Question

仅仅出于我自己的目的，我正在尝试在Java中构建一个tokenizer，我可以在其中定义一个常规语法并根据它来标记输入。不推荐使用StringTokenizer类，我在Scanner中发现了一些暗示我想要做的事情，但还没有运气。有人知道这个问题的好方法吗？

Answer 1

名称“扫描仪”有点误导，因为这个词通常用于表示词法分析器，而这不是Scanner的用途。它只是你在C，Perl，等中找到的scanf()函数的替代品。与StringTokenizer和split()一样，它设计为向前扫描，直到找到给定模式的匹配，并且在途中跳过的任何内容都将作为标记返回。

另一方面，词法分析器必须检查和分类每个字符，即使它只是决定它是否可以安全地忽略它们。这意味着，在每次匹配之后，它可以应用多个模式，直到找到一个匹配从该点开始的模式。否则，它可能会找到序列“//”，并认为它是一个注释的开头，当它真的在一个字符串文字中时，它只是没有注意到开始的引号。

当然，它实际上要复杂得多，但我只是说明为什么像StringTokenizer，split()和Scanner这样的内置工具不适合这种任务。但是，可以将Java的正则表达式类用于有限形式的词法分析。事实上，添加Scanner类使得它更加容易，因为添加了新的Matcher API来支持它，即区域和usePattern()方法。以下是基于Java正则表达式类构建的基本扫描程序的示例。

import java.util.*;
import java.util.regex.*;

public class RETokenizer
{
  static List<Token> tokenize(String source, List<Rule> rules)
  {
    List<Token> tokens = new ArrayList<Token>();
    int pos = 0;
    final int end = source.length();
    Matcher m = Pattern.compile("dummy").matcher(source);
    m.useTransparentBounds(true).useAnchoringBounds(false);
    while (pos < end)
    {
      m.region(pos, end);
      for (Rule r : rules)
      {
        if (m.usePattern(r.pattern).lookingAt())
        {
          tokens.add(new Token(r.name, m.start(), m.end()));
          pos = m.end();
          break;
        }
      }
      pos++;  // bump-along, in case no rule matched
    }
    return tokens;
  }

  static class Rule
  {
    final String name;
    final Pattern pattern;

    Rule(String name, String regex)
    {
      this.name = name;
      pattern = Pattern.compile(regex);
    }
  }

  static class Token
  {
    final String name;
    final int startPos;
    final int endPos;

    Token(String name, int startPos, int endPos)
    {
      this.name = name;
      this.startPos = startPos;
      this.endPos = endPos;
    }

    @Override
    public String toString()
    {
      return String.format("Token [%2d, %2d, %s]", startPos, endPos, name);
    }
  }

  public static void main(String[] args) throws Exception
  {
    List<Rule> rules = new ArrayList<Rule>();
    rules.add(new Rule("WORD", "[A-Za-z]+"));
    rules.add(new Rule("QUOTED", "\"[^\"]*+\""));
    rules.add(new Rule("COMMENT", "//.*"));
    rules.add(new Rule("WHITESPACE", "\\s+"));

    String str = "foo //in \"comment\"\nbar \"no //comment\" end";
    List<Token> result = RETokenizer.tokenize(str, rules);
    for (Token t : result)
    {
      System.out.println(t);
    }
  }
}

顺便说一句，这是我在lookingAt()方法中找到的唯一好处。：d

Answer 2

如果我理解你的问题，那么这里有两个标记字符串的示例方法。您甚至不需要Scanner类，只有在您想要预先生成令牌时，或者比使用数组更加软化地迭代它们。如果数组足够，只需使用下面给出的String.split（）。

请提供更多要求以获得更精确的答案。

 import java.util.Scanner;


  public class Main {    

    public static void main(String[] args) {

        String textToTokenize = "This is a text that will be tokenized. I will use 1-2 methods.";
        Scanner scanner = new Scanner(textToTokenize);
        scanner.useDelimiter("i.");
        while (scanner.hasNext()){
            System.out.println(scanner.next());
        }

        System.out.println(" **************** ");
        String[] sSplit = textToTokenize.split("i.");

        for (String token: sSplit){
            System.out.println(token);
        }
    }

}

Answer 3

如果这是一个简单的项目（用于学习如何运作），那么请参考Balint Pato所说的内容。

如果这是针对较大的项目，请考虑使用像JFlex这样的扫描仪生成器。有点复杂，但更快，更强大。

Answer 4

这里的大多数答案都已经很出色但如果我没有指出ANTLR，我会失职。我围绕这个优秀的工具创建了完整的编译器。版本3有一些惊人的功能，我推荐它用于任何需要你根据明确定义的语法解析输入的项目。

如何使用Java的Scanner类和正则表达式对输入进行标记？

4 个答案: