Question

作为一项教育活动，我打算用Python编写Python词法分析器。最后，我想实现一个可以自行运行的Python的简单子集，所以我希望这个词法分析器用一个相当简单的Python子集编写，尽可能少的导入。

我发现涉及lexing的教程，例如kaleidoscope，预测一个角色，以确定接下来会有什么标记，但我担心这对Python来说是不够的（一方面，只看一个你不能区分分隔符或运算符，或者标识符和关键字之间的字符;此外，处理缩进看起来像是一个新的野兽;除其他外）。

我发现这个link非常有用，但是，当我尝试实现它时，我的代码很快就开始看起来非常丑陋，有很多if语句和个案，而且它没有看起来这是“正确”的做法。

那里有没有什么好的资源可以帮助/教我lex这种代码（我也想完全解析它，但首先要做的事情是对吗？）

我不是在使用解析器生成器，但我希望生成的Python代码使用Python的一个简单子集，并且合理地自包含，这样我至少可以梦想拥有一种可以解释自己的语言。（例如，根据我对此example的理解，如果我使用ply，我将需要我的语言来解释ply包以及解释自身，我想这将使事情变得更复杂）。

Answer 1

看看http://pyparsing.wikispaces.com/你可能觉得它对你的任务有用。

Answer 2

我使用过传统的flex/lex＆amp; bison/yacc过去的类似项目。我也使用了ply（python lex yacc），我发现这些技能可以从一个转移到另一个。

因此，如果您以前从未编写过解析器，我会使用ply编写您的第一个解析器，并且您将学习一些有用的技能以用于以后的项目。

当您使用ply解析器工作时，您可以手动制作一个教育练习。在我的经验中，手工编写词法分析器和解析器非常快速 - 解析器生成器的成功！

Answer 3

考虑一下PyPy，一个基于python的python实现。它显然也有一个python解析器。

Answer 4

这个简单的基于正则表达式的词法分析器已经为我提供了几次，非常好：

#-------------------------------------------------------------------------------
# lexer.py
#
# A generic regex-based Lexer/tokenizer tool.
# See the if __main__ section in the bottom for an example.
#
# Eli Bendersky (eliben@gmail.com)
# This code is in the public domain
# Last modified: August 2010
#-------------------------------------------------------------------------------
import re
import sys


class Token(object):
    """ A simple Token structure.
        Contains the token type, value and position. 
    """
    def __init__(self, type, val, pos):
        self.type = type
        self.val = val
        self.pos = pos

    def __str__(self):
        return '%s(%s) at %s' % (self.type, self.val, self.pos)


class LexerError(Exception):
    """ Lexer error exception.

        pos:
            Position in the input line where the error occurred.
    """
    def __init__(self, pos):
        self.pos = pos


class Lexer(object):
    """ A simple regex-based lexer/tokenizer.

        See below for an example of usage.
    """
    def __init__(self, rules, skip_whitespace=True):
        """ Create a lexer.

            rules:
                A list of rules. Each rule is a `regex, type`
                pair, where `regex` is the regular expression used
                to recognize the token and `type` is the type
                of the token to return when it's recognized.

            skip_whitespace:
                If True, whitespace (\s+) will be skipped and not
                reported by the lexer. Otherwise, you have to 
                specify your rules for whitespace, or it will be
                flagged as an error.
        """
        # All the regexes are concatenated into a single one
        # with named groups. Since the group names must be valid
        # Python identifiers, but the token types used by the 
        # user are arbitrary strings, we auto-generate the group
        # names and map them to token types.
        #
        idx = 1
        regex_parts = []
        self.group_type = {}

        for regex, type in rules:
            groupname = 'GROUP%s' % idx
            regex_parts.append('(?P<%s>%s)' % (groupname, regex))
            self.group_type[groupname] = type
            idx += 1

        self.regex = re.compile('|'.join(regex_parts))
        self.skip_whitespace = skip_whitespace
        self.re_ws_skip = re.compile('\S')

    def input(self, buf):
        """ Initialize the lexer with a buffer as input.
        """
        self.buf = buf
        self.pos = 0

    def token(self):
        """ Return the next token (a Token object) found in the 
            input buffer. None is returned if the end of the 
            buffer was reached. 
            In case of a lexing error (the current chunk of the
            buffer matches no rule), a LexerError is raised with
            the position of the error.
        """
        if self.pos >= len(self.buf):
            return None
        else:
            if self.skip_whitespace:
                m = self.re_ws_skip.search(self.buf, self.pos)

                if m:
                    self.pos = m.start()
                else:
                    return None

            m = self.regex.match(self.buf, self.pos)
            if m:
                groupname = m.lastgroup
                tok_type = self.group_type[groupname]
                tok = Token(tok_type, m.group(groupname), self.pos)
                self.pos = m.end()
                return tok

            # if we're here, no rule matched
            raise LexerError(self.pos)

    def tokens(self):
        """ Returns an iterator to the tokens found in the buffer.
        """
        while 1:
            tok = self.token()
            if tok is None: break
            yield tok


if __name__ == '__main__':
    rules = [
        ('\d+',             'NUMBER'),
        ('[a-zA-Z_]\w+',    'IDENTIFIER'),
        ('\+',              'PLUS'),
        ('\-',              'MINUS'),
        ('\*',              'MULTIPLY'),
        ('\/',              'DIVIDE'),
        ('\(',              'LP'),
        ('\)',              'RP'),
        ('=',               'EQUALS'),
    ]

    lx = Lexer(rules, skip_whitespace=True)
    lx.input('erw = _abc + 12*(R4-623902)  ')

    try:
        for tok in lx.tokens():
            print(tok)
    except LexerError as err:
        print('LexerError at position %s' % err.pos)

Lexing Python的资源

4 个答案: