doc.perl6.org(http://doc.perl6.org/language/grammars)
Grammars – 一组具名 regexes 组成正式的 grammar
Grammars 是一个很强大的工具用于析构文本并通常返回数据结构。
例如, Perl 6 是使用 Perl 6 风格 grammar 解析并执行的。
对普通 Perl 6 使用者更实用的一个例子是 JSON::Tiny模块, 它能反序列化任何合法的 JSON 文件, 而反序列代码只有不到 100 行, 还能扩展。
Grammars 允许你把 regexes 组织到一块儿, 就像类(class) 中组织方法那样。
具名正则 (Named Regexes)
grammars 的主要组成部分是 regexes。 而 Perl 6 的 regexes语法不在该文档的讨论范围, 具名正则(named regexes) 有它自己的特殊语法, 这跟子例程(subroutine) 的定义很像:
my regex number { \d+ [ \. \d+ ]? } # 普通 regex 中空格被忽略, [] 是非捕获组
上面的代码使用 my
关键字指定了本地作用域的 regex, 因为具名正则(named regexes) 通常用在 grammars 里面。
正则有名字了就方便我们在任何地方重用那个正则了:
say "32.51" ~~ &number;
say "15 + 4.5" ~~ / \s* '+' \s* /
&number # my regex number { \d+ [ \. \d+ ]? }
为什么用 &number
, 对比具名子例程你就知道了:
> sub number { say "i am a subroutine" } # 具名子例程
> &number # sub number () { #`(Sub|140651249646256) ... }
&number
就是直接引用了具名的 regex 或 子例程。而在/ /
或 grammars 里面, 引用一个具名正则的语法也很特殊, 就是给名字包裹上 < >
。<>
就像引号那样, 当用它引起某个具名正则后, 引用这个 “ 就会把该具名正则插入(带入)到整个正则之中, 就像字符串插值那样:
use v6;
# 具名正则的声明
my regex number { \d+ [ \. \d+]? }
my token ident { \w+ }
my rule alpha { <[A..Za..z]> }
# 1.0 通过 & 来引用
say so "12.34" ~~ &number; # true
# 2.0 在正则构造 // 里使用
say so "12.88 + 0.12" ~~ / \s* '+' \s* /; # true
# say so "12.88 + 0.12" ~~ / \s* '+' \s* /;
# wrong, method 'number' not found for invocant of class 'Cursor'
# 3.0 在 grammar 里面使用
grammar EquationParse {
# 这里也不能给 number 起别名, 除非 number 是在 grammar 内部声明的
token TOP { \s* '+' \s* \s* '=' \s* }
}
# 等式解析
my $expr = EquationParse.parse("12.88 + 0.12 = 13.00");
say $expr;
声明具名正则不是只有一个 regex
声明符, 实际上 , regex 声明符用的最少, 大多数时候, 都是使用 token
或 rule
声明符。token 和 rule 这两个都是 ratcheing
(棘轮)的, 这意味着如果匹配失败, 那么匹配引擎就不会回并尝试匹配了。这通常会是你想要的, 但不适用于所有情况:
棘轮用于单向驱动, 防止逆转。
my regex works-but-slow { .+ q } # 可能会回溯
my token fails-but-fast { .+ q } # 不回溯
my $s = 'Tokens and rules won\'t backtrack, which makes them fail quicker!';
say so $s ~~ &works-but-slow; # True
say so $s ~~ &fails-but-fast; # False, .+ 得到了整个字符串但不回溯
token
和 rule
的唯一区别就是 rule
声明符会让正则中的 :sigspace
修饰符起效:
my token non-space-y { 'once' 'upon' 'a' 'time' }
my rule space-y { 'once' 'upon' 'a' 'time' }
say 'onceuponatime' ~~ &non-space-y;
say 'once upon a time' ~~ &space-y;
创建 Grammar
当使用 grammar 关键字而非 class 关键字声明来声明一个类时, 会自动得到以 Grammar 的父类。Grammars 应该只用于解析文本; 如果你想提取复杂的数据, 推荐 action object和 grammar 一块使用。
Protoregexes
如果你有很多备选分支(alternations), 那么生成可读性好的代码或子类化(subclass)你的 grammar 可能会变得很困难。在下面的 Actions
类中, TOP
方法中的三元操作符不是很完美并且当我们添加更多的运算符时它会变得更糟糕:
grammar Calculator {
token TOP { [ <add> | <sub> ] }
rule add { <num> '+' <num> }
rule sub { <num> '-' <num> }
token num { \d+ }
}
class Calculations {
method TOP ($/) { make $<add> ?? $<add>.made !! $<sub>.made; }
method add ($/) { make [+] $<num>; }
method sub ($/) { make [-] $<num>; }
}
say Calculator.parse('2 + 3', actions => Calculations).made;
# OUTPUT:
# 5
为了让世界变得更加美好, 我们可以在 tokens 身上使用看起来像 :sym<...>
那样的副词来使用正则表达式原型(protoregexes):
grammar Calculator {
token TOP { <calc-op> }
proto rule calc-op {*}
rule calc-op:sym<add> { <num> '+' <num> }
rule calc-op:sym<sub> { <num> '-' <num> }
token num { \d+ }
}
class Calculations {
method TOP ($/) { make $<calc-op>.made; }
method calc-op:sym<add> ($/) { make [+] $<num>; }
method calc-op:sym<sub> ($/) { make [-] $<num>; }
}
say Calculator.parse('2 + 3', actions => Calculations).made;
# OUTPUT:
# 5
在这个 grammar 中, 备选分支(alternation)已经被 <calc-op>
替换掉了, 它实质上是我们将要创建的一组值的名字。我们通过使用 proto rule calc-op
定义了一个 rule 原型类型(prototype) 来达成。我们之前的每一个备选分支已经被新的 rule calc-op
替换掉了并且备选分支的名字被附加上了 :sym<>
副词。
在 actions 类中, 我们现在摆脱了三目操作符, 仅仅只在 $<calc-op>
匹配对象上接收 .made
值。并且单独备选分支的 actions 现在和 grammar 遵守相同的命名模式: method calc-op:sym<add>
和 method calc-op:sym<sub>
。
当你子类化(subclass)那个 grammar 和 actions 类的时候才能看到这个方法的真正魅力。假设我们想为 calculator 增加一个乘法功能:
grammar BetterCalculator is Calculator {
rule calc-op:sym<mult> { <num> '*' <num> }
}
class BetterCalculations is Calculations {
method calc-op:sym<mult> ($/) { make [*] $<num> }
}
say BetterCalculator.parse('2 * 3', actions => BetterCalculations).made;
# OUTPUT:
# 6
所有我们需要添加的就是为 calc-op
组添加额外的 rule 和 action, 感谢正则表达式原型(protoregexes), 所有的东西都能正常工作。
特殊的 Tokens
TOP
grammar Foo {
token TOP { \d+ }
}
The TOP token is the default first token attempted to match when parsing with a grammar—the root of the tree. Note that if you’re parsing with .parse method, token TOP is automatically anchored to the start and end of the string (see also: .subparse).
TOP
token 是默认的第一个尝试去匹配的 token , 当解析一个 grammar 的时候 – 那颗树的根。注意如果你正使用 .parse
方法进行解析, 那么 token TOP 被自动地锚定到字符串的开头和结尾(再看看 .subparse
)。
使用 rule TOP
或 regex TOP
也是可以接受的。
在 .parse
、.subparse
或 .parsefile
Grammar 方法中使用 :rule
命名参数可以选择一个不同的 token 来进行首次匹配。
ws
当使用 rule
而非 token
时, 原子(atom)后面的任何空白(whitespace)被转换为一个对 ws
的非捕获调用。即:
rule entry { <key> ’=’ <value> }
等价于:
token entry { <key> <.ws> ’=’ <.ws> <value> <.ws> } # . = non-capturing
默认的 ws
匹配”空白”(whitespace), 例如空格序列(不管什么类型)、换行符、unspaces、或 heredocs。
提供你自己的 ws
token 是极好的:
grammar Foo {
rule TOP { \d \d }
}.parse: "4 \n\n 5"; # Succeeds
grammar Bar {
rule TOP { \d \d }
token ws { \h* }
}.parse: "4 \n\n 5"; # Fails
上面的例子中, 在 Bar Gramamr 中重写了自己的 ws
, 只匹配水平空白符, 所以 \n\n
匹配失败。
总是成功断言
<?>
is the always succeed assertion(总是匹配成功). 当它用作 grammar 中的 token 时, 它可以被用于触发一个 Action 类方法。在下面的 grammar 中, 我们查找阿拉伯数字并且使用 always succeed assertion
定义一个 succ token。
在 action 类中, 我们使用对 succ 方法的调用来设置(在这个例子中, 我们在 @!numbers 中准备了一个新元素)。在 digit
方法中, 我们把阿拉伯数字转换为梵文数字并且把它添加到 @!numbers 数组的最后一个元素中。多亏了 succ
, 最后一个元素总是当前正被解析的 digit
数字的数。
grammar Digifier {
rule TOP {
[ <.succ> <digit>+ ]+
}
token succ { <?> }
token digit { <[0..9]> }
}
class Devanagari {
has @!numbers;
method digit ($/) { @!numbers[*-1] ~= $/.ord.&[+](2358).chr }
method succ ($) { @!numbers.push: '' }
method TOP ($/) { make @!numbers[^(*-1)] }
}
say Digifier.parse('255 435 777', actions => Devanagari.new).made;
# OUTPUT:
# (२५५ ४३५ ७७७)
Grammar 中的方法
在 grammar 中使用 method
代替 rule
或 token
也是可以的, 只要它们返回一个 Cursor 类型:
grammar DigitMatcher {
method TOP (:$full-unicode) {
$full-unicode ?? self.num-full !! self.num-basic;
}
token num-full { \d+ }
token num-basic { <[0..9]>+ }
}
上面的 grammar 会根据 parse 方法提供的参数尝试不同的匹配:
say +DigitMatcher.subparse: '12७१७९०९', args => \(:full-unicode);
# OUTPUT:
# 12717909
say +DigitMatcher.subparse: '12७१७९०९', args => \(:!full-unicode);
# OUTPUT:
# 12
Action Object
一个成功的 grammar 匹配会给你一棵匹配对象(Match objects)的解析树, 匹配树(match tree)到达的越深, 则 grammar 中的分支越多, 那么在匹配树中航行以获取你真正感兴趣的东西就变的越来越困难。
为了避免你在匹配树(match tree)中迷失, 你可以提供一个 action object。grammar 中每次解析成功一个具名规则(named rule)之后, 它就会尝试调用一个和该 grammar rule 同名的方法, 并传递给这个方法一个Match
对象作为位置参数。如果不存在这样的同名方法, 就跳过。
这儿有一个例子来说明 grammar 和 action:
use v6;
grammar TestGrammar {
token TOP { ^ \d+ $ }
}
class TestActions {
method TOP($/) {
$/.make(2 + $/); # 等价于 $/.make: 2 + $/
}
}
my $actions = TestActions.new; # 创建 Action 实例
my $match = TestGrammar.parse('40', :$actions);
say $match; # 「40」
say $match.made; # 42
TestActions
的一个实例变量作为具名参数 actions
被传递给 parse
调用, 然后当 token TOP
匹配成功之后, 就会自动调用方法 TOP
, 并传递匹配对象(match object) 作为方法的参数。
为了让参数是匹配对象更清楚, 上面的例子使用 $/
作为 action 方法的参数名, 尽管那仅仅是一个方便的约定, 跟内在无关。 $match
也可以。(尽管使用 $/
可以提供把 $
作为$/
的缩写的优势。)
下面是一个更有说服力的例子:
use v6;
grammar KeyValuePairs {
token TOP {
[ \n+]*
}
token ws { \h* } # 重写了关于"空白"的定义
rule pair {
'='
}
token identifier {
\w+
}
}
class KeyValuePairsActions {
method identifier($/) { $/.make: ~$/ }
method pair ($/) { $/.make: $.made => $.made }
method TOP ($/) { $/.make: $».made }
}
my $res = KeyValuePairs.parse(q:to/EOI/, :actions(KeyValuePairsActions)).made;
second=b
hits=42
perl=6
EOI
for @$res -> $p {
say "Key: $p.key()\tValue: $p.value()";
}
这会输出:
Key: second Value: b
Key: hits Value: 42
Key: perl Value: 6
pair
这个 rule, 解析一对由等号分割的 pair, 并且给 identifier
这个 token 各自起了别名。对应的 action 方法构建了一个 Pair
对象, 并使用子匹配对象(sub match objects)的 .made
属性。这也暴露了一个事实: submatches 的 action 方法在那些调用正则/外部正则之前就被调用。所以 action 方法是按后续调用的。
名为 TOP
的 action 方法仅仅把由 pair
这个 rule 的多重匹配组成的所有对象收集到一块, 然后以一个列表的方式返回。
注意 KeyValuePairsActions
是作为一个类型对象(type object)传递给方法 parse
的, 这是因为 action 方法中没有一个使用属性(属性只能通过实例来访问)。
其它情况下, action 方法可能会在属性中保存状态。 那么这当然需要你传递一个实例给 parse
方法。
注意, token ws
有点特殊: 当 :sigspace
开启的时候(就是我们使用 rule
的时候), 我们覆写的 ws
会替换某些空白序列。这就是为什么 rule pair
中等号两边的空格解析没有问题并且闭合 }
之前的空白不会狼吞虎咽地吃下换行符, 因为换行符在 TOP
token 已经占位置了, 并且 token 不会回溯。
# ws 的内置定义
/ <.ws> / # match "whitespace":
# \s+ if it's between two \w characters,
# \s* otherwise
> my token ws { \h* } # 重写 ws 这个内置的 token
> say so "\n" ~~ &ws # True
所以 <.ws>
内置的定义是:如果空白在两个 \w
单词字符之间, 则意思为 \s+
, 否则为 \s*
。 我们可以重写 ws
关于空白的定义, 重新定义我们需要的空白。比如把 ws
定义为 { \h* }
就是所有水平空白符, 甚至可以将ws
定义为非空白字符。例如: token ws { 'x' }