在日常的編程中，我經(jīng)常需要標識存在于文本文檔中的部件和結(jié)構(gòu)，這些文檔包括：日志文件、配置文件、定界的數(shù)據(jù)以及格式更自由的（但還是半結(jié)構(gòu)化的）報表格式。所有這些文檔都擁有它們自己的“小語言”，用于規(guī)定什么能夠出現(xiàn)在文檔內(nèi)。我編寫這些非正式解析任務(wù)的程序的方法總是有點象大雜燴，其中包括定制狀態(tài)機、正則表達式以及上下文驅(qū)動的字符串測試。這些程序中的模式大概總是這樣：“讀一些文本，弄清是否可以用它來做些什么，然后可能再多讀一些文本，一直嘗試下去。”

解析器將文檔中部件和結(jié)構(gòu)的描述提煉成簡明、清晰和 說明性的規(guī)則，確定由什么組成文檔。大多數(shù)正式的解析器都使用擴展巴科斯范式（Extended Backus-Naur Form，EBNF）上的變體來描述它們所描述的語言的“語法”?；旧?，EBNF 語法對您可能在文檔中找到的 部件賦予名稱；另外，較大的部件通常由較小的部件組成。小部件在較大的部件中出現(xiàn)的頻率和順序由操作符指定。舉例來說，清單 1 是 EBNF 語法 typographify.def，我們在 SimpleParse 那篇文章中見到過這個語法（其它工具運行的方式稍有不同）：

清單 1. typographify.def

para    := (plain / markup)+
plain    := (word / whitespace / punctuation)+
whitespace := [ \t\r\n]+
alphanums  := [a-zA-Z0-9]+
word    := alphanums, (wordpunct, alphanums)*, contraction?
wordpunct  := [-_]
contraction := "'", ('am'/'clock'/'d'/'ll'/'m'/'re'/'s'/'t'/'ve')
markup   := emph / strong / module / code / title
emph    := '-', plain, '-'
strong   := '*', plain, '*'
module   := '[', plain, ']'
code    := "'", plain, "'"
title    := '_', plain, '_'
punctuation := (safepunct / mdash)
mdash    := '--'
safepunct  := [!@#$%^&()+=|\{}:;<>,.?/"]

Spark 簡介

Spark 解析器與 EBNF 語法有一些共同之處，但它將解析／處理過程分成了比傳統(tǒng)的 EBNF 語法所允許的更小的組件。Spark 的優(yōu)點在于，它對整個過程中每一步操作的控制都進行了微調(diào)，還提供了將定制代碼插入到過程中的能力。您如果讀過本系列的 SimpleParse 那篇文章，您就會回想起我們的過程是比較粗略的：1）從語法（并從源文件）生成完整的標記列表，2）使用標記列表作為定制編程操作的數(shù)據(jù)。

Spark 與標準的基于 EBNF 的工具相比缺點在于，它比較冗長，而且缺少直接的出現(xiàn)計量符（即表示存在的“+”，表示可能性的“*”和表示有限制性的“?”）。計量符可以在 Spark 記號賦予器（tokenizer）的正則表達式中使用，并可以用解析表達式語法中的遞歸來進行模擬。如果 Spark 允許在語法表達式中使用計量，那就更好了。另一個值得一提的缺點是，Spark 的速度與 SimpleParse 使用的基于 C 的底層 mxTextTools 引擎相比遜色很多。

在“Compiling Little Languages in Python”（請參閱 參考資料）中，Spark 的創(chuàng)始人 John Aycock 將編譯器分成了四個階段。本文討論的問題只涉及到前面兩個半階段，這歸咎于兩方面原因，一是由于文章長度的限制，二是因為我們將只討論前一篇文章提出的同樣的相對來說比較簡單的“文本標記”問題。Spark 還可以進一步用作完整周期的代碼編譯器／解釋器，而不是只用于我所描述的“解析并處理”的任務(wù)。讓我們來看看 Aycock 所說的四個階段（引用時有所刪節(jié)）：

•     掃描，也稱詞法分析。將輸入流分成一列記號。
•     解析，也稱語法分析。確保記號列表在語法上是有效的。
•     語義分析。遍歷抽象語法樹（abstract syntax tree，AST）一次或多次，收集信息并檢查輸入程序 makes sense。
•     生成代碼。再次遍歷 AST，這個階段可能用 C 或匯編直接解釋程序或輸出代碼。

對每個階段，Spark 都提供了一個或多個抽象類以執(zhí)行相應(yīng)步驟，還提供了一個少見的協(xié)議，從而特化這些類。Spark 具體類并不象大多數(shù)繼承模式中的類那樣僅僅重新定義或添加特定的方法，而是具有兩種特性（一般的模式與各階段和各種父模式都一樣）。首先，具體類所完成的大部分工作都在方法的文檔字符串（docstring）中指定。第二個特殊的協(xié)議是，描述模式的方法集將被賦予表明其角色的獨特名稱。父類反過來包含查找實例的功能以進行操作的內(nèi)省（introspective）方法。我們在參看示例的時侯會更清楚地認識到這一點。

識別文本標記

我已經(jīng)用幾種其它的方法解決了這里的問題。我將一種我稱之為“智能 ASCII”的格式用于各種目的。這種格式看起來很象為電子郵件和新聞組通信開發(fā)的那些協(xié)定。出于各種目的，我將這種格式自動地轉(zhuǎn)換為其它格式，如 HTML、XML 和 LaTeX。我在這里還要再這樣做一次。為了讓您直觀地理解我的意思，我將在本文中使用下面這個簡短的樣本：

清單 2. 智能 ASCII 樣本文本（p.txt）

除了樣本文件中的內(nèi)容，還有另外一點內(nèi)容是關(guān)于格式的，但不是很多（盡管 的確有一些細微之處是關(guān)于標記與標點如何交互的）。

生成記號

我們的 Spark“智能 ASCII”解析器需要做的第一件事就是將輸入文本分成相關(guān)的部件。在記號賦予這一層，我們還不想討論如何構(gòu)造記號，讓它們維持原樣就可以了。稍后我們會將記號序列組合成解析樹。

上面的 typographify.def 中所示的語法提供了 Spark 詞法分析程序／掃描程序的設(shè)計指南。請注意，我們只能使用那些在掃描程序階段為“原語”的名稱。也就是說，那些包括其它已命名的模式的（復(fù)合）模式在解析階段必須被延遲。除了這樣，我們其實還可以直接復(fù)制舊的語法。

清單 3. 刪節(jié)后的 wordscanner.py Spark 腳本

class WordScanner(GenericScanner):
  "Tokenize words, punctuation and markup"
  def tokenize(self, input):
    self.rv = []
    GenericScanner.tokenize(self, input)
    return self.rv
  def t_whitespace(self, s):
    r" [ \t\r\n]+ "
    self.rv.append(Token('whitespace', ' '))
  def t_alphanums(self, s):
    r" [a-zA-Z0-9]+ "
    print "{word}",
    self.rv.append(Token('alphanums', s))
  def t_safepunct(self, s): ...
  def t_bracket(self, s): ...
  def t_asterisk(self, s): ...
  def t_underscore(self, s): ...
  def t_apostrophe(self, s): ...
  def t_dash(self, s): ...
class WordPlusScanner(WordScanner):
  "Enhance word/markup tokenization"
  def t_contraction(self, s):
    r" (?<=[a-zA-Z])'(am|clock|d|ll|m|re|s|t|ve) "
    self.rv.append(Token('contraction', s))
  def t_mdash(self, s):
    r' -- '
    self.rv.append(Token('mdash', s))
  def t_wordpunct(self, s): ...

這里有一個有趣的地方。WordScanner 本身是一個完美的掃描程序類；但 Spark 掃描程序類本身可以通過繼承進一步特化：子正則表達式模式在父正則表達式之前匹配，而如果需要，子方法／正則表達式可以覆蓋父方法／正則表達式。所以，WordPlusScanner 將在 WordScanner 之前對特化進行匹配（可能會因此先獲取一些字節(jié)）。模式文檔字符串中允許使用任何正則表達式（舉例來說， .t_contraction() 方法包含模式中的一個“向后插入”）。

不幸的是，Python 2.2 在一定程度上破壞了掃描程序繼承邏輯。在 Python 2.2 中，不管在繼承鏈中的什么地方定義，所有定義過的模式都按字母順序（按名稱）進行匹配。要修正這個問題，您可以在 Spark 函數(shù) _namelist() 中修改一行代碼：

清單 4. 糾正后相應(yīng)的 spark.py 函數(shù)

  def _namelist(instance):
  namelist, namedict, classlist = [], {}, [instance.__class__]
  for c in classlist:
    for b in c.__bases__:
      classlist.append(b)
    # for name in dir(c):  # dir() behavior changed in 2.2
    for name in c.__dict__.keys(): # <-- USE THIS
      if not namedict.has_key(name):
        namelist.append(name)
        namedict[name] = 1
  return namelist

我已經(jīng)向 Spark 創(chuàng)始人 John Aycock 通知了這個問題，今后的版本會修正這個問題。同時，請在您自己的副本中作出修改。

讓我們來看看，WordPlusScanner 在應(yīng)用到上面那個“智能 ASCII”樣本中后會發(fā)生什么。它創(chuàng)建的列表其實是一個 Token 實例的列表，但它們包含一個 .__repr__ 方法，該方法能讓它們很好地顯示以下信息：

清單 5. 用 WordPlusScanner 向“智能 ASCII”賦予記號

>>> from wordscanner import WordPlusScanner
>>> tokens = WordPlusScanner().tokenize(open('p.txt').read())
>>> filter(lambda s: s<>'whitespace', tokens)
[Text, with, *, bold, *, ,, and, -, itals, phrase, -, ,, and, [,
module, ], --, this, should, be, a, good, ', practice, run, ', .]

值得注意的是盡管 .t_alphanums() 之類的方法會被 Spark 內(nèi)省根據(jù)其前綴“t_”識別，它們還是正則方法。只要碰到相應(yīng)的記號，方法內(nèi)的任何額外代碼都將執(zhí)行。 .t_alphanums() 方法包含一個關(guān)于此點的很小的示例，其中包含一條 print 語句。

生成抽象語法樹

查找記號的確有一點意思，但真正有意思的是如何向記號列表應(yīng)用語法。解析階段在記號列表的基礎(chǔ)上創(chuàng)建任意的樹結(jié)構(gòu)。它只是指定了表達式語法而已。

Spark 有好幾種創(chuàng)建 AST 的方法?！笆止ぁ钡姆椒ㄊ翘鼗?GenericParser 類。在這種情況下，具體子解析器會提供很多方法，方法名的形式為 p_foobar(self, args) 。每個這樣的方法的文檔字符串都包含一個或多個模式到名稱的分配。只要語法表達式匹配，每種方法就可以包含任何要執(zhí)行的代碼。

然而，Spark 還提供一種“自動”生成 AST 的方式。這種風格從 GenericASTBuilder 類繼承而來。所有語法表達式都在一個最高級的方法中列出，而 .terminal() 和 .nonterminal() 方法可以被特化為在生成期間操作子樹（如果需要，也可以執(zhí)行任何其它操作）。結(jié)果還是 AST，但父類會為您執(zhí)行大部分工作。我的語法類和如下所示的差不多：

清單 6. 刪節(jié)后的 markupbuilder.py Spark 腳本

    class MarkupBuilder(GenericASTBuilder):
  "Write out HTML markup based on matched markup"
  def p_para(self, args):
    '''
    para  ::= plain
    para  ::= markup
    para  ::= para plain
    para  ::= para emph
    para  ::= para strong
    para  ::= para module
    para  ::= para code
    para  ::= para title
    plain ::= whitespace
    plain ::= alphanums
    plain ::= contraction
    plain ::= safepunct
    plain ::= mdash
    plain ::= wordpunct
    plain ::= plain plain
    emph  ::= dash plain dash
    strong ::= asterisk plain asterisk
    module ::= bracket plain bracket
    code  ::= apostrophe plain apostrophe
    title ::= underscore plain underscore
    '''
  def nonterminal(self, type_, args):
    # Flatten AST a bit by not making nodes if only one child.
    if len(args)==1: return args[0]
    if type_=='para': return nonterminal(self, type_, args)
    if type_=='plain':
      args[0].attr = foldtree(args[0])+foldtree(args[1])
      args[0].type = type_
      return nonterminal(self, type_, args[:1])
    phrase_node = AST(type_)
    phrase_node.attr = foldtree(args[1])
    return phrase_node

我的 .p_para() 在其文檔字符串中應(yīng)該只包含一組語法規(guī)則（沒有代碼）。我決定專門用 .nonterminal() 方法來稍微對 AST 進行平鋪。由一系列“plain”子樹組成的“plain”節(jié)點將子樹壓縮為一個更長的字符串。同樣，標記子樹（即“emph”、“strong”、“module”、“code”和“title”）折疊為一個類型正確的單獨節(jié)點，并包含一個復(fù)合字符串。

我們已經(jīng)提到過，Spark 語法中顯然缺少一樣?xùn)|西：沒有計量符。通過下面這樣的規(guī)則，

plain ::= plain plain

我們可以成對地聚集“plain“類型的子樹。不過我更傾向于讓 Spark 允許使用更類似于 EBNF 風格的語法表達式，如下所示：

plain ::= plain+

然后，我們就可以更簡單地創(chuàng)建“plain 盡可能多”的 n-ary 子樹了。既然這樣，我們的樹就更容易啟動列，甚至不用在 .nonterminal() 中傳送消息。

使用樹

Spark 模塊提供了幾個使用 AST 的類。比起我的目的來說，這些責任比我需要的更大。如果您希望得到它們，GenericASTTraversal 和 GenericASTMatcher 提供了遍歷樹的方法，使用的繼承協(xié)議類似于我們?yōu)閽呙璩绦蚝徒馕銎魉峁┑摹?/p>

但是只用遞歸函數(shù)來遍歷樹并不十分困難。我在文章的壓縮文件 prettyprint.py （請參閱 參考資料）中創(chuàng)建了一些這樣的示例。其中的一個是 showtree() 。該函數(shù)將顯示一個帶有幾個約定的 AST。

•     每行都顯示下降深度
•     只有子節(jié)點（沒有內(nèi)容）的節(jié)點開頭有破折號
•     節(jié)點類型用雙層尖括號括起

讓我們來看看上面示例中生成的 AST：

清單 7. 用 WordPlusScanner 向“智能 ASCII”賦予記號

 >>> from wordscanner import tokensFromFname
>>> from markupbuilder import treeFromTokens
>>> from prettyprint import showtree
>>> showtree(treeFromTokens(tokensFromFname('p.txt')))
 0 <<para>>
 1 - <<para>>
 2 -- <<para>>
 3 --- <<para>>
 4 ---- <<para>>
 5 ----- <<para>>
 6 ------ <<para>>
 7 ------- <<para>>
 8 -------- <<plain>>
 9      <<plain>> Text with
 8     <<strong>> bold
 7 ------- <<plain>>
 8     <<plain>> , and
 6    <<emph>> itals phrase
 5 ----- <<plain>>
 6    <<plain>> , and
 4   <<module>> module
 3 --- <<plain>>
 4   <<plain>> --this should be a good
 2  <<code>> practice run
 1 - <<plain>>
 2  <<plain>> .

理解樹結(jié)構(gòu)很直觀，但我們真正要尋找的修改過的標記怎么辦呢？幸運的是，只需要幾行代碼就可以遍歷樹并生成它：

清單 8. 從 AST（prettyprint.py）輸出標記

  def emitHTML(node):
  from typo_html import codes
  if hasattr(node, 'attr'):
    beg, end = codes[node.type]
    sys.stdout.write(beg+node.attr+end)
  else: map(emitHTML, node._kids)

typo_html.py 文件與 SimpleParse 那篇文章中的一樣 — 它只是包含一個將名稱映射到開始標記／結(jié)束標記對的字典。顯然，我們可以為標記使用除 HTML 之外的相同方法。如果您不清楚，下面是我們的示例將生成的內(nèi)容：

清單 9. 整個過程的 HTML 輸出

Text with <strong>bold</strong>, and <em>itals phrase</em>,
and <em><code>module</code></em>--this should be a good
<code>practice run</code>.

結(jié)束語

很多 Python 程序員都向我推薦 Spark。雖然 Spark 使用的少見的協(xié)定讓人不太容易習慣，而且文檔從某些角度來看可能比較含混不清，但 Spark 的力量還是非常令人驚奇。Spark 實現(xiàn)的編程風格使最終程序員能夠在掃描／解析過程中在任何地方插入代碼塊 — 這對最終用戶來說通常是“黑箱”。

比起它的所有優(yōu)點來說，我發(fā)現(xiàn) Spark 真正的缺點是它的速度。Spark 是我使用過的第一個 Python 程序，而我在使用中發(fā)現(xiàn)，解釋語言的速度損失是其主要問題。Spark 的速度的確 很慢；慢的程度不止是“我希望能快一點點”，而是“吃了一頓長時間的午餐還希望它能快點結(jié)束”的程度。在我的實驗中，記號賦予器還比較快，但解析過程就很慢了，即便用很小的測試案例也很慢。公平地講，John Aycock 已經(jīng)向我指出，Spark 使用的 Earley 解析算法比更簡單的 LR 算法全面得多，這是它速度慢的主要原因。還有可能的是，由于我經(jīng)驗不足，可能設(shè)計出低效的語法；不過就算是這樣，大部分用戶也很可能會象我一樣。

最新評論