0

我正在尝试使用 pyparsing 解析类似 XML 的文件（没有关联的 DTD）。每个记录看起来的一部分有以下内容：

  • 里面的东西<L>和<L/>标签，
  • <pc>和<pc/>标签内的一件或多件事情，
  • 可选地，在<MW>和<MW/>标签内的东西，
  • 可选地，一个字面量<mul/>，并且可选地一个字面量<mat/>

这些元素的顺序各不相同。

所以我写了以下内容（我是pyparsing的新手；请指出我是否在做一些愚蠢的事情）：

#!/usr/bin/env python

from pyparsing import *

def DumbTagParser(tag):
    tag_close = '</%s>' % tag
    return Group(
             Literal('<') + Literal(tag).setResultsName('tag') + Literal('>')
           + SkipTo(tag_close).setResultsName('contents') 
           + Literal(tag_close)
           ).setResultsName(tag)

record1 = Group(ZeroOrMore(DumbTagParser('pc'))).setResultsName('pcs') &\
          DumbTagParser('L') & \
          Optional(Literal('<mul/>')) & \
          Optional(DumbTagParser('MW')) & \
          Optional(Literal('<mat/>')) 

record2 = Group(ZeroOrMore(DumbTagParser('pc'))).setResultsName('pcs') &\
          Optional(DumbTagParser('MW')) & \
          Optional(Literal('<mul/>')) & \
          DumbTagParser('L') 

def attempt(s):
    print 'Attempting:', s
    match = record1.parseString(s, parseAll = True)
    print 'Match: ', match
    print

attempt('<L>1.1</L>')
attempt('<pc>Page1,1</pc>  <pc>Page1,2</pc> <MW>000001</MW> <L>1.1</L>')
attempt('<mul/><MW>000003</MW><pc>1,1</pc><L>3.1</L>')
attempt('<mul/> <MW>000003</MW> <pc>1,1</pc> <L>3.1</L> ')  # Note end space

解析器record1都record2失败了，但有不同的例外。使用record1，它在最后一个字符串上失败（与倒数第二个字符串仅在空格中不同）：

pyparsing.ParseException:  (at char 47), (line:1, col:48)

并且record2，它在倒数第二个字符串本身上失败：

pyparsing.ParseException: Missing one or more required elements (Group:({"<" "L" ">" SkipTo:("</L>") "</L>"})) (at char 0), (line:1, col:1)

现在奇怪的是，如果我在 的定义中交换第 2 行和第 3 行record2，那么它解析得很好！

record2 = Group(ZeroOrMore(DumbTagParser('pc'))).setResultsName('pcs') &\
          Optional(Literal('<mul/>')) & \
          Optional(DumbTagParser('MW')) & \
          DumbTagParser('L')    # parses my example strings fine

（是的，我意识到它record2不包含任何规则<mat/>。我试图获得一个反映这种对重新排序的敏感性的最小示例。）

我不确定这是否是 pyparsing 或我的代码中的错误，但我真正的问题是我应该如何解析我想要的字符串类型。

4

1 回答 1

1

我不知道你是否还想要一个答案，但这是我的 bash ......

我可以在您的代码中看到以下问题：

  • 您已将 resultsName 多次分配给多个项目，因为最终可能会返回一个 Dict，您必须将“*”添加到每个出现的 resultsName 或从多个元素中删除它。我假设您关注的是内容而不是标签并删除它们的名称。仅供参考，设置 parser.resultsName(name) 的快捷方式是 parser(name)。
  • 将所有内容的结果名称设置为“内容”也是一个坏主意，因为我们会丢失已经可用的信息。而是通过相应的 TAG 命名 CONTENTS。
  • 您还在 0 ZeroOrMore 中使多个项目成为可选，它们已经通过 ZeroOrMore 成为“可选”，因此让我们使用“^”运算符允许它们成为变体，因为没有预定义的序列，即。pc 标签可以在 mul 标签之前，反之亦然。允许任何组合并在我们经过时收集这些似乎是合理的。
  • 由于我们还必须处理给定标签的倍数，我们将“*”附加到 CONTENTS 的 resultsName 中，以便我们可以将结果收集到列表中。

首先我们创建一个函数来创建一组开始和结束标签，你的 DumbTagCreator 现在被称为 tagset ：

from pyparsing import *  

def tagset(str, keywords = False):
 if keywords :
  return [Group(Literal('<') + Keyword(str) + Literal('>')).suppress(), 
          Group(Literal('</') + Keyword(str) + Literal('/>')).suppress()]
 else :
  return [Group(Literal('<') + Literal(str) + Literal('>')).suppress(), 
          Group(Literal('</') + Literal(str) + Literal('>')).suppress()]

接下来，我们创建将解析的解析器<tag\>CONTENT</tag>，其中 CONTENT 是我们感兴趣的内容，以返回一个字典，以便我们拥有{'pc' : CONTENT, 'MW' : CONTENT, ...}：

tagDict = {name : (tagset(name)) for name in ['pc','MW','L','mul','mat']}

parser = None
for name, tags in tagDict.iteritems() : 
 if parser : 
  parser = parser ^ (tags[0] + SkipTo(tags[1])(name) + tags[1])
 else :
  parser = (tags[0] + SkipTo(tags[1])(name) + tags[1])

# If you have added the </mul> tag deliberately...
parser = Optional(Literal('<mul/>')) + ZeroOrMore(parser)

# If you have added the </mul> tag by acccident...
parser = ZeroOrMore(parser)

最后我们测试：

test = ['<L>1.1</L>',
 '<pc>Page1,1</pc>  <pc>Page1,2</pc> <MW>000001</MW> <L>1.1</L>',
 '<mul/><MW>000003</MW><pc>1,1</pc><L>3.1</L>',
 '<mul/> <MW>000003</MW> <pc>1,1</pc> <L>3.1</L> ']  

for item in test :  
 print {key:val.asList() for key,val in parser.parseString(item).asDict().iteritems()}

这应该产生，假设你想要一个列表的字典：

{'L': ['1.1']}
{'pc': ['Page1,1', 'Page1,2'], 'MW': ['000001'], 'L': ['1.1']}
{'pc': ['1,1'], 'MW': ['000003'], 'L': ['3.1']}
{'pc': ['1,1'], 'MW': ['000003'], 'L': ['3.1']}
于 2013-01-04T22:11:18.240 回答