我有一组特定域（会计报告）的半结构化TEXT文档，它们在内容上都非常相似。但是，数据在每个文档模板上以不同的方式处理。
编写一些正则表达式并获取我想要的数据相当容易。但是必须为每个新的文档布局完成。
我想构建一个通用解析器，它接收一个脚本，告诉它应该如何读取特定布局的会计报告，这样对于每个新布局，我需要做的就是编写一个比写入更简单的新脚本。很多正则表达式。
类似的东西：
解析脚本：
declare collection_name {
date,
description,
amount
}
get customer_name from line 3
get account_id from "AccountID <number>"
read data as <collection_name> from <pattern> until <pattern>
请告诉我从哪里开始，阅读有关内容，或者您是否已经看过类似的内容。我真的很感激任何帮助。
答案 0 :(得分：4)
构建DSL并不容易，特别是像你提出的丰富语法，所以我假设你准备好了：）
管道是：
Script -> Compiler -> PHP code for specific template
然后您将使用PHP代码获取数据
TEXT -> PHP code for that template -> data(structured JSON,XML,...)
因此，要构建编译器，您需要了解流程：
Script -> Lexer(Tokenizer) -> Parser -> AST/CFG -> PHP code generation
Tokenizer 将文本流分解为标记，通常是查找空格（标签，空格，新行）。
Lexer 基本上是一个标记化器，但它通常会为标记附加额外的上下文 - 这个标记是一个数字，该标记是一个字符串文字，另一个标记是一个相等运算符
Parser 从词法分析器获取标记流并将其转换为表示原始文本所代表的（通常）程序的抽象语法树。
源的抽象语法结构的树表示 用编程语言编写的代码。树的每个节点表示 源代码中出现的构造。语法是＆＃34; abstract＆＃34;在 不代表真实语法中出现的每个细节。对于 例如，分组括号隐含在树结构中，并且 像if-condition-then表达式这样的句法结构可能是 用具有两个分支的单个节点表示。
如果您正在考虑在DSL中使用表达式，它们适用于表达式而非指令。
使用图表符号表示可能存在的所有路径 在执行过程中遍历了一个程序。
每个节点都是一个带有属性的指令对象（声明，获取，读取......）。例如：
get {
target: customer_name,
from: line {n: 3}
}
PHP是一个非常糟糕的选择，因为没有高质量的库来构建词法分析器和解析器，比如C / C ++中的Flex / Bison。在这个问题中有一些工具，但我不推荐它们Flex/Bison-like functionality within PHP。
我建议您自己构建它：
LL(1)（http://en.wikipedia.org/wiki/LL_grammar）