Question

我希望在这里加快我的发现过程，因为这是我第一次进入词汇分析世界。也许这甚至是错误的道路。首先，我将描述我的问题：

我有非常大的属性文件（大约有1,000个属性），在提炼时，实际上只有大约15个重要属性，其余的可以生成或很少更改。

所以，例如：

general {
  name = myname
  ip = 127.0.0.1
}

component1 {
   key = value
   foo = bar
}

这是我想要创建的格式类型，例如：

property.${general.name}blah.home.directory = /blah
property.${general.name}.ip = ${general.ip}
property.${component1}.ip = ${general.ip}
property.${component1}.foo = ${component1.foo}

到

property.mynameblah.home.directory = /blah
property.myname.ip = 127.0.0.1
property.component1.ip = 127.0.0.1
property.component1.foo = bar

词法分析和标记化听起来像是我最好的路线，但这是一种非常简单的形式。这是一个简单的语法，一个简单的替代，我想确保我没有带一个大锤敲钉。

我可以创建自己的词法分析器和标记器，或ANTlr是可能的，但我不喜欢重新发明轮子和ANTlr听起来有点矫枉过正。

我不熟悉编译器技术，所以指向正确的方向＆amp;代码将是最受欢迎的。

注意：我可以更改输入格式。

Answer 1

在Using Regular Expressions for Lexical Analysis effbot.org上有一篇关于{{3}}的精彩文章。

使令牌化程序适应您的问题：

import re

token_pattern = r"""
(?P<identifier>[a-zA-Z_][a-zA-Z0-9_]*)
|(?P<integer>[0-9]+)
|(?P<dot>\.)
|(?P<open_variable>[$][{])
|(?P<open_curly>[{])
|(?P<close_curly>[}])
|(?P<newline>\n)
|(?P<whitespace>\s+)
|(?P<equals>[=])
|(?P<slash>[/])
"""

token_re = re.compile(token_pattern, re.VERBOSE)

class TokenizerException(Exception): pass

def tokenize(text):
    pos = 0
    while True:
        m = token_re.match(text, pos)
        if not m: break
        pos = m.end()
        tokname = m.lastgroup
        tokvalue = m.group(tokname)
        yield tokname, tokvalue
    if pos != len(text):
        raise TokenizerException('tokenizer stopped at pos %r of %r' % (
            pos, len(text)))

为了测试它，我们这样做：

stuff = r'property.${general.name}.ip = ${general.ip}'
stuff2 = r'''
general {
  name = myname
  ip = 127.0.0.1
}
'''

print ' stuff '.center(60, '=')
for tok in tokenize(stuff):
    print tok

print ' stuff2 '.center(60, '=')
for tok in tokenize(stuff2):
    print tok

有：

========================== stuff ===========================
('identifier', 'property')
('dot', '.')
('open_variable', '${')
('identifier', 'general')
('dot', '.')
('identifier', 'name')
('close_curly', '}')
('dot', '.')
('identifier', 'ip')
('whitespace', ' ')
('equals', '=')
('whitespace', ' ')
('open_variable', '${')
('identifier', 'general')
('dot', '.')
('identifier', 'ip')
('close_curly', '}')
========================== stuff2 ==========================
('newline', '\n')
('identifier', 'general')
('whitespace', ' ')
('open_curly', '{')
('newline', '\n')
('whitespace', '  ')
('identifier', 'name')
('whitespace', ' ')
('equals', '=')
('whitespace', ' ')
('identifier', 'myname')
('newline', '\n')
('whitespace', '  ')
('identifier', 'ip')
('whitespace', ' ')
('equals', '=')
('whitespace', ' ')
('integer', '127')
('dot', '.')
('integer', '0')
('dot', '.')
('integer', '0')
('dot', '.')
('integer', '1')
('newline', '\n')
('close_curly', '}')
('newline', '\n')

Answer 2

就像你的格式一样简单，我认为一个完整的解析器/词法分析器会有点过分。看起来像正则表达式和字符串操作的组合可以做到这一点。

另一个想法是将文件更改为json或xml，并使用现有的包。

Answer 3

简单的DFA适用于此。你只需要几个州：

寻找${
看到${寻找至少一个形成名称的有效字符
至少看到一个有效名称字符，查找更多名称字符或}。

如果属性文件与订单无关，您可能需要双通道处理器来验证每个名称是否正确解析。

当然，您需要编写替换代码，但是一旦列出了所有使用的名称，最简单的实现就是${name}上的查找/替换及其对应的值。

Answer 4

如果您可以更改输入文件的格式，则可以使用解析器来处理现有格式，例如JSON。

然而，从您的问题陈述中听起来并非如此。因此，如果要创建自定义词法分析器和解析器，请使用PLY（Python Lex / Yacc）。它易于使用，与lex / yacc的工作方式相同。

以下是使用PLY构建的计算器example的链接。请注意，以t_开头的所有内容都是词法分析器规则 - 定义有效令牌 - 以p_开头的所有内容都是定义语法生成的解析器规则。

Answer 5

您提供的语法与Mako templates engine类似。我想你可以尝试一下，这是一个相当简单的API。

Python - 词法分析和标记化

5 个答案: