO
981 @end smallexample
983 @noindent
984 case.  @code{_cpp_parse_expr} and @code{parse_defined} take steps to see
985 whether the three stages @samp{!}, @samp{defined-expression} and
986 @samp{end-of-directive} occur in order in a @code{#if} expression.  If
987 so, they return the guard macro to @code{do_if} in the variable
988 @code{mi_ind_cmacro}, and otherwise set it to @code{NULL}.
989 @code{enter_macro_context} sets @code{mi_valid} to false, so if a macro
990 was expanded whilst parsing any part of the expression, then the
991 top-of-file test in @code{push_conditional} fails and the optimization
992 is turned off.
994 @node Files
995 @unnumbered File Handling
996 @cindex files
998 Fairly obviously, the file handling code of cpplib resides in the file
999 @file{files.c}.  It takes care of the details of file searching,
1000 opening, reading and caching, for both the main source file and all the
1001 headers it recursively includes.
1003 The basic strategy is to minimize the number of system calls.  On many
1004 systems, the basic @code{open ()} and @code{fstat ()} system calls can
1005 be quite expensive.  For every @code{#include}-d file, we need to try
1006 all the directories in the search path until we find a match.  Some
1007 projects, such as glibc, pass twenty or thirty include paths on the
1008 command line, so this can rapidly become time consuming.
1010 For a header file we have not encountered before we have little choice
1011 but to do this.  However, it is often the case that the same headers are
1012 repeatedly included, and in these cases we try to avoid repeating the
1013 filesystem queries whilst searching for the correct file.
1015 For each file we try to open, we store the constructed path in a splay
1016 tree.  This path first undergoes simplification by the function
1017 @code{_cpp_simplify_pathname}.  For example,
1018 @file{/usr/include/bits/../foo.h} is simplified to
1019 @file{/usr/include/foo.h} before we enter it in the splay tree and try
1020 to @code{open ()} the file.  CPP will then find subsequent uses of
1021 @file{foo.h}, even as @file{/usr/include/foo.h}, in the splay tree and
1022 save system calls.
1024 Further, it is likely the file contents have also been cached, saving a
1025 @code{read ()} system call.  We don't bother caching the contents of
1026 header files that are re-inclusion protected, and whose re-inclusion
1027 macro is defined when we leave the header file for the first time.  If
1028 the host supports it, we try to map suitably large files into memory,
1029 rather than reading them in directly.
1031 The include paths are internally stored on a null-terminated
1032 singly-linked list, starting with the @code{"header.h"} directory search
1033 chain, which then links into the @code{<header.h>} directory chain.
1035 Files included with the @code{<foo.h>} syntax start the lookup directly
1036 in the second half of this chain.  However, files included with the
1037 @code{"foo.h"} syntax start at the beginning of the chain, but with one
1038 extra directory prepended.  This is the directory of the current file;
1039 the one containing the @code{#include} directive.  Prepending this
1040 directory on a per-file basis is handled by the function
1041 @code{search_from}.
1043 Note that a header included with a directory component, such as
1044 @code{#include "mydir/foo.h"} and opened as
1045 @file{/usr/local/include/mydir/foo.h}, will have the complete path minus
1046 the basename @samp{foo.h} as the current directory.
1048 Enough information is stored in the splay tree that CPP can immediately
1049 tell whether it can skip the header file because of the multiple include
1050 optimization, whether the file didn't exist or couldn't be opened for
1051 some reason, or whether the header was flagged not to be re-used, as it
1052 is with the obsolete @code{#import} directive.
1054 For the benefit of MS-DOS filesystems with an 8.3 filename limitation,
1055 CPP offers the ability to treat various include file names as aliases
1056 for the real header files with shorter names.  The map from one to the
1057 other is found in a special file called @samp{header.gcc}, stored in the
1058 command line (or system) include directories to which the mapping
1059 applies.  This may be higher up the directory tree than the full path to
1060 the file minus the base name.
1062 @node Concept Index
1063 @unnumbered Concept Index
1064 @printindex cp
1066 @bye