使用 ANTLR 解析非结构化文本

Question

例如，假设我想用单个标记元素 double star 解析大部分非结构化文本**。这是我的 ANTLR 语法：

text : (plain | tag)+ ;
plain : ~(TAG) ;

tag : TAG tag_inner TAG ;
tag_inner : ~(TAG) ;

TAG : '**' ;
TEXT : ('a'..'z' | ' ' | '.')+ ;

如果我解析的文本在语法上是正确的，那么这个语法就可以正常工作，也就是说，每个开头**都有一个结尾**。如果有奇数个**s，则 ANTLR 会抱怨并出错。

如何解决这个问题，以便 ANTLR 会提前寻找关闭的双星，如果没有人将那颗孤独的双星视为纯文本？我很确定 ANTLR 可以做到这一点，并且句法/语义谓词就是答案，但是在我们花了大量时间阅读文档之后，我仍然无法解决。

Answer 1

当您扩展语法时，这会变得混乱！:)

但是，当然，可以使用谓词。这是一个演示：

TG

grammar T;

options {
  output=AST;
}

tokens {
  ROOT;
  PROPER_TAG;
}

parse
  :  text+ EOF -> ^(ROOT text+)
  ;

text
  :  (tag)=> tag // syntactic predicate here! (the `(...)=>`)
  |  plain
  |  TAG
  ;

plain
  :  ~TAG 
  ;

tag
  :  TAG plain TAG -> ^(PROPER_TAG plain)
  ;

TAG  : '**' ;
TEXT : ('a'..'z' | ' ' | '.')+ ;

主程序

import org.antlr.runtime.*;
import org.antlr.runtime.tree.*;
import org.antlr.stringtemplate.*;

public class Main {
  public static void main(String[] args) throws Exception {
    TLexer lexer = new TLexer(new ANTLRStringStream("this **is** just **a simple** demo **."));
    TParser parser = new TParser(new CommonTokenStream(lexer));
    CommonTree tree = (CommonTree)parser.parse().getTree();
    DOTTreeGenerator gen = new DOTTreeGenerator();
    StringTemplate st = gen.toDOT(tree);
    System.out.println(st);
  }
}

运行演示

java -cp antlr-3.3.jar org.antlr.Tool T.g
javac -cp antlr-3.3.jar *.java
java -cp .:antlr-3.3.jar Main

这将产生一些对应于以下 AST 的DOT 输出：

（使用graphviz-dev.appspot.com创建的图像）