Pygment lexer multiple tokens

Pygment lexer multiple tokens

本文关键字：tokens multiple lexer Pygment      更新时间：2023-10-16

我正在使用Pygments的词法分析器，一个Python插件。我想获取C++代码的令牌，特别是当声明新变量时，例如

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

这里 a，b，c 应该被赋予类型"声明的变量"，它不同于

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

这里 a，b，c 应该简单地给出类型"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令牌的能力(请参阅Pygments文档)我想按照以下行编写一个正则表达式

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

("？："只是告诉侏儒，这个分组不应该在by组中使用。

但是，它不是匹配行中任意数量的声明，而是只返回行中最后一个声明的标记(在本例中为"c=4"部分)。如何让它返回行中所有声明的令牌？

你需要的是一个有状态的词法分析器。您的正则表达式不会的原因 工作是因为小组不是连续的。

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

在这里，您希望字符 0..2 为类型、3..3 空格、4..7 名称、等于 数字和逗号，然后再次名称，等于，数字和逗号。那不 好。

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

下面是一个使用 CFamilyLexer 并添加三个新词法分析器的解决方案 国家。因此，当它在function中看到这样的线条时 州：

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

首先，它消耗：

int

它与我添加的新规则匹配，因此进入vardecl状态：

m

哦，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。

*

只是一个操作员。

a

哦，变量的名称！但现在我们处于varvalue状态，所以它不是变量声明，只是一个常规变量引用。

+ b

一个运算符和另一个变量引用。

,

变量的值m完全声明。返回到vardecl状态。

x =

新的变量声明。

/* comments ; everywhere */

另一个状态被推送到堆栈上。在评论令牌中，这将 否则具有重要意义，例如忽略;。

a * a

x变量的值。

;

返回到function状态。特殊变量声明规则 都完成了。

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())
相关文章：