笨办法学 Python · 续 练习 32:扫描器
来源:互联网 发布:淘宝申请售后服务培训 编辑:程序博客网 时间:2024/06/03 18:19
练习 32:扫描器
原文:Exercise 32: Scanners
译者:飞龙
协议:CC BY-NC-SA 4.0
自豪地采用谷歌翻译
我的第一本书在练习 48 中非常偶然涉及到了扫描器,但现在我们将会更加正式。我将解释扫描文本背后的概念,它与正则表达式有关,以及如何为一小段 Python 代码创建一个小型扫描器。
我们以下面的 Python 代码为例来开始讨论:
def hello(x, y): print(x + y)hello(10, 20)
你已经在 Python 上练习了一段时间了,所以你的大脑最有可能很快阅读这个代码,但是你真的明白了吗?当我(或别人)教你 Python 时,我让你记得所有的“符号”。def
和()
字符是每一个符号,但是 Python 需要一种可靠的、一致的方法来处理它们。Python 还需要能够读取hello
,理解它是一个什么东西的“名称”,然后知道def hello(x, y)
和hello(10, 20)
之间的区别。怎么实现它呢?
执行此操作的第一步是,扫描文本并查找“记号”(Token)。在扫描阶段,像 Python 这样的语言不会首先关心什么是符号(def
),什么是名称(hello
)。它将简单地,尝试将输入语言转换为的文本模式串,成为“记号”。它通过应用一系列正则表达式来做到这一点,这些正则表达式“匹配” Python 理解的每个可能的输入。练习 31 中,你会记得一个正则表达式是一种方式,告诉 Python 要匹配或接受什么字符序列。所有 Python 解释器都使用许多正则表达式,来匹配它理解的每个记号。
如果你看看上面的代码,你可以编写一组正则表达式来处理它。def
需要一个简单的正则表达式,只是“def”。对于()+:,
字符你需要更多的正则表达式。然后,你还剩下如何处理print
,hello
,10
和20
。
一旦你确定了上述代码示例中的所有符号,你需要命名它们。你不能仅仅通过它们的正则表达式来引用它们,因为查找效率低下,也令人困惑。稍后你会发现,为每个符号提供自己的名字(或数字)可以简化解析,但现在让我们为这些正则表达式设计一些名称。我可以说def
只是DEF
,那么()+:,
可以是LPAREN RPAREN PLUS COLON COMMA
。之后,我可以将用于hello
和print
之类的单词正则表达式称为NAME
。通过这样做,我想出了一种方法,将原始文本流转换成一个单个数字(或名称)记号的流,来在后期使用。
Python 也很棘手,因为它需要一个前导空白的正则表达式,来处理代码块的缩进和压缩。现在,让我们使用一个相当笨的^\s+
,然后假装它也捕捉到行的开头使用了多少个空白。
最终你会拥有一组正则表达式,可以处理上面的代码,它可能看起来像这样:
def
DEF
[a-zA-Z_][a-zA-Z0-9_]*
NAME
[0-9]+
INTEGER
\(
LPAREN
\)
RPAREN
\+
PLUS
:
COLON
,
COMMA
^\s+
INDENT
扫描器的任务是使用这些正则表达式,并将输入文本分解成识别符号的流。如果我这样对示例代码这么做,我可以产生:
DEF NAME(hello) LPAREN NAME(x) COMMA NAME(y) RPAREN COLONINDENT(4) NAME(print) LPAREN NAME(x) PLUS NAME(y) RPARENNAME(hello) RPAREN INTEGER(10) COMMA INTEGER(20) RPAREN
研究此转换,匹配扫描器输出的每一行,并使用表中的正则表达式将其与上述 Python 代码进行比较。你会看到这只是选取输入文本,将每个正则表达式匹配到记录名称,然后保存所需的任何信息,如hello
或数字10
。
微小的 Python 扫描器
我编写了一个非常小的 Python 扫描器,演示了这个非常小的 Python 语言:
import recode = ["def hello(x, y):"," print(x + y)","hello(10, 20)",]TOKENS = [(re.compile(r"^def"), "DEF"),(re.compile(r"^[a-zA-Z_][a-zA-Z0-9_]*"), "NAME"),(re.compile(r"^[0-9]+"), "INTEGER"),(re.compile(r"^\("), "LPAREN"),(re.compile(r"^\)"), "RPAREN"),(re.compile(r"^\+"), "PLUS"),(re.compile(r"^:"), "COLON"),(re.compile(r"^,"), "COMMA"),(re.compile(r"^\s+"), "INDENT"),]def match(i, line): start = line[i:] for regex, token in TOKENS: match = regex.match(start) if match: begin, end = match.span() return token, start[:end], end return None, start, Nonescript = []for line in code: i = 0 while i < len(line): token, string, end = match(i, line) assert token, "Failed to match line %s" % string if token: i += end script.append((token, string, i, end))print(script)
当你运行这个脚本时,你会得到一个tuples
的list
,它是TOKEN
、匹配到的字符串、开头和末尾,像这样:
[('DEF', 'def', 3, 3), ('INDENT', ' ', 4, 1), ('NAME', 'hello', 9, 5),('LPAREN', '(', 10, 1), ('NAME', 'x', 11, 1), ('COMMA', ',', 12, 1),('INDENT', ' ', 13, 1), ('NAME', 'y', 14, 1), ('RPAREN', ')', 15, 1),('COLON', ':', 16, 1), ('INDENT', ' ', 4, 4), ('NAME', 'print', 9, 5),('LPAREN', '(', 10, 1), ('NAME', 'x', 11, 1), ('INDENT', ' ', 12, 1),('PLUS', '+', 13, 1), ('INDENT', ' ', 14, 1), ('NAME', 'y', 15, 1),('RPAREN', ')', 16, 1), ('NAME', 'hello', 5, 5), ('LPAREN', '(', 6, 1),('INTEGER', '10', 8, 2), ('COMMA', ',', 9, 1), ('INDENT', ' ', 10, 1),('INTEGER', '20', 12, 2), ('RPAREN', ')', 13, 1)]
这个代码绝对不是你可以创建的最快或最准确的扫描器。这是一个简单的脚本,用于演示扫描器的工作原理。对于进行真正的扫描工作,你将使用一种工具来生成更高效的扫描器。我在深入学习部分介绍。
挑战练习
你的工作是研究这个扫描器示例代码,并将其转换成通用的Scanner
类以便稍后使用。这个Scanner
类的目标是接受一个输入文件,将其扫描为记号的列表,然后允许你按顺序取出记号。API 应具有以下功能:
__init__
使用类似的元组列表(没有
re.compile
)来配置扫描器。
scan
接受一个字符串并执行扫描,创建一个记录列表以便以后使用。你应该保留这个字符串,让人们以后访问。
match
提供可能的记号列表,返回列表中的第一个记号,并将其移除。
peek
提供可能的记号列表,返回列表中的第一个记号,但不将其移除。
push
将记号放回记号流中,以便后续的
peek
或者match
返回它。
你也应该创建通用的Token
类来代替我使用的tuple
。它应该能够跟踪发现的记号,匹配的字符串、原始字符串中匹配位置的开头和末尾。
研究性学习
- 安装
pytest-cov
库,并使用它来测量自动化测试的覆盖率。 - 使用
pytest-cov
的结果来改进自动化测试。
深入学习
创建扫描器的更好方法是,利用以下关于正则表达式的三个事实:
- 正则表达式是有限状态机。
- 你可以将小型有限状态机精确地组合成更大更复杂的有限状态机。
- 匹配许多小型正则表达式的有限状态机组合,操作方式每个正则表达式一样,并且效率更高。
有许多工具使用这个事实来接受扫描器定义,将每个小的正则表达式转换为 FSM,然后将它们组合来产生大段代码,可以可靠地匹配所有记号。这样做的优点是,你可以以滚动方式为这些生成的扫描器提供独立的字符,并使其快速识别记号。它比我这里的方式要好,其中我拼凑字符串,并尝试一系列正则表达式,直到找到一个正则表达式。
研究扫描器的发生器如何工作,并将其与你编写的代码进行比较。
- 笨办法学 Python · 续 练习 32:扫描器
- 笨办法学 Python · 续 练习 5:`cat`
- 笨办法学 Python · 续 练习 6:`find`
- 笨办法学 Python · 续 练习 8:`cut`
- 笨办法学 Python · 续 练习 7:`grep`
- 笨办法学 Python · 续 练习 9:`sed`
- 笨办法学 Python · 续 练习 10:`sort`
- 笨办法学 Python · 续 练习 11:`uniq`
- 笨办法学 Python · 续 练习 12:复习
- 笨办法学 Python · 续 练习 3:质量
- 笨办法学 Python · 续 练习 2:创造力
- 笨办法学 Python · 续 练习 13:单链表
- 笨办法学 Python · 续 练习 14:双链表
- 笨办法学 Python · 续 练习 17:字典
- 笨办法学 Python · 续 练习 18:性能测量
- 笨办法学 Python · 续 练习 0:起步
- 笨办法学 Python · 续 练习 19:改善性能
- 笨办法学 Python · 续 练习 21:二分搜索
- poj-1860 Currency Exchange (货币转换—最长路)
- Python学习(十一)——matplotlib与可视化
- Java并发性和多线程介绍
- 南理 108 士兵杀敌(一)
- codeforces768D(87/600)
- 笨办法学 Python · 续 练习 32:扫描器
- Remember-Me功能
- 基于深度学习的目标检测技术演进:R-CNN、Fast R-CNN、Faster R-CNN
- Python中 如何将一个字符串分成一个个字符;
- Fraction Addition and Subtraction
- [Leetcode] 352. Data Stream as Disjoint Intervals 解题报告
- 网易技术笔试题整理
- Hdu6108 小C的倍数问题(2017"百度之星"程序设计大赛
- centos6.8安装python3.5.1