2

我正在使用 Python 插件 Pygments 的词法分析器。我想获取 C++ 代码的令牌，特别是在声明新变量时，例如

int a=3,b=5,c=4;

这里 a,b,c 应该被赋予类型“Declared variables”，它不同于

a=3,b=5,c=4;

这里 a,b,c 应该简单地被赋予类型“变量”，因为它们之前已经声明过。

我想使用词法分析器一次扫描多个标记的能力（请参阅 Pygments 文档）我想编写一个正则表达式

(int)(\s)(?:([a-z]+)(=)([0-9]+)(,))*, bygroups(Type,Space,Name,Equal,Number,Comma)

（“？：”只是告诉 Pygments 这个分组不应该在 bygroups 中使用。）

但是，它不匹配该行中的任意数量的声明，而是只返回该行中最后一个声明的标记（在这种情况下，“c = 4”部分。）我怎样才能让它返回所有声明的标记线？

4

1 回答 1

3

你需要的是一个有状态的词法分析器。您的正则表达式不起作用的原因是这些组不连续。

int a=3,b=5,c=4;

在这里，您希望字符 0..2 为 Type、3..3 Space、4..7 Name、Equal Number 和 Comma，然后是 Name、Equal、Number 和 Comma。那不好。

解决方案是记住何时看到类型声明，进入一个新的词法分析器模式，该模式一直持续到下一个分号。请参阅 pygments 文档中的更改状态。

下面是一个使用 CFamilyLexer 并添加三个新词法分析器状态的解决方案。因此，当它在function 状态下看到这样的行时：

int m = 3 * a + b, x = /* comments ; everywhere */ a * a;

首先它消耗：

int

它匹配我添加的新规则，因此进入vardecl状态：

m

哦，一个变量的名称！由于词法分析器处于vardecl状态，这是一个新定义的变量。将其作为NameDecl令牌发出。然后进入varvalue状态。

3

只是一个数字。

*

只是一个运营商。

a

哦，一个变量的名称！但是现在我们处于varvalue状态所以它不是一个变量声明，只是一个常规的变量引用。

+ b

一个运算符和另一个变量引用。

,

m完全声明的变量值。回到vardecl国家。

x =

新变量声明。

/* comments ; everywhere */

另一个状态被压入堆栈。在注释中，原本有意义的标记会;被忽略。

a * a

变量的值x。

;

返回function状态。特殊变量声明规则完成。

from pygments import highlight
from pygments.formatters import HtmlFormatter, TerminalFormatter
from pygments.formatters.terminal import TERMINAL_COLORS
from pygments.lexer import inherit
from pygments.lexers.compiled import CFamilyLexer
from pygments.token import *

# New token type for variable declarations. Red makes them stand out
# on the console.
NameDecl = Token.NameDecl
STANDARD_TYPES[NameDecl] = 'ndec'
TERMINAL_COLORS[NameDecl] = ('red', 'red')

class CDeclLexer(CFamilyLexer):
    tokens = {
        # Only touch variables declared inside functions.
        'function': [
            # The obvious fault that is hard to get around is that
            # user-defined types won't be cathed by this regexp.
            (r'(?<=\s)(bool|int|long|float|short|double|char|unsigned|signed|void|'
             r'[a-z_][a-z0-9_]*_t)\b',
             Keyword.Type, 'vardecl'),
            inherit
        ],
        'vardecl' : [
            (r'\s+', Text),
            # Comments
            (r'/(\\\n)?[*](.|\n)*?[*](\\\n)?/', Comment.Multiline),
            (r';', Punctuation, '#pop'),
            (r'[~!%^&*+=|?:<>/-]', Operator),
            # After the name of the variable has been tokenized enter
            # a new mode for the value.
            (r'[a-zA-Z_][a-zA-Z0-9_]*', NameDecl, 'varvalue'),
        ],
        'varvalue' : [
            (r'\s+', Text),
            (r',', Punctuation, '#pop'),
            (r';', Punctuation, '#pop:2'),
            # Comments
            (r'/(\\\n)?[*](.|\n)*?[*](\\\n)?/', Comment.Multiline),                
            (r'[~!%^&*+=|?:<>/-\[\]]', Operator),
            (r'\d+[LlUu]*', Number.Integer),            
            # Rules for strings and chars.
            (r'L?"', String, 'string'),
            (r"L?'(\\.|\\[0-7]{1,3}|\\x[a-fA-F0-9]{1,2}|[^\\\'\n])'", String.Char),
            (r'[a-zA-Z_][a-zA-Z0-9_]*', Name),
            # Getting arrays right is tricky.
            (r'{', Punctuation, 'arrvalue'),
        ],
        'arrvalue' : [
            (r'\s+', Text),
            (r'\d+[LlUu]*', Number.Integer),
            (r'}', Punctuation, '#pop'),
            (r'[~!%^&*+=|?:<>/-\[\]]', Operator),
            (r',', Punctuation),
            (r'[a-zA-Z_][a-zA-Z0-9_]*', Name),
            (r'{', Punctuation, '#push'),
        ]
    }

code = '''
#include <stdio.h>

void main(int argc, char *argv[]) 
{
    int vec_a, vec_b;
    int a = 3, /* Mo;yo */ b=5, c=7;
    int m = 3 * a + b, x = /* comments everywhere */ a * a;
    char *myst = "hi;there";
    char semi = ';';
    time_t now = /* Null; */ NULL;
    int arr[10] = {1, 2, 9 / c};
    int foo[][2] = {{1, 2}};

    a = b * 9;
    c = 77;
    d = (int) 99;
}
'''
for formatter in [TerminalFormatter, HtmlFormatter]:
    print highlight(code, CDeclLexer(), formatter())
于 2013-02-03T13:59:55.427 回答