パターン再帰
再帰パターンを使用すると、再帰下降マッチングの形式が得られます。
これはさまざまな問題に問題ありませんが、実際に再帰下降構文解析を実行する場合は、キャプチャグループをあちこちに挿入する必要があり、この方法で完全な解析構造を復元するのは厄介です。Perl用のDamianConwayのRegexp :: Grammarsモジュールは、単純なパターンを同等のパターンに変換し、名前付きのキャプチャをすべて自動的に再帰的なデータ構造に変換して、解析された構造をはるかに簡単に取得できるようにします。この投稿の最後に、これら2つのアプローチを比較するサンプルがあります。
再帰の制限
問題は、再帰的パターンがどのような種類の文法に一致できるかということでした。まあ、彼らは確かに再帰下降型マッチャーです。頭に浮かぶ唯一のことは、再帰パターンは左再帰を処理できないということです。これにより、適用できる文法の種類に制約が課せられます。場合によっては、左再帰を排除するためにプロダクションを並べ替えることができます。
ところで、PCREとPerlは、再帰の表現方法が少し異なります。pcrepatternのマンページの「再帰パターン」と「Perlとの再帰の違い」のセクションを参照してください。例:Perl^(.|(.)(?1)\2)$
は、^((.)(?1)\2|.)$
代わりにPCREが必要とする場所を処理できます。
再帰デモ
再帰的パターンの必要性は驚くほど頻繁に発生します。よく見られる例の1つは、バランスの取れた括弧、引用符、さらにはHTML / XMLタグなど、ネストできるものと一致させる必要がある場合です。バランスの取れた親の試合は次のとおりです。
\((?:[^()]*+|(?0))*\)
コンパクトな性質のため、読むのが難しいと思います。これは/x
、空白を重要でなくなるモードで簡単に修正できます。
\( (?: [^()] *+ | (?0) )* \)
繰り返しになりますが、再帰に親を使用しているため、より明確な例は、ネストされた一重引用符に一致することです。
‘ (?: [^‘’] *+ | (?0) )* ’
一致させたいと思うかもしれない別の再帰的に定義されたものは回文です。この単純なパターンはPerlで機能します。
^((.)(?1)\2|.?)$
これは、次のようなものを使用してほとんどのシステムでテストできます。
$ perl -nle 'print if /^((.)(?1)\2|.?)$/i' /usr/share/dict/words
PCREの再帰の実装には、より複雑なものが必要であることに注意してください
^(?:((.)(?1)\2|)|((.)(?3)\4|.))
これは、PCRE再帰の動作に制限があるためです。
適切な構文解析
私には、上記の例では、主におもちゃの試合、すべてではないですそれは本当に、面白いです。面白くなるのは、解析しようとしている実際の文法があるときです。たとえば、RFC5322はメールアドレスをかなり複雑に定義しています。これに一致する「文法」パターンは次のとおりです。
$rfc5322 = qr{
(?(DEFINE)
(?<address> (?&mailbox) | (?&group))
(?<mailbox> (?&name_addr) | (?&addr_spec))
(?<name_addr> (?&display_name)? (?&angle_addr))
(?<angle_addr> (?&CFWS)? < (?&addr_spec) > (?&CFWS)?)
(?<group> (?&display_name) : (?:(?&mailbox_list) | (?&CFWS))? ; (?&CFWS)?)
(?<display_name> (?&phrase))
(?<mailbox_list> (?&mailbox) (?: , (?&mailbox))*)
(?<addr_spec> (?&local_part) \@ (?&domain))
(?<local_part> (?&dot_atom) | (?"ed_string))
(?<domain> (?&dot_atom) | (?&domain_literal))
(?<domain_literal> (?&CFWS)? \[ (?: (?&FWS)? (?&dcontent))* (?&FWS)?
\] (?&CFWS)?)
(?<dcontent> (?&dtext) | (?"ed_pair))
(?<dtext> (?&NO_WS_CTL) | [\x21-\x5a\x5e-\x7e])
(?<atext> (?&ALPHA) | (?&DIGIT) | [!#\$%&'*+-/=?^_`{|}~])
(?<atom> (?&CFWS)? (?&atext)+ (?&CFWS)?)
(?<dot_atom> (?&CFWS)? (?&dot_atom_text) (?&CFWS)?)
(?<dot_atom_text> (?&atext)+ (?: \. (?&atext)+)*)
(?<text> [\x01-\x09\x0b\x0c\x0e-\x7f])
(?<quoted_pair> \\ (?&text))
(?<qtext> (?&NO_WS_CTL) | [\x21\x23-\x5b\x5d-\x7e])
(?<qcontent> (?&qtext) | (?"ed_pair))
(?<quoted_string> (?&CFWS)? (?&DQUOTE) (?:(?&FWS)? (?&qcontent))*
(?&FWS)? (?&DQUOTE) (?&CFWS)?)
(?<word> (?&atom) | (?"ed_string))
(?<phrase> (?&word)+)
(?<FWS> (?: (?&WSP)* (?&CRLF))? (?&WSP)+)
(?<ctext> (?&NO_WS_CTL) | [\x21-\x27\x2a-\x5b\x5d-\x7e])
(?<ccontent> (?&ctext) | (?"ed_pair) | (?&comment))
(?<comment> \( (?: (?&FWS)? (?&ccontent))* (?&FWS)? \) )
(?<CFWS> (?: (?&FWS)? (?&comment))*
(?: (?:(?&FWS)? (?&comment)) | (?&FWS)))
(?<NO_WS_CTL> [\x01-\x08\x0b\x0c\x0e-\x1f\x7f])
(?<ALPHA> [A-Za-z])
(?<DIGIT> [0-9])
(?<CRLF> \x0d \x0a)
(?<DQUOTE> ")
(?<WSP> [\x20\x09])
)
(?&address)
}x;
ご覧のとおり、これは非常にBNFに似ています。問題は、それが単なる一致であり、キャプチャではないことです。そして、どのプロダクションがどの部分に一致したかがわからないため、全体をキャプチャーパレンで囲みたくはありません。前述のRegexp :: Grammarsモジュールを使用すると、次のことができます。
use strict;
use warnings;
use 5.010;
use Data::Dumper "Dumper";
my $rfc5322 = do {
use Regexp::Grammars;
qr{
# Keep the big stick handy, just in case...
# <debug:on>
# Match this...
<address>
# As defined by these...
<token: address> <mailbox> | <group>
<token: mailbox> <name_addr> | <addr_spec>
<token: name_addr> <display_name>? <angle_addr>
<token: angle_addr> <CFWS>? \< <addr_spec> \> <CFWS>?
<token: group> <display_name> : (?:<mailbox_list> | <CFWS>)? ; <CFWS>?
<token: display_name> <phrase>
<token: mailbox_list> <[mailbox]> ** (,)
<token: addr_spec> <local_part> \@ <domain>
<token: local_part> <dot_atom> | <quoted_string>
<token: domain> <dot_atom> | <domain_literal>
<token: domain_literal> <CFWS>? \[ (?: <FWS>? <[dcontent]>)* <FWS>?
<token: dcontent> <dtext> | <quoted_pair>
<token: dtext> <.NO_WS_CTL> | [\x21-\x5a\x5e-\x7e]
<token: atext> <.ALPHA> | <.DIGIT> | [!#\$%&'*+-/=?^_`{|}~]
<token: atom> <.CFWS>? <.atext>+ <.CFWS>?
<token: dot_atom> <.CFWS>? <.dot_atom_text> <.CFWS>?
<token: dot_atom_text> <.atext>+ (?: \. <.atext>+)*
<token: text> [\x01-\x09\x0b\x0c\x0e-\x7f]
<token: quoted_pair> \\ <.text>
<token: qtext> <.NO_WS_CTL> | [\x21\x23-\x5b\x5d-\x7e]
<token: qcontent> <.qtext> | <.quoted_pair>
<token: quoted_string> <.CFWS>? <.DQUOTE> (?:<.FWS>? <.qcontent>)*
<.FWS>? <.DQUOTE> <.CFWS>?
<token: word> <.atom> | <.quoted_string>
<token: phrase> <.word>+
<token: FWS> (?: <.WSP>* <.CRLF>)? <.WSP>+
<token: ctext> <.NO_WS_CTL> | [\x21-\x27\x2a-\x5b\x5d-\x7e]
<token: ccontent> <.ctext> | <.quoted_pair> | <.comment>
<token: comment> \( (?: <.FWS>? <.ccontent>)* <.FWS>? \)
<token: CFWS> (?: <.FWS>? <.comment>)*
(?: (?:<.FWS>? <.comment>) | <.FWS>)
<token: NO_WS_CTL> [\x01-\x08\x0b\x0c\x0e-\x1f\x7f]
<token: ALPHA> [A-Za-z]
<token: DIGIT> [0-9]
<token: CRLF> \x0d \x0a
<token: DQUOTE> "
<token: WSP> [\x20\x09]
}x;
};
while (my $input = <>) {
if ($input =~ $rfc5322) {
say Dumper \%/; # ...the parse tree of any successful match
# appears in this punctuation variable
}
}
ご覧のとおり、パターンで非常にわずかに異なる表記を使用することで、%/
すべてがきちんとラベル付けされた、解析ツリー全体を変数に格納するものが得られます。=~
演算子からわかるように、変換の結果はまだパターンです。それはちょっと魔法です。