让 treesitter 匹配类名

make treesitter match classname

我正在使用 Treesitter to parse Clojure code. Specifically I would like to distinguish between symbols, class names and Java Interop

这是我的语法:

module.exports = grammar({
    name: 'clojure',
    extras: $ => [/[\s,]/],
    rules: {
        program: $ => repeat($._anything),
        _anything: $ => choice($.symbol, $.classname, $.member_access, $.new_class),

        symbol: $ => $._symbol_chars,

        classname: $ => prec.left(3, seq($._symbol_chars, repeat1($._classname_part ))),
        _classname_part: $ => prec.right(3, seq($._dot, $._symbol_chars)),

        member_access: $ => seq($._dot, $._class_chars),
        new_class: $ => prec(2, seq( choice($.symbol, $.classname), $._dot)),

        _dot: $ => /\.{1}/,
        _symbol_chars: $ =>   /[a-zA-Z\*\+\!\-_\?][\w\*\+\!\-\?\':]*/,
        _class_chars: $ => /[a-zA-Z_]\w*/
    }
})

我希望

foo
java.lang.String
.toUpperCase
java.awt.Point.

将被解析为

(program (
    (symbol)
    (classname)
    (member_access)
    (new_class (classname)))

但是 Treesitter 在 Java.lang.String 中一直看到 (new_class (classname)) (classname) 而不是 (classname)。我想我需要某种贪婪的匹配,并且在不同的地方尝试了 prec.right() 但无济于事。我错过了什么?

我是树保姆新手,所以在处理以下内容时请考虑到这一点:)

extras 包含此语法的空格。 IIUC,这意味着如果没有在 seq 周围适当地使用 token,树保姆将尝试解释 seq.[=24= 中的项目之间可能出现空格的情况]

例如,对于:

seq($._dot, $._class_chars)

tree-sitter 将尝试将 $._dot$._class_chars 视为有效,并用空格分隔。但是 IIUC 在 Clojure 中不一定等同于它们没有被空格分隔的情况。

看来 token 不能在任何地方使用,所以仅仅把它放在 seq 的上述各种用途周围可能行不通。我的猜测是,粗略地说,如果 seq 的所有参数都是标记,则 token 可能会在 seq.

周围使用

下面是一个似乎可以处理所提供的 4 个测试用例的示例。尽管解析的内容完全不同,但仍然可以做出适当的区分,AFAICT。

const JAVA_ID = /[a-zA-Z_]\w*/;

module.exports = grammar({

    name: 'clojure',

    extras: $ =>
        [/[\s,]/],

    rules: {
        program: $ =>
            repeat($._anything),

        _anything: $ =>
            choice($.symbol,
                   $.member_access,
                   $.new_class),

        symbol: $ =>
            choice($._symbol_chars,
                   $.scoped_identifier),

        // XXX: approximate, see: https://clojure.org/reader
        _symbol_chars: $ =>
            /[a-zA-Z\*\+\!\-_\?][\w\*\+\!\-\?\':]*/,

        // XXX: except $ can be used too for inner classes?
        scoped_identifier: $ =>
            token(seq(JAVA_ID,
                      repeat(seq('.', JAVA_ID)))),

        // e.g. .toUpperCase
        member_access: $ =>
            token(seq('.',
                      JAVA_ID,
                      repeat(seq('.', JAVA_ID)))),

        // e.g. java.lang.String.
        new_class: $ =>
            token(seq(JAVA_ID,
                      repeat(seq('.', JAVA_ID)),
                      '.')),

    }
});

function sep1 (rule, separator) {
    return seq(rule, repeat(seq(separator, rule)));
}

请注意,tree-sitter-cli 的版本可能很重要——我使用的是 0.16.4。当我尝试你的语法时,我没有得到与你相同的输出。

scoped_identifier 位有点受到 tree-sitter-java 语法中同名内容的启发。)

(附带说明,ATM 似乎在树保姆 github 存储库中提出了有关树保姆的问题。那里有一些问题提到了在其他地方进行讨论的可能性,但我还没有看到任何结果。你可能会在那里得到更好的答案。)