بكفاءة مباراة متعددة regexes في بايثون
-
02-07-2019 - |
سؤال
المعجمية تحليل من السهل جدا أن أكتب عندما يكون لديك regexes.اليوم أردت أن أكتب بسيط العامة محلل في بيثون ، وجاء مع:
import re
import sys
class Token(object):
""" A simple Token structure.
Contains the token type, value and position.
"""
def __init__(self, type, val, pos):
self.type = type
self.val = val
self.pos = pos
def __str__(self):
return '%s(%s) at %s' % (self.type, self.val, self.pos)
class LexerError(Exception):
""" Lexer error exception.
pos:
Position in the input line where the error occurred.
"""
def __init__(self, pos):
self.pos = pos
class Lexer(object):
""" A simple regex-based lexer/tokenizer.
See below for an example of usage.
"""
def __init__(self, rules, skip_whitespace=True):
""" Create a lexer.
rules:
A list of rules. Each rule is a `regex, type`
pair, where `regex` is the regular expression used
to recognize the token and `type` is the type
of the token to return when it's recognized.
skip_whitespace:
If True, whitespace (\s+) will be skipped and not
reported by the lexer. Otherwise, you have to
specify your rules for whitespace, or it will be
flagged as an error.
"""
self.rules = []
for regex, type in rules:
self.rules.append((re.compile(regex), type))
self.skip_whitespace = skip_whitespace
self.re_ws_skip = re.compile('\S')
def input(self, buf):
""" Initialize the lexer with a buffer as input.
"""
self.buf = buf
self.pos = 0
def token(self):
""" Return the next token (a Token object) found in the
input buffer. None is returned if the end of the
buffer was reached.
In case of a lexing error (the current chunk of the
buffer matches no rule), a LexerError is raised with
the position of the error.
"""
if self.pos >= len(self.buf):
return None
else:
if self.skip_whitespace:
m = self.re_ws_skip.search(self.buf[self.pos:])
if m:
self.pos += m.start()
else:
return None
for token_regex, token_type in self.rules:
m = token_regex.match(self.buf[self.pos:])
if m:
value = self.buf[self.pos + m.start():self.pos + m.end()]
tok = Token(token_type, value, self.pos)
self.pos += m.end()
return tok
# if we're here, no rule matched
raise LexerError(self.pos)
def tokens(self):
""" Returns an iterator to the tokens found in the buffer.
"""
while 1:
tok = self.token()
if tok is None: break
yield tok
if __name__ == '__main__':
rules = [
('\d+', 'NUMBER'),
('[a-zA-Z_]\w+', 'IDENTIFIER'),
('\+', 'PLUS'),
('\-', 'MINUS'),
('\*', 'MULTIPLY'),
('\/', 'DIVIDE'),
('\(', 'LP'),
('\)', 'RP'),
('=', 'EQUALS'),
]
lx = Lexer(rules, skip_whitespace=True)
lx.input('erw = _abc + 12*(R4-623902) ')
try:
for tok in lx.tokens():
print tok
except LexerError, err:
print 'LexerError at position', err.pos
فإنه يعمل على ما يرام, ولكن أنا قلق قليلا أنها غير فعالة جدا.هل هناك أي regex الحيل التي من شأنها أن تسمح لي أن أكتب في أكثر كفاءة / أنيقة الطريقة ؟
على وجه التحديد, هل هناك طريقة لتجنب حلقات على كل regex قواعد خطيا إلى العثور على واحد الذي يناسبك ..
المحلول
يمكنك دمج كل ما تبذلونه من regexes في واحدة باستخدام "|" المشغل السماح باستخدام التعابير المنطقية المكتبة للقيام بهذا العمل من المميزين بين الرموز.بعض وينبغي الحرص على ضمان تفضيل من الرموز (على سبيل المثال تجنب مطابقة الكلمة كمعرف).
نصائح أخرى
أقترح استخدام إعادة.الماسح الضوئي فئة ليست موثقة في المكتبة القياسية ، لكنها تستحق باستخدام.هنا مثال:
import re
scanner = re.Scanner([
(r"-?[0-9]+\.[0-9]+([eE]-?[0-9]+)?", lambda scanner, token: float(token)),
(r"-?[0-9]+", lambda scanner, token: int(token)),
(r" +", lambda scanner, token: None),
])
>>> scanner.scan("0 -1 4.5 7.8e3")[0]
[0, -1, 4.5, 7800.0]
وجدت هذا في بيثون الوثيقة.انها مجرد بسيطة وأنيقة.
import collections
import re
Token = collections.namedtuple('Token', ['typ', 'value', 'line', 'column'])
def tokenize(s):
keywords = {'IF', 'THEN', 'ENDIF', 'FOR', 'NEXT', 'GOSUB', 'RETURN'}
token_specification = [
('NUMBER', r'\d+(\.\d*)?'), # Integer or decimal number
('ASSIGN', r':='), # Assignment operator
('END', r';'), # Statement terminator
('ID', r'[A-Za-z]+'), # Identifiers
('OP', r'[+*\/\-]'), # Arithmetic operators
('NEWLINE', r'\n'), # Line endings
('SKIP', r'[ \t]'), # Skip over spaces and tabs
]
tok_regex = '|'.join('(?P<%s>%s)' % pair for pair in token_specification)
get_token = re.compile(tok_regex).match
line = 1
pos = line_start = 0
mo = get_token(s)
while mo is not None:
typ = mo.lastgroup
if typ == 'NEWLINE':
line_start = pos
line += 1
elif typ != 'SKIP':
val = mo.group(typ)
if typ == 'ID' and val in keywords:
typ = val
yield Token(typ, val, line, mo.start()-line_start)
pos = mo.end()
mo = get_token(s, pos)
if pos != len(s):
raise RuntimeError('Unexpected character %r on line %d' %(s[pos], line))
statements = '''
IF quantity THEN
total := total + price * quantity;
tax := price * 0.05;
ENDIF;
'''
for token in tokenize(statements):
print(token)
الخدعة هنا هو خط:
tok_regex = '|'.join('(?P<%s>%s)' % pair for pair in token_specification)
هنا (?P<ID>PATTERN)
بمناسبة تتطابق النتيجة مع اسم محدد ID
.
re.match
ويرتكز.يمكنك إعطائها موقف الحجة:
pos = 0
end = len(text)
while pos < end:
match = regexp.match(text, pos)
# do something with your match
pos = match.end()
إلقاء نظرة على pygments الذي السفن الكثير من lexers من أجل تسليط الضوء على بناء الجملة الأغراض مع تطبيقات مختلفة ، معظم استنادا إلى التعبيرات العادية.
فمن الممكن أن الجمع بين رمز regexes العمل ، ولكن يجب أن المعيار هو.شيء من هذا القبيل:
x = re.compile('(?P<NUMBER>[0-9]+)|(?P<VAR>[a-z]+)')
a = x.match('9999').groupdict() # => {'VAR': None, 'NUMBER': '9999'}
if a:
token = [a for a in a.items() if a[1] != None][0]
تصفية حيث سيكون لديك للقيام ببعض القياس...
تحديث: أنا اختبرت هذا ، يبدو كما لو إذا كنت الجمع بين كل الرموز كما ذكر وكتابة الوظيفة مثل:
def find_token(lst):
for tok in lst:
if tok[1] != None: return tok
raise Exception
سوف تحصل على تقريبا نفس السرعة (ربما teensy أسرع) من أجل هذا.أعتقد تسريع يجب أن يكون في عدد المكالمات إلى المباراة, ولكن حلقة رمزية التمييز لا يزال هناك ، والتي بالطبع يقتل.
هذه ليست إجابة مباشرة على سؤالك, ولكن قد ترغب في النظر في ANTLR.وفقا هذا الوثيقة الثعبان رمز جيل الهدف ينبغي أن يكون ما يصل إلى تاريخ.
كما regexes, حقا هناك طريقتان للذهاب حول لتسريع ذلك إذا كنت التمسك regexes.الأولى أن النظام الخاص بك regexes في أمر من احتمال العثور عليها في النص الافتراضي.هل يمكن أن الشكل إضافة بسيطة التعريف إلى التعليمات البرمجية التي تم جمعها رمزية التهم لكل رمز نوع وتشغيل lexer على العمل.الحل الآخر سيكون دلو فرز regexes (منذ الفضاء الرئيسية ، لكونها حرف صغير نسبيا) ثم استخدام مجموعة أو قاموس لأداء اللازمة regexes بعد أداء واحد التمييز على الحرف الأول.
ومع ذلك, أعتقد أنه إذا كنت تريد أن تذهب في هذا الطريق, عليك أن تحاول حقا شيء مثل ANTLR والتي سوف يكون من الأسهل للحفاظ على وأسرع وأقل احتمالا أن يكون الخلل.