Python -词法分析和标记化

Question

我希望在这里加快我的发现过程，因为这是我第一次进入词汇分析的世界。也许这是一条错误的道路。首先，我将描述我的问题：

我有非常大的属性文件(按1000个属性的顺序排列)，经过蒸馏后，实际上只有大约15个重要的属性，其余的属性可以生成，或者很少更改。

因此，例如：

general {
  name = myname
  ip = 127.0.0.1
}

component1 {
   key = value
   foo = bar
}

这是我想要创建的格式类型，用于标记如下所示：

property.${general.name}blah.home.directory = /blah
property.${general.name}.ip = ${general.ip}
property.${component1}.ip = ${general.ip}
property.${component1}.foo = ${component1.foo}

转到

property.mynameblah.home.directory = /blah
property.myname.ip = 127.0.0.1
property.component1.ip = 127.0.0.1
property.component1.foo = bar

词法分析和标记化听起来是我最好的方法，但这是一个非常简单的形式。这是一个简单的语法，一个简单的替代，我想确保我没有带来一个大锤敲钉子。

我可以创建我自己的lexer和记号器，或者ANTlr是一种可能，但是我不喜欢重新发明轮子，ANTlr听起来有点过火了。

我不熟悉编译器技术，所以最好是正确方向的指针&代码。

注意事项：我可以更改输入格式。

Answer 1

在用正则表达式进行词法分析上有一篇关于effbot.org的优秀文章。

根据您的问题调整令牌程序：

import re

token_pattern = r"""
(?P<identifier>[a-zA-Z_][a-zA-Z0-9_]*)
|(?P<integer>[0-9]+)
|(?P<dot>\.)
|(?P<open_variable>[$][{])
|(?P<open_curly>[{])
|(?P<close_curly>[}])
|(?P<newline>\n)
|(?P<whitespace>\s+)
|(?P<equals>[=])
|(?P<slash>[/])
"""

token_re = re.compile(token_pattern, re.VERBOSE)

class TokenizerException(Exception): pass

def tokenize(text):
    pos = 0
    while True:
        m = token_re.match(text, pos)
        if not m: break
        pos = m.end()
        tokname = m.lastgroup
        tokvalue = m.group(tokname)
        yield tokname, tokvalue
    if pos != len(text):
        raise TokenizerException('tokenizer stopped at pos %r of %r' % (
            pos, len(text)))

为了测试它，我们做：

stuff = r'property.${general.name}.ip = ${general.ip}'
stuff2 = r'''
general {
  name = myname
  ip = 127.0.0.1
}
'''

print ' stuff '.center(60, '=')
for tok in tokenize(stuff):
    print tok

print ' stuff2 '.center(60, '=')
for tok in tokenize(stuff2):
    print tok

适用于：

========================== stuff ===========================
('identifier', 'property')
('dot', '.')
('open_variable', '${')
('identifier', 'general')
('dot', '.')
('identifier', 'name')
('close_curly', '}')
('dot', '.')
('identifier', 'ip')
('whitespace', ' ')
('equals', '=')
('whitespace', ' ')
('open_variable', '${')
('identifier', 'general')
('dot', '.')
('identifier', 'ip')
('close_curly', '}')
========================== stuff2 ==========================
('newline', '\n')
('identifier', 'general')
('whitespace', ' ')
('open_curly', '{')
('newline', '\n')
('whitespace', '  ')
('identifier', 'name')
('whitespace', ' ')
('equals', '=')
('whitespace', ' ')
('identifier', 'myname')
('newline', '\n')
('whitespace', '  ')
('identifier', 'ip')
('whitespace', ' ')
('equals', '=')
('whitespace', ' ')
('integer', '127')
('dot', '.')
('integer', '0')
('dot', '.')
('integer', '0')
('dot', '.')
('integer', '1')
('newline', '\n')
('close_curly', '}')
('newline', '\n')

Answer 2

一个简单的DFA可以很好地解决这个问题。你只需要几个州：

1. 寻找${
2. 看到${寻找至少一个构成名称的有效字符
3. 至少看到一个有效的名称字符，查找更多的名称字符或}。

如果属性文件与顺序无关，则可能需要两个pass处理器来验证每个名称是否正确解析。

当然，您需要编写替换代码，但是一旦您有了所有使用的名称的列表，最简单的实现就是在${name}上找到/替换它的相应值。

Answer 3

因为尽管您的格式看起来很简单，但我认为一个完整的解析器/词法器可能会太过分了。看起来，将regexes和字符串操作结合起来就可以做到这一点。

另一个想法是将文件更改为类似于json或xml的内容，并使用现有的包。