Você pode propor uma maneira mais elegante de 'tokenizar' C# código para formatação HTML?

Question

(Essa questão Sobre a refatoração do código F# me deu um voto, mas também algumas respostas interessantes e úteis. E 62 F# perguntas das mais de 32.000, então parece lamentável, então vou correr o risco de mais desaprovação!)

Eu estava tentando postar um pouco de código em um blog de blog ontem e me voltei para esse site, que eu achei útil no passado. No entanto, o editor de blogueiros comeu todas as declarações de estilo, o que acabou sendo um beco sem saída.

Então (como qualquer hacker), pensei "quão difícil pode ser?" e rolou o meu em <100 linhas de f#.

Aqui está a 'carne' do código, que transforma uma sequência de entrada em uma lista de 'tokens'. Observe que esses tokens não devem ser confundidos com os tokens de estilo Lexing/Parsing. Eu olhei para isso brevemente, e embora eu quase não entendi nada, eu entendi que eles me dariam só Tokens, enquanto eu quero manter minha corda original.

A questão é: existe uma maneira mais elegante de fazer isso? Eu não gosto das N refinições de s necessárias para remover cada sequência de token da sequência de entrada, mas é difícil dividir a string em potenciais tokens com antecedência, devido a coisas como comentários, strings e a diretiva #region (que contém um caractere não-palavras).

//Types of tokens we are going to detect
type Token = 
    | Whitespace of string
    | Comment of string
    | Strng of string
    | Keyword of string
    | Text of string
    | EOF

//turn a string into a list of recognised tokens
let tokenize (s:String) = 
    //this is the 'parser' - should we look at compiling the regexs in advance?
    let nexttoken (st:String) = 
        match st with
        | st when Regex.IsMatch(st, "^\s+") -> Whitespace(Regex.Match(st, "^\s+").Value)
        | st when Regex.IsMatch(st, "^//.*?\r?\n") -> Comment(Regex.Match(st, "^//.*?\r?\n").Value) //this is double slash-style comments
        | st when Regex.IsMatch(st, "^/\*(.|[\r?\n])*?\*/") -> Comment(Regex.Match(st, "^/\*(.|[\r?\n])*?\*/").Value) // /* */ style comments http://ostermiller.org/findcomment.html
        | st when Regex.IsMatch(st, @"^""([^""\\]|\\.|"""")*""") -> Strng(Regex.Match(st, @"^""([^""\\]|\\.|"""")*""").Value) // unescaped = "([^"\\]|\\.|"")*" http://wordaligned.org/articles/string-literals-and-regular-expressions
        | st when Regex.IsMatch(st, "^#(end)?region") -> Keyword(Regex.Match(st, "^#(end)?region").Value)
        | st when st <> "" -> 
                match Regex.Match(st, @"^[^""\s]*").Value with //all text until next whitespace or quote (this may be wrong)
                | x when iskeyword x -> Keyword(x)  //iskeyword uses Microsoft.CSharp.CSharpCodeProvider.IsValidIdentifier - a bit fragile...
                | x -> Text(x)
        | _ -> EOF

    //tail-recursive use of next token to transform string into token list
    let tokeneater s = 
        let rec loop s acc = 
            let t = nexttoken s
            match t with
            | EOF -> List.rev acc //return accumulator (have to reverse it because built backwards with tail recursion)
            | Whitespace(x) | Comment(x) 
            | Keyword(x) | Text(x) | Strng(x) -> 
                loop (s.Remove(0, x.Length)) (t::acc)  //tail recursive
        loop s []

    tokeneater s

(Se alguém está realmente interessado, fico feliz em postar o restante do código)

EDITARUsando o Excelente sugestão do padrões ativos Por KVB, a parte central se parece com isso, muito melhor!

let nexttoken (st:String) = 
    match st with
    | Matches "^\s+" s -> Whitespace(s)
    | Matches "^//.*?\r?(\n|$)" s -> Comment(s) //this is double slash-style comments
    | Matches "^/\*(.|[\r?\n])*?\*/" s -> Comment(s)  // /* */ style comments http://ostermiller.org/findcomment.html
    | Matches @"^@?""([^""\\]|\\.|"""")*""" s -> Strng(s) // unescaped regexp = ^@?"([^"\\]|\\.|"")*" http://wordaligned.org/articles/string-literals-and-regular-expressions
    | Matches "^#(end)?region" s -> Keyword(s) 
    | Matches @"^[^""\s]+" s ->   //all text until next whitespace or quote (this may be wrong)
            match s with
            | IsKeyword x -> Keyword(s)
            | _ -> Text(s)
    | _ -> EOF

Answer 1

Eu usaria um padrão ativo para encapsular os pares regex.satch e regex.match, assim:

let (|Matches|_|) re s =
  let m = Regex(re).Match(s)
  if m.Success then
    Some(Matches (m.Value))
  else
    None

Então sua função NextToken pode parecer:

let nexttoken (st:String) =         
  match st with        
  | Matches "^s+" s -> Whitespace(s)        
  | Matches "^//.*?\r?\n" s -> Comment(s)
  ...