可爱的Python：了解DParserforPython

　　首先初步了解 DParser 这一由 J. Plevyak 编写的简单而强大的解析工具。然后了解用于 Python 的 DParser，它为 Python 程序员提供了一个访问 DParser 的无缝接口，并看看它与上一期中介绍的解析器的比较。语法规则以类似于 Spark 或 PLY 的方式通过 Python 函数文档字符串加入到 DParser 中。
　　
　　有很多可用的 Python 解析器程序库。我已经在本专栏中讨论过 mx.TextTools、SimpleParse 和 SPARK，并在我的书中介绍了 PLY（请参阅 参考资料，获得这些文档的链接）。无需考虑，我也知道有 PyGgy、Yapps、PLEX、PyLR、PyParsing 和 TPG，而且我还模糊地记得读过半打其他解析器的声明。用户可能会对此门类感到失落，不是因为缺少高质量程序库，而是太多了。
　　
　　DParser 与所有其他解析器的不同之处是什么？是这样，类似于 PLY 和 Spark，用于 Python 的 DParser 使用函数文档字符串来表示其结果（productions）。这种风格使得您可以将动作代码直接插入到一个结果中，以处理当一个特定的语法规则得到满足时将发生的事件。与 PLY 或 Spark 相反，DParser 本身是用 C 编写的，因而可能会比纯粹的 Python 解析器快得多。用于 Python 的 DParser 是底层的 C 程序库之外的一个非常精简的包装器（wrapper） —— 对 Python 的回调需要一些额外的时间，但是基本的解析是以 C 语言的速度来进行的。不过，就本文而言，我没有尝试进行任何具体的基准测试。所以，相对于其他解析器来说，DParser 到底有多快或多慢不是我所能直接评论的。
　　
　　就我自己而言，我仍是非常喜欢 SimpleParse 的方法。SimpleParse 是快速的 mx.TextTools 程序库（也是用 C 所编写的）的一个包装器，可以将 EBNF 语法语言从 Python 代码中完全分离出来。一般来说，使用 SimpleParse 就意味着在一个函数调用中生成一个解析树，然后在分开的代码中遍历这个树。对于特别大的被解析的文档来说，这种两步方法可能是低效的，但是我发现这样更容易理解编写的代码。
　　
　　尽管如此，还是有很多读者推荐说用于 Python DParaser 值得关注，虽然我更喜欢单独的 EBNF 定义。顺便提一句，如您将在示例中所看到的，DParser 不使用任何单独的标记传递，而只是直接解析。您可以通过定义保留的 d_whitespace() 函数来控制空格的识别（它分离解析符号）；这样就使得您可以随意使用标记。
　　
　　找到最长的结果
　　作为用于 Python 的 DParser 程序的第一个示例，我创建了一个查找几个模式的语法，这些模式依次为另一个的子结果。这个语法处理的问题类似于很多解析器遇到的“dangling else”问题。具体说，也就是您如何才能知道什么时候停止查找更长的结果？（例如，“if”后是否跟有“else”？）我的语法会去分析的短语可能按次序包括有以“a”、“b”和“c” 结尾的单词。所有没有被包括进来的单词只是短语的“head”或“tail”的部分。这需要一些例子来展示。首先，程序本身：
　　
　　清单 1. 解析器 abc.py
　　
　　#!/usr/bin/env python2.3
　　"Identify sequence of a-, b-, c- words"
　　#
　　#-- The grammar
　　def d_phrase(t, s):
　　　　'phrase : words ( ABC | AB | A ) words'
　　　　print "Head:", '.join(s[0])
　　　　print t[1][0]+":", '.join(s[1])
　　　　print "Tail:", '.join(s[2])
　　def d_words(t):
　　　　'words : word*'
　　def d_word(t):
　　　　'word : "[a-z]+" '
　　def d_A(t):
　　　　''A : "a[a-z]*" ''
　　　　return 'A'
　　def d_AB(t):
　　　　''AB : A "b[a-z]*" ''
　　　　return 'AB'
　　def d_ABC(t):
　　　　''ABC : AB "c[a-z]*" ''
　　　　return 'ABC'
　　#
　　#-- Parse STDIN
　　from dparser import Parser
　　from sys import argv, stdin
　　phrase, arg = stdin.read(), argv[-1]
　　Parser().parse(phrase,
　　　　　　　　　 print_debug_info=(arg=='--debug'))
　　
　　让我们给出一些短语来运行这个解析器，如下：
　　
　　清单 2. 简单地解析短语
　　
　　$ echo -n "alpha" | ./abc.py
　　Head:
　　A: alpha
　　Tail:
　　echo -n "xavier alpha beta charlie will" | ./abc.py
　　Head: xavier
　　ABC: alpha beta charlie
　　Tail: will
　　$ echo -n "mable delta xavier bruce" | ./abc.py
　　Traceback (most recent call last): [...]
　　dparser.SyntaxError:
　　syntax error, line:1
　　mable delta xavier bruce[syntax error]
　　
　　显然，到目前为止，一切都没问题。我的语法当其条件允许时找到了一个 ABC，但是当只能找到 A 或者 AB 时，也能满足于此。
　　
　　不过说实话，当遇到含糊的短语时，我的语法会有很多问题。在大部分情况下，当 DParser 不能确定如何解析一个短语时，它会陷入一个无限循环（可能是最坏的结果；至少回溯或者报告的错误可以告诉您哪里出现了问题）。有时（至少在我的 Mac OSX 机器上），它会转而生成一个“Bus error”。那些情形我哪个都不喜欢。
　　
　　处理含糊的短语
　　由于所有的最终结果都有相同的优先级，所以解析器不能确定如何解析类似如下的内容：
　　
　　清单 3. 尝试解析一个含糊的短语
　　
　　$ echo -n "alex bruce alice benny carl" | ./abc.py
　　
　　AB 在前然后是单词？单词在前然后是 ABC？对于那个问题来说，它是全部都是单词吗（包括五个单词结果），它是不是应该引发一个 dparser.SyntaxError？我最后会得到一个“Bus error” 或停止了的任务，而不是一个解析。在先前的例子中，含糊的短语碰巧被解析出来的原因在于每个结果的急切性（eagerness）；一旦找到一个 ABC，则先导和结尾单词就都各就其位。
　　
　　实际上，在先前的语法可以生效的情况下，要确切地理解为什么能够生效很令人迷惑 —— 在某种程度上，比理解为什么它有时不能生效更令人迷惑。
　　
　　让我们假定我们希望解析一个短语，并当存在 ABC 结果时找它，即便在从左到右的遍历过程中，有一些其他的结果（也就是 AB）得到了满足。我可以通过提高 ABC 最终结果的优先级来完成：
　　
　　清单 4. abc2.py 中修订的 d_ABC() 结果函数
　　
　　def d_ABC(t):
　　　　'ABC : AB "c[a-z]*" $term 1'
　　　　return 'ABC'
　　
　　如果没有指定优先级，则结果的优先级是 0。否则，任何正整数或负整数都可以用来对结果排序。现在我们可以运行：
　　
　　清单 5. 成功地找到后面的 ABC
　　
　　$ echo -n "alex bruce alice benny carl" | ./abc2.py
　　Head: alex bruce
　　ABC: alice benny carl
　　Tail:
　　
　　注意，在解析器寻找末尾的单词之前，会尝试（ABC|AB|A）系列中的全部可选项。所以这样不需要任何优先级规范就可以成功。
　　
　　清单 6. A 与 AB 之间不存在含糊短语问题
　　
　　$ echo -n "alex alice benny" | ./abc.py　　Head: alex
　　AB: alice benny
　　Tail:
　　
　　在处理含糊短语时 DParser 的行为中，我发现了一些难以解释的异常现象。例如，添加一个绝对不是 A 的末尾单词，解析器可以工作 —— 但 只能 在有调试信息的条件下运行!
　　
　　清单 7. 处理含糊短语时的不稳定行为
　　
　　$ echo -n "alex bruce alice benny carl dave" | ./abc.py
　　[...process freezes...]
　　$ echo -n "alex bruce alice benny carl dave" | ./abc.py --debug
　　[...debugging trace of speculative and final productions...]
　　Head: alex bruce
　　ABC: alice benny carl
　　Tail: dave
　　
　　abc2.py 中的优先级规范会完成任意一种情况下的解析。
　　
　　含糊短语的解析相当难以捉摸，难以确切理解。基本上，结果的生成是按遍历的顺序从左到右执行的，每一个结果都尝试去从左到右获取尽可能多的单词。只有当向前查找过程中发生明显错误时，才会进行回溯。总之，这只是大概。
　　
　　调试简介
　　DParser 可以显示调试信息的选项，这是我所喜欢的它的一个方面。观察这些信息并不是直观地创建正确语法所必需的，但是至少可以通过它洞察当处理特定的短语时解析器所采取的动作。例如：
　　
　　清单 8. 展示对不确定结果的追踪
　　
　　#------- Showing a trace of speculative productions
　　$ echo -n "alex alice benny carl dave" | ./abc2.py --debug
　　　　　　　　　 d_words ???:
　　　　　　　　　　　 d_A ???:　　 alex
　　　　　　　　　　d_word ???:　　 alex
　　　　　　　　　 d_words ???:
　　　　　　　　　d_phrase ???:　　 alex
　　　　　　　　　 d_words ???:　　 alex
　　　　　　　　　　　 d_A ???:　　 alice
　　　　　　　　　　d_word ???:　　 alice
　　　　　　　　　 d_words ???:
　　　　　　　　　 d_words ???:　　 alice
　　　　　　　　　d_phrase ???:　　 alex alice
　　　　　　　　　d_phrase ???:　　 alex alice
　　　　　　　　　 d_words ???:　　 alex alice
　　　　　　　　　　d_word ???:　　 benny
　　　　　　　　　　　d_AB ???:　　 alice benny
　　　　　　　　　 d_words ???:　　 benny
　　　　　　　　　 d_words ???:　　 alice benny
　　　　　　　　　 d_words ???:
　　　　　　　　　d_phrase ???:　　 alex alice benny
　　　　　　　　　d_phrase ???:　　 alex alice benny
　　　　　　　　　d_phrase ???:　　 alex alice benny
　　　　　　　　　 d_words ???:　　 alex alice benny
　　　　　　　　　　d_word　　:　　 alex
　　　　　　　　　 d_words　　:　　 alex
　　　　　　　　　　　 d_A　　:　　 alice
　　　　　　　　　　　d_AB　　:　　 alice benny
　　　　　　　　　　 d_ABC ???:　　 alice benny carl
　　　　　　　　　 d_words ???:
　　　　　　　　　d_phrase ???:　　 alex alice benny carl
　　　　　　　　　　 d_ABC　　:　　 alice benny carl
　　　　　　　　　　d_word ???:　　 dave
　　　　　　　　　 d_words ???:　　 dave
　　　　　　　　　d_phrase ???:　　 alex alice benny carl dave
　　　　　　　　　　d_word　　:　　 dave
　　　　　　　　　 d_words　　:　　 dave
　　　　　　　　　d_phrase　　:　　 alex alice benny carl dave
　　Head: alex
　　ABC: alice benny carl
　　Tail: dave
　　
　　后面跟有问号的结果是推测性的尝试；那些后面其实没有最终的结果。与此相关， DParser 让您有能力当结果成为推测的或者是最终解析时采取不同的动作。默认情况下，函数体中的动作只作用于最终解析。不过，您可以向结果指定两个额外参数中的一个来处理推测性解析。（还有很多本文中没有讨论的选项参数。）
　　
　　清单 9. 推测性解析过程中的动作
　　
　　def d_prod1(t, spec_only):
　　　　'prod1 : this that+ other?'
　　　　print "Speculative parse of prod1"
　　def d_prod2(t, spec):
　　　　'prod2: spam* eggs toast'
　　　　if spec:
　　　　　　print "Speculative parse of prod2"
　　　　else:
　　　　　　print "Final parse of prod2"
　　
　　当然，通过指定 dparser.Parser.parse() 的 print_debug_info 参数，我的推测性解析所显示的所有信息也都显示出来（以稍微不同的格式）。不过您也可以决定采取其他动作 —— 比如触发外部事件。
　　
　　深入探讨优先级
　　我承认，前面 ABC 结果所使用的指定优先级有些不太正统。但是假如是简单含糊短语，则微调结束优先级是一个非常好的工具。让我来给出另一个关于简单含糊短语的语法：
　　
　　清单 10. 逐项的二义性语法，ibm.py
　　
　　def d_phrase(t, s):
　　　　'phrase : word ( vowel | caps | threeletter ) word'
　　　　print "Head:", '.join(s[0])
　　　　print t[1][0]+":", '.join(s[1])
　　　　print "Tail:", '.join(s[2])
　　def d_word(t): 'word : "[A-Za-z]+" '
　　def d_vowel(t):
　　　　'vowel : "[AEIOUaeiou][A-Za-z]*"'
　　　　return 'VOWEL'
　　def d_caps(t):
　　　　'caps : "[A-Z]+"'
　　　　return 'CAPS'
　　def d_threeletter(t):
　　　　'threeletter : "[A-Za-z][A-Za-z][A-Za-z]"'
　　　　return '3LETT'
　　#-- Parse STDIN
　　from dparser import Parser
　　from sys import stdin
　　Parser().parse(stdin.read())
　　
　　vowel、caps 和 threeletter 的结果不需要是确切的；它们全部都可以获取彼此有重叠的单词集合。例如：
　　
　　清单 11. 当 DParser 得体地检测到含糊短语
　　
　　$ echo -n "Read IBM developerWorks" | ./ibm.py
　　Traceback (most recent call last): [...]
　　dparser.AmbiguityException:　[...]
　　
　　当然，您可能幸运地使用了特定的短语：
　　
　　清单 12. 幸运地避免了含糊短语的解析
　　
　　$ echo -n "Read GNOSIS website" | ./ibm.py
　　Head: Read
　　CAPS: GNOSIS
　　Tail: website
　　
　　不要满足于祈祷好运，让我们来显式地指定结果之间的优先级：
　　
　　清单 13. 判定含糊的条件，ibm2.py
　　
　　def d_vowel(t):
　　　　'vowel : "[AEIOUaeiou][A-Za-z]*" $term 3'
　　　　return 'VOWEL'
　　def d_caps(t):
　　　　'caps : "[A-Z]+" $term 2'
　　　　return 'CAPS'
　　def d_threeletter(t):
　　　　'threeletter : "[A-Za-z][A-Za-z][A-Za-z]" $term 1'
　　　　return '3LETT'
　　
　　现在，每一个短语都将以特定的顺序识别出中间单词的类型（当然只是可能的那些）：
　　
　　清单 14. 无歧义的解析结果
　　
　　$ echo -n "Read IBM developerWorks" | ./ibm2.py
　　Head: Read
　　VOWEL: IBM
　　Tail: developerWorks
　　$ echo -n "Read XYZ journal" | ./ibm2.py
　　Head: Read
　　CAPS: XYZ
　　Tail: journal
　　
　　做出决定
　　尽管得到了一些读者的建议，我还是不太看重 DParser。它有很多可以作用于结果的强大的开关和选项，我还没有讨论到 —— 比如指定关联性。大体上，DParser 语言非常健壮，我非常怀疑用于 Python 的 DParser 是否会比纯粹的 Python 解析器运行速度快得非常多。
　　
　　无论如何，我仍然不能对函数文档字符串风格的解析器具有太多热情。显然，关于这一点，很多优秀的 Python 程序员不会赞同我。此外我还发现一些解析结果有些令人不解：为什么调试模式下可以成功，而标准模式下却不能成功？含糊问题确切是什么时候发生的？使用任何解析工具开发语法都会有类似的意外，但是我发现 DParser 不知何故尤其出乎意料；例如 SimpleParse，就不会让我那么感到惊讶。可能，如果我了解了底层算法的更多复杂细节，它将会更具意义；不过，就我相对浅薄的学识而言，我可能与 95% 以上的读者差不多。有人比我更加熟悉解析；但是实际上大部分程序员懂得更少。

原文转自：http://www.ltesting.net