【python】词法语法解析模块ply

官方手册：http://www.dabeaz.com/ply/ply.html

以下例子都来自官方手册：

以四则运算为例： x = 3 + 42 * (s - t)

词法分析：

需要将其分解为:

\'x\',\'=\', \'3\', \'+\', \'42\', \'*\', \'(\', \'s\', \'-\', \'t\', \')\'

并且给每个部分起一个名字，标识这是什么东西。这些标识会用在后面的语法分析中。

(\'ID\',\'x\'), (\'EQUALS\',\'=\'), (\'NUMBER\',\'3\'), 
(\'PLUS\',\'+\'), (\'NUMBER\',\'42), (\'TIMES\',\'*\'),
(\'LPAREN\',\'(\'), (\'ID\',\'s\'), (\'MINUS\',\'-\'),
(\'ID\',\'t\'), (\'RPAREN\',\')\'

例子：

# ------------------------------------------------------------
# calclex.py
#
# tokenizer for a simple expression evaluator for
# numbers and +,-,*,/
# ------------------------------------------------------------
import ply.lex as lex

# List of token names.   This is always required
tokens = (
   \'NUMBER\',
   \'PLUS\',
   \'MINUS\',
   \'TIMES\',
   \'DIVIDE\',
   \'LPAREN\',
   \'RPAREN\',
)

# Regular expression rules for simple tokens
t_PLUS    = r\'\+\'
t_MINUS   = r\'-\'
t_TIMES   = r\'\*\'
t_DIVIDE  = r\'/\'
t_LPAREN  = r\'\(\'
t_RPAREN  = r\'\)\'

# A regular expression rule with some action code
def t_NUMBER(t):
    r\'\d+\'
    t.value = int(t.value)    
    return t

# Define a rule so we can track line numbers
def t_newline(t):
    r\'\n+\'
    t.lexer.lineno += len(t.value)

# A string containing ignored characters (spaces and tabs)
t_ignore  = \' \t\'

# Error handling rule
def t_error(t):
    print("Illegal character \'%s\'" % t.value[0])
    t.lexer.skip(1)

# Build the lexer
lexer = lex.lex()

注意：

里面名字的命名格式是固定的，ID的名称必须叫tokens，每个ID具体的内容必须用t_ID来指定。

单个字符可以直接定义变量，复杂成分要用函数形式表示，并且一定要有一个该成分的正则表达式字符串！

比如上面例子中，t_NUMBER函数中有一个r\'\d+\'，这在一般的python程序中看起来没有意义，但是在ply中则是必须的！它指定了模块如何划分NUMBER。

更多注意事项参考官方手册。

具体使用：

# Test it out
data = \'\'\'
3 + 4 * 10
  + -20 *2
\'\'\'

# Give the lexer some input
lexer.input(data)

# Tokenize
while True:
    tok = lexer.token()
    if not tok: 
        break      # No more input
    print(tok)

结果：

$ python example.py
LexToken(NUMBER,3,2,1)
LexToken(PLUS,\'+\',2,3)
LexToken(NUMBER,4,2,5)
LexToken(TIMES,\'*\',2,7)
LexToken(NUMBER,10,2,10)
LexToken(PLUS,\'+\',3,14)
LexToken(MINUS,\'-\',3,16)
LexToken(NUMBER,20,3,18)
LexToken(TIMES,\'*\',3,20)
LexToken(NUMBER,2,3,21)

语法分析：

一个四则运算的语法结构是下面这个样子：

expression : expression + term
           | expression - term
           | term

term       : term * factor
           | term / factor
           | factor

factor     : NUMBER
           | ( expression )

用ply实现四则运算语法分析：

# Yacc example

import ply.yacc as yacc

# Get the token map from the lexer.  This is required.
from calclex import tokens

def p_expression_plus(p):
    \'expression : expression PLUS term\'
    p[0] = p[1] + p[3]

def p_expression_minus(p):
    \'expression : expression MINUS term\'
    p[0] = p[1] - p[3]

def p_expression_term(p):
    \'expression : term\'
    p[0] = p[1]

def p_term_times(p):
    \'term : term TIMES factor\'
    p[0] = p[1] * p[3]

def p_term_div(p):
    \'term : term DIVIDE factor\'
    p[0] = p[1] / p[3]

def p_term_factor(p):
    \'term : factor\'
    p[0] = p[1]

def p_factor_num(p):
    \'factor : NUMBER\'
    p[0] = p[1]

def p_factor_expr(p):
    \'factor : LPAREN expression RPAREN\'
    p[0] = p[2]

# Error rule for syntax errors
def p_error(p):
    print("Syntax error in input!")

# Build the parser
parser = yacc.yacc()

while True:
   try:
       s = raw_input(\'calc > \')
   except EOFError:
       break
   if not s: continue
   result = parser.parse(s)
   print(result)

与词法分析一样，语法分析的命名方式也是固定的 p_成分名_动作。

函数一开始必须是一个声明字符串，格式是 “成分名：成分名成分名 ...” 其中成分名可以是词法分析中的ID，比如上面的PLUS, NUMBER等等。冒号右边的是这个函数结果的成分名。即，语法分析通过组合各个ID得到结构化的结果。

成分相同的结构可以合并，如同时定义加法和减法

def p_expression(p):
    \'\'\'expression : expression PLUS term
                  | expression MINUS term\'\'\'
    if p[2] == \'+\':
        p[0] = p[1] + p[3]
    elif p[2] == \'-\':
        p[0] = p[1] - p[3]

可以看到字符串的内容有变化，多余一种组合的用 | 换行分隔。注意这个字符串的格式是固定的，不过PLUS和MINUS的顺序没有影响，哪个在上面都可以。

更多细节，参见手册。