Python 来自非终结符的 CTF 语法解析器

Question

在 Python3 中，最常见的解析器生成器（例如 ANTLR 或 Lark）通过从字符串的终结符派生非终结符来定义语法，并构造词法分析器和解析器来评估字符串。

取而代之的是，我正在寻找一个解析器生成器，它可以在 "intermediate input" 上工作，该 "intermediate input" 仅由非终结符和终结符组成，这意味着我会事先进行词法分析和部分解析。

例如，如果输入语法是

S -> AB
A -> a | aA
B -> b | aB

其中大写字母是非终结符，小写字母是终结符，可能的输入可能是 aaaB，然后可以从中构建根为 S 的解析树。

输入实际上不能只是像 aaaB 这样的 ASCII 字符串，因为非终结符必须存储有关它们自己的子树的信息。所以至少那些必须是任意对象，输入更可能是对象列表。

是否有提供此功能的库或包？

Answer 1

注意：这不是背书。 Python 可能有许多其他解析包提供类似的功能。它只是作为实现（假定的）目标的可能机制提出的。

Ply 解析包确实包含词法分析器生成器，但您没有义务使用它；您可以自由使用任何您喜欢的函数来提供词法标记。令牌只是对象类型，其中包含 value 属性。但是，除了要求对象存在之外，Ply 不对 value 对象做任何假设。

引用手册here and also here:

When tokens are returned by lex, they have a value that is stored in the value attribute. Normally, the value is the text that was matched. However, the value can be assigned to any Python object.

…

If you are going to create a hand-written lexer and you plan to use it with yacc.py, it only needs to conform to the following requirements:

它必须提供一个 token() 方法来 return 下一个标记或 None 如果没有更多可用的标记。
token() 方法必须 return 对象 tok 具有 type 和 value 属性。如果使用行号跟踪，则令牌还应定义 lineno 属性。

为了将 非终端 传递给解析器，您需要使它们看起来像终端。最简单的方法是为每个非终端制作一个伪终端，并将伪终端转换为单元生产。例如，假设伪终端的名称以 _ 结尾（这将使它们很容易以编程方式生成，您可以修改规则

B : b | a B

进入

B : b
  | a B
  | B_

如果我们假设您将正确的 AST 值注入到使用 B_ 终端 returned 的令牌对象中，您所需要的只是向语法中添加一个动作函数：

 def p_pseudo_terminals(p):
     '''A : A_
        B : B_
     '''
     p[0] = p[1]

这是一个完整的运行可用示例，使用问题中的语法：

文件:inject.py

from ply import yacc
from collections import namedtuple
Token = namedtuple('Token', ['type', 'value'])
Node = namedtuple('Node', ['type', 'children'])

tokens = ['a', 'b', 'A_', 'B_']
def p_S(p):
    '''S : A B'''
    p[0] = Node('S', [ p[1], p[2] ])

def p_A(p):
    '''A : a'''
    p[0] = Node('A', [ p[1] ])

def p_Al(p):
    '''A : a A'''
    p[0] = Node('A', [ p[1], p[2] ])

def p_B(p):
    '''B : b'''
    p[0] = Node('B', [ p[1] ])

def p_Bl(p):
    '''B : a B'''
    p[0] = Node('B', [ p[1], p[2] ])

def p_pseudo(p):
    '''A : A_
       B : B_
    '''
    p[0] = p[1]

class Lexer(object):
    def __init__(self, iter):
        self.iter = iter.__iter__()

    def token(self):
        try:
            retval = next(self.iter)
            if type(retval) == Token:
                # Input is a token, just pass it through
                return retval
            else:
                # Input is an AST node; fabricate a pseudo-token
                return Token(retval.type + '_', retval)
        except StopIteration:
            return None

parser = yacc.yacc()

和一个示例运行:

$ python3
Python 3.6.9 (default, Nov  7 2019, 10:44:02) 
[GCC 8.3.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> from inject import *
>>> token_stream = [Token('a', 'a')] * 3 + [Node('B', ['a', Node('B', children=['a', Node('B', children=['b'])])])]
>>> lexer = Lexer(token_stream)
>>> print(parser.parse(None, lexer=lexer))
Node(type='S', children=[Node(type='A', children=['a', Node(type='A', children=['a', Node(type='A', children=['a'])])]), Node(type='B', children=['a', Node(type='B', children=['a', Node(type='B', children=['b'])])])])

在真正的语法中，键入所有这些伪标记名称和单元产生式可能会很乏味。您可以利用这样一个事实，即只要在通过调用 yacc.yacc 构建解析器之前它就位，您就可以自己生成文档字符串。您还需要将伪令牌名称添加到令牌名称列表中，以便 Ply 知道 B_ 是一个令牌。

Answer 2

Lark 支持使用 "custom lexer"，您可以使用它来提供您选择的任何终端流。来源不必是字符串。

您可以在此处找到此功能的简单示例：https://github.com/lark-parser/lark/blob/master/examples/custom_lexer.py

Python 来自非终结符的 CTF 语法解析器

Python parser for CTF grammar from nonterminals

python

grammar

parsing

context-free-grammar

文件:inject.py