Question

我正在尝试使用pyparsing解析类似XML的文件（没有关联的DTD）。每个记录的一部分看起来有以下内容：

<L>和<L/>标记内的内容，
<pc>和<pc/>代码中的一件或多件事，
（可选）<MW>和<MW/>标记内的内容，
可选地，文字<mul/>，以及可选的文字<mat/>

这些元素的排序各不相同。

所以我写了以下内容（我是pyparsing的新手;请指出我做的事情是愚蠢的）：

#!/usr/bin/env python

from pyparsing import *

def DumbTagParser(tag):
    tag_close = '</%s>' % tag
    return Group(
             Literal('<') + Literal(tag).setResultsName('tag') + Literal('>')
           + SkipTo(tag_close).setResultsName('contents') 
           + Literal(tag_close)
           ).setResultsName(tag)

record1 = Group(ZeroOrMore(DumbTagParser('pc'))).setResultsName('pcs') &\
          DumbTagParser('L') & \
          Optional(Literal('<mul/>')) & \
          Optional(DumbTagParser('MW')) & \
          Optional(Literal('<mat/>')) 

record2 = Group(ZeroOrMore(DumbTagParser('pc'))).setResultsName('pcs') &\
          Optional(DumbTagParser('MW')) & \
          Optional(Literal('<mul/>')) & \
          DumbTagParser('L') 

def attempt(s):
    print 'Attempting:', s
    match = record1.parseString(s, parseAll = True)
    print 'Match: ', match
    print

attempt('<L>1.1</L>')
attempt('<pc>Page1,1</pc>  <pc>Page1,2</pc> <MW>000001</MW> <L>1.1</L>')
attempt('<mul/><MW>000003</MW><pc>1,1</pc><L>3.1</L>')
attempt('<mul/> <MW>000003</MW> <pc>1,1</pc> <L>3.1</L> ')  # Note end space

解析器record1和record2都会失败，但有不同的例外情况。对于record1，它在最后一个字符串上失败（与倒数第二个字符串仅在空格中不同）：

pyparsing.ParseException:  (at char 47), (line:1, col:48)

和record2，它在倒数第二个字符串本身失败：

pyparsing.ParseException: Missing one or more required elements (Group:({"<" "L" ">" SkipTo:("</L>") "</L>"})) (at char 0), (line:1, col:1)

现在奇怪的是，如果我在record2的定义中交换第2行和第3行，那么它解析得很好！

record2 = Group(ZeroOrMore(DumbTagParser('pc'))).setResultsName('pcs') &\
          Optional(Literal('<mul/>')) & \
          Optional(DumbTagParser('MW')) & \
          DumbTagParser('L')    # parses my example strings fine

（是的，我发现record2不包含<mat/>的任何规则。我正在尝试一个反映这种对重新排序敏感度的最小例子。）

我不确定这是否是pyparsing或我的代码中的错误，但我真正的问题是我应该如何解析我想要的那种字符串。

Answer 1

我不知道你是否还想要答案，但这是我的bash ......

我可以看到代码中的以下问题如下：

您已将resultsName多次赋予多个项目，因为最终可能会返回Dict，您必须在每个结果名称中添加“*”或从多个元素中删除它。我假设你是在内容之后而不是标签并删除他们的名字。仅供参考，设置parser.resultsName（name）的快捷方式是解析器（名称）。
将所有结果名称设置为“内容”也是一个坏主意，因为我们会丢失已经可用的信息。而是通过相应的TAG命名CONTENTS。
你也在0 ZeroOrMore中制作多个项目可选，它们已经通过ZeroOrMore“可选”，所以让我们使用'^'运算符进行变换，因为没有预定义的序列，即。 pc标签可以在mul标签之前，反之亦然。允许任何组合并在我们经过时收集它们似乎是合理的。
由于我们还必须处理给定标记的倍数，因此我们将“*”附加到CONTENTS的resultsName，以便我们可以将结果收集到列表中。

首先我们创建一个函数来创建一组开始和结束标记，你的DumbTagCreator现在被称为tagset：

from pyparsing import *  

def tagset(str, keywords = False):
 if keywords :
  return [Group(Literal('<') + Keyword(str) + Literal('>')).suppress(), 
          Group(Literal('</') + Keyword(str) + Literal('/>')).suppress()]
 else :
  return [Group(Literal('<') + Literal(str) + Literal('>')).suppress(), 
          Group(Literal('</') + Literal(str) + Literal('>')).suppress()]

接下来，我们创建解析器，它将解析<tag\>CONTENT</tag>，其中CONTENT是我们感兴趣的内容，返回一个字典，以便我们{'pc' : CONTENT, 'MW' : CONTENT, ...}：

tagDict = {name : (tagset(name)) for name in ['pc','MW','L','mul','mat']}

parser = None
for name, tags in tagDict.iteritems() : 
 if parser : 
  parser = parser ^ (tags[0] + SkipTo(tags[1])(name) + tags[1])
 else :
  parser = (tags[0] + SkipTo(tags[1])(name) + tags[1])

# If you have added the </mul> tag deliberately...
parser = Optional(Literal('<mul/>')) + ZeroOrMore(parser)

# If you have added the </mul> tag by acccident...
parser = ZeroOrMore(parser)

最后我们测试：

test = ['<L>1.1</L>',
 '<pc>Page1,1</pc>  <pc>Page1,2</pc> <MW>000001</MW> <L>1.1</L>',
 '<mul/><MW>000003</MW><pc>1,1</pc><L>3.1</L>',
 '<mul/> <MW>000003</MW> <pc>1,1</pc> <L>3.1</L> ']  

for item in test :  
 print {key:val.asList() for key,val in parser.parseString(item).asDict().iteritems()}

应该产生的

，假设你想要一个列表的字典：

{'L': ['1.1']}
{'pc': ['Page1,1', 'Page1,2'], 'MW': ['000001'], 'L': ['1.1']}
{'pc': ['1,1'], 'MW': ['000003'], 'L': ['3.1']}
{'pc': ['1,1'], 'MW': ['000003'], 'L': ['3.1']}

Pyparsing：可选元素列表：可选，每个和解析器元素排序的奇怪问题

1 个答案: