2.7　令牌解析

下面介紹將字符串從左至右解析為令牌流。

文本字符串示例如下：

---

text_v = 'foo = 23 + 42 * 10'

---

令牌化字符串不僅需要匹配模式，還得指定模式的類型。如將字符串轉換為序列對，示例如下：

---

token_list = [('NAME', 'foo'), ('EQ','='), ('NUM', '23'), ('PLUS','+'),
              ('NUM', '42'), ('TIMES', '*'), ('NUM', '10')]

---

為了執行上述切分，第一步就是利用命名捕獲組的正則表達式來定義所有可能的令牌，包括空格，代碼（token_parser.py）如下：

---

import re
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)'
NUM = r'(?P<NUM>\d+)'
PLUS = r'(?P<PLUS>\+)'
TIMES = r'(?P<TIMES>\*)'
EQ = r'(?P<EQ>=)'
WS = r'(?P<WS>\s+)'
master_pat = re.compile('|'.join([NAME, NUM, PLUS, TIMES, EQ, WS]))

---

在上面的模式中，?P<TOKENNAME>用于給定一個模式命名，供后面的程序使用。

為了使字符串令牌化，我們使用模式對象中的scanner()方法。該方法會創建一個Scanner對象，在這個對象上不斷地調用match()方法掃描目標文本，相關代碼（token_parser.py）示例如下：

---

scanner = master_pat.scanner('foo = 42')
match_val = scanner.match()
print(match_val)
print(match_val.lastgroup, match_val.group())

match_val = scanner.match()
print(match_val)
print(match_val.lastgroup, match_val.group())

match_val = scanner.match()
print(match_val)
print(match_val.lastgroup, match_val.group())

match_val = scanner.match()
print(match_val)
print(match_val.lastgroup, match_val.group())

match_val = scanner.match()
print(match_val)
print(match_val.lastgroup, match_val.group())

match_val = scanner.match()
print(match_val)

---

執行py文件，輸出結果如下：

---

<re.Match object; span=(0, 3), match='foo'>
NAME foo
<re.Match object; span=(3, 4), match=' '>
WS  
<re.Match object; span=(4, 5), match='='>
EQ =
<re.Match object; span=(5, 6), match=' '>
WS  
<re.Match object; span=(6, 8), match='42'>
NUM 42
None

---

實際使用這種技術的時候，我們可以很容易地將上述代碼打包到一個生成器中，相關代碼（token_parser.py）示例如下：

---

from collections import namedtuple
def generate_tokens(pat, text):
    Token = namedtuple('Token', ['type', 'value'])
    pat_scanner = pat.scanner(text)
    for m in iter(pat_scanner.match, None):
        yield Token(m.lastgroup, m.group())

for tok in generate_tokens(master_pat, 'foo = 42'):
    print(tok)

---

執行py文件，輸出結果如下：

---

Token(type='NAME', value='foo')
Token(type='WS', value=' ')
Token(type='EQ', value='=')
Token(type='WS', value=' ')
Token(type='NUM', value='42')

---

如果想過濾令牌流，可以定義更多的生成器函數或者使用一個生成器表達式，以下示例展示了過濾所有的空白令牌：

---

token_list = (tok for tok in generate_tokens(master_pat, text_v) if tok.type != 'WS')
for tok in token_list:
    print(tok)

---

通常來講，令牌化是很多高級文本解析與處理的第一步。

對于上述掃描方法，我們需要記住一點：必須確認使用正則表達式指定所有輸入中可能出現的文本序列。如果有任何不可匹配的文本出現，掃描會直接停止。這也是上面示例中必須指定空白字符令牌的原因。

令牌的順序對解析結果也是有影響的。re模塊會按照指定好的順序去做匹配。如果一個模式恰好是另一個更長模式的子字符串，那么需要確定長模式寫在前面，示例如下：

---

LT = r'(?P<LT><)'
LE = r'(?P<LE><=)'
EQ = r'(?P<EQ>=)'

master_pat = re.compile('|'.join([LE, LT, EQ]))
master_pat = re.compile('|'.join([LT, LE, EQ]))

---

上述示例中，第二個模式是錯的，它會將文本<=匹配為令牌LT緊跟著EQ，而不是單獨的令牌LE，這并不是我們想要的結果。

最后，需要留意子字符串形式的模式，示例如下：

---

PRINT = r'(?P<PRINT>print)'
NAME = r'(?P<NAME>[a-zA-Z_][a-zA-Z_0-9]*)'

master_pat = re.compile('|'.join([PRINT, NAME]))

for tok in generate_tokens(master_pat, 'printer'):
    print(tok)

---