使用DSL解析文档

Question

我正试图想出办法来处理大约一百万份正式文件（为了论证，他们是论文文件）。它们并非都是标准化的，但足够接近。它们是标题，部分，段落等。可能会出现微妙的差异，例如在英语中，我们称之为“标题”，但在法语中它是“Titre”。

因此在我看来，最好的方法是创建一个包含Title的所有可能组合的EBNF：= Title |比如Titre。

我不太关心提出EBNF。我主要关心的是如何实现解析。我看过ANTLR，OSLO，Irony以及其他一些人，但他们没有专业知识来判断他们是否适合我的任务。

所以，我对你学到的问题是

1. 您建议使用哪种DSL工具来解析此规模的文档？
2. 什么DSL工具在解析时最准确但对匹配宽容（即我们必须定义大写和小写的规则，数字与罗马数字和外语（法语）如何。
3. 是否有一个过程/算法，我没有考虑过你会推荐作为DSL的替代品？ （从头开始重写是一种选择，但我希望能够快速完成工作）。
4. 有没有人试图通过DSL解析学习和智能（想想遗传算法和神经网络）？
5. 您是否会在生产环境中使用这些DSL工具？

我选择的开发平台是C＃。我提到这一点是因为理想情况下我想将DSL工具集成到代码中，以便我们可以从现有应用程序中使用它。

Answer 1

我遇到了一个名为TinyPG的工具。它不完全是我需要的东西，但要查看源代码将让我生成我需要的东西。