Python 用于捕获定界符内文本的解析器组合器

Question

我正在查看 Python 中的一些解析器组合器库（更准确地说是 Parsy），我目前面临以下问题，通过一个最低限度的工作示例进行了简化下面：

text = '''
AAAAAAAAAA AAAAAAAA AAAAAAAAAAAAAA
BBBBBBB START THE TEXT HERE SHOULD
BE CAPTURED STOP CCCCCCCCCC CCCCCC
'''

start, stop = r"STARTS?", r"STOPS?"
s = section(text, start, stop)

print(s)

应该输出：

 THE TEXT HERE SHOULD 
BE CAPTURED

我正在使用的当前解决方案是做一个正则表达式前瞻，它工作正常，但我最初的问题涉及组合许多这些小的正则表达式，这可能会变得混乱并且其他人以后需要维护。

from typing import Pattern, TypeVar
import re

# A Generic type declaration.
T = TypeVar("T")

def first(text: str, pattern: str, default: T, flags=0) -> T:
    """
    Given a `text`, a regex `pattern` and a `default` value, return the first match
    in `text`. Otherwise return a `default` value if no match is found.
    """
    match = re.findall(pattern, text, flags=flags)
    return match[0] if len(match) > 0 else default

def section(text: str, begin: str, end: str) -> str:
    """
    Given a `text` and two `start` and `stop` regexes, return the captured group
    found in the interval. Otherwise, return an empty string if no match is found.
    """
    return first(text, fr"{begin}([\s\S]*?)(?={end})", default="")

解析器组合器似乎非常适合此类情况，但我无法重现与工作解决方案相同的行为，欢迎提供任何提示：

# A Simpler example with hardcoded stuff
from parsy import regex, seq, string

text = '''
AAAAAAAAAA AAAAAAAA AAAAAAAAAAAAAA
BBBBBBB START THE TEXT HERE SHOULD
BE CAPTURED STOP CCCCCCCCCC CCCCCC
'''

start = regex(r"STARTS?")
middle = regex(r"[\s\S]*").optional()
stop = regex(r"STOPS?")

eol = string("\n")

# Work fine
start.parse("START")
middle.parse("")
stop.parse("STOP")

section = seq(
    start,
    middle,
    stop
)
# Simpler case, breaks
section.parse("START AAA STOP")

给出：

---------------------------------------------------------------------------
ParseError                                Traceback (most recent call last)
<ipython-input-260-fdec112e1648> in <module>
     24 )
     25 # Simpler case, breaks
---> 26 section.parse("START AAA STOP")

~/.venv/lib/python3.8/site-packages/parsy/__init__.py in parse(self, stream)
     88     def parse(self, stream):
     89         """Parse a string or list of tokens and return the result or raise a ParseError."""
---> 90         (result, _) = (self << eof).parse_partial(stream)
     91         return result
     92 

~/.venv/lib/python3.8/site-packages/parsy/__init__.py in parse_partial(self, stream)
    102             return (result.value, stream[result.index:])
    103         else:
--> 104             raise ParseError(result.expected, stream, result.furthest)
    105 
    106     def bind(self, bind_fn):

ParseError: expected 'STOPS?' at 0:14

Answer 1

您尝试过使用拆分吗？

根据我对你们项目需求的了解。我会这样做：

text = '''
AAAAAAAAAA AAAAAAAA AAAAAAAAAAAAAA
BBBBBBB START THE TEXT HERE SHOULD
BE CAPTURED STOP CCCCCCCCCC CCCCCC
'''
# split text at START and take the second part of the text
# Then split the result by STOP and take the first part of the text
s = text.split('START')[1].split('STOP')[0]
print (s)

Answer 2

问题是 middle 解析器匹配文本直到结束，因此 stop 解析器没有任何内容可以使用：

seq(start, middle).parse("START AAA STOP")

打印

['START', ' AAA STOP']

避免此行为的一种解决方案是对 middle 正则表达式使用先行选项：

middle = regex(r"[\s\S]*(?=STOP)").optional()

这可确保匹配的文本后跟“STOP”字样。

或者，您可以使用 Parsy 中的 should_fail 方法：

middle = (regex(r"STOPS?").should_fail("not STOP") >> any_char).many().concat()

Python 用于捕获定界符内文本的解析器组合器

Python parser combinator for capturing text inside delimiters

python

regex

python-3.x

parsing

parser-combinators