Python 编写的Spark解析器

Spark 是一种用 Python 编写的强大的、通用的解析器／编译器框架。在某些方面，Spark 所提供的比 SimpleParse 或其它 Python 解析器提供的都要多。然而，因为它完全是用 Python 编写的，所以速度也会比较慢。David 在本文中讨论了 Spark 模块，给出了一些代码样本，解释了它的用途，并对其应用领域提供了一些建议。

本文中会介绍一些解析的基本概念，并对 Spark 模块进行了讨论。解析框架是一个内容丰富的主题，它值得我们多花时间去全面了解；这两篇文章为读者和我自己都开了一个好头。

在日常的编程中，我经常需要标识存在于文本文档中的部件和结构，这些文档包括：日志文件、配置文件、定界的数据以及格式更自由的（但还是半结构化的）报表格式。所有这些文档都拥有它们自己的“小语言”，用于规定什么能够出现在文档内。我编写这些非正式解析任务的程序的方法总是有点象大杂烩，其中包括定制状态机、正则表达式以及上下文驱动的字符串测试。这些程序中的模式大概总是这样：“读一些文本，弄清是否可以用它来做些什么，然后可能再多读一些文本，一直尝试下去。”

解析器将文档中部件和结构的描述提炼成简明、清晰和说明性的规则，确定由什么组成文档。大多数正式的解析器都使用扩展巴科斯范式（Extended Backus-Naur Form，EBNF）上的变体来描述它们所描述的语言的“语法”。基本上，EBNF 语法对您可能在文档中找到的部件赋予名称；另外，较大的部件通常由较小的部件组成。小部件在较大的部件中出现的频率和顺序由操作符指定。举例来说，清单 1 是 EBNF 语法 typographify.def，我们在 SimpleParse 那篇文章中见到过这个语法（其它工具运行的方式稍有不同）：

清单 1. typographify.def

para:= (plain / markup)+

plain　 := (word / whitespace / punctuation)+

whitespace　:= [ tr]+

alphanums　 := [a-zA-Z0-9]+

word:= alphanums, (wordpunct, alphanums)*, contraction?

wordpunct　 := [-_]

contraction := "'", ('am'/'clock'/'d'/'ll'/'m'/'re'/'s'/'t'/'ve')

markup　:= emph / strong / module / code / title

emph:= '-', plain, '-'

strong　:= '*', plain, '*'

module　:= '[', plain, ']'

code:= "'", plain, "'"

title　 := '_', plain, '_'

punctuation := (safepunct / mdash)

mdash　 := '--'

safepunct　 := [!@#$%^&()+=|{}:;<>,.?/"]

Spark 简介

Spark 解析器与 EBNF 语法有一些共同之处，但它将解析／处理过程分成了比传统的 EBNF 语法所允许的更小的组件。Spark 的优点在于，它对整个过程中每一步操作的控制都进行了微调，还提供了将定制代码插入到过程中的能力。您如果读过本系列的 SimpleParse 那篇文章，您就会回想起我们的过程是比较粗略的：1）从语法（并从源文件）生成完整的标记列表，2）使用标记列表作为定制编程操作的数据。

Spark 与标准的基于 EBNF 的工具相比缺点在于，它比较冗长，而且缺少直接的出现计量符（即表示存在的“+”，表示可能性的“*”和表示有限制性的“?”）。计量符可以在 Spark 记号赋予器（tokenizer）的正则表达式中使用，并可以用解析表达式语法中的递归来进行模拟。如果 Spark 允许在语法表达式中使用计量，那就更好了。另一个值得一提的缺点是，Spark 的速度与 SimpleParse 使用的基于 C 的底层 mxTextTools 引擎相比逊色很多。

在“Compiling Little Languages in Python”（请参阅参考资料）中，Spark 的创始人 John Aycock 将编译器分成了四个阶段。本文讨论的问题只涉及到前面两个半阶段，这归咎于两方面原因，一是由于文章长度的限制，二是因为我们将只讨论前一篇文章提出的同样的相对来说比较简单的“文本标记”问题。Spark 还可以进一步用作完整周期的代码编译器／解释器，而不是只用于我所描述的“解析并处理”的任务。让我们来看看 Aycock 所说的四个阶段（引用时有所删节）：

扫描，也称词法分析。将输入流分成一列记号。

解析，也称语法分析。确保记号列表在语法上是有效的。

语义分析。遍历抽象语法树（abstract syntax tree，AST）一次或多次，收集信息并检查输入程序 makes sense。

生成代码。再次遍历 AST，这个阶段可能用 C 或汇编直接解释程序或输出代码。

对每个阶段，Spark 都提供了一个或多个抽象类以执行相应步骤，还提供了一个少见的协议，从而特化这些类。Spark 具体类并不象大多数继承模式中的类那样仅仅重新定义或添加特定的方法，而是具有两种特性（一般的模式与各阶段和各种父模式都一样）。首先，具体类所完成的大部分工作都在方法的文档字符串（docstring）中指定。第二个特殊的协议是，描述模式的方法集将被赋予表明其角色的独特名称。父类反过来包含查找实例的功能以进行操作的内省（introspective）方法。我们在参看示例的时侯会更清楚地认识到这一点。

识别文本标记

我已经用几种其它的方法解决了这里的问题。我将一种我称之为“智能 ASCII”的格式用于各种目的。这种格式看起来很象为电子邮件和新闻组通信开发的那些协定。出于各种目的，我将这种格式自动地转换为其它格式，如 HTML、XML 和 LaTeX。我在这里还要再这样做一次。为了让您直观地理解我的意思，我将在本文中使用下面这个简短的样本：

清单 2. 智能 ASCII 样本文本（p.txt）

Text with *bold*, and -itals phrase-, and [module]--this

should be a good 'practice run'.

除了样本文件中的内容，还有另外一点内容是关于格式的，但不是很多（尽管的确有一些细微之处是关于标记与标点如何交互的）。

生成记号

我们的 Spark“智能 ASCII”解析器需要做的第一件事就是将输入文本分成相关的部件。在记号赋予这一层，我们还不想讨论如何构造记号，让它们维持原样就可以了。稍后我们会将记号序列组合成解析树。

上面的 typographify.def 中所示的语法提供了 Spark 词法分析程序／扫描程序的设计指南。请注意，我们只能使用那些在扫描程序阶段为“原语”的名称。也就是说，那些包括其它已命名的模式的（复合）模式在解析阶段必须被延迟。除了这样，我们其实还可以直接复制旧的语法。

清单 3. 删节后的 wordscanner.py Spark 脚本

class WordScanner(GenericScanner):

"Tokenize words, punctuation and markup"

def tokenize(self, input):

self.rv = []

GenericScanner.tokenize(self, input)

return self.rv

def t_whitespace(self, s):

r" [ tr]+ "

self.rv.append(Token('whitespace', ' '))

def t_alphanums(self, s):

r" [a-zA-Z0-9]+ "

print "{word}",

self.rv.append(Token('alphanums', s))

def t_safepunct(self, s): ...

def t_bracket(self, s): ...

def t_asterisk(self, s): ...

def t_underscore(self, s): ...

def t_apostrophe(self, s): ...

def t_dash(self, s): ...

class WordPlusScanner(WordScanner):

"Enhance word/markup tokenization"

def t_contraction(self, s):

r" (?<=[a-zA-Z])'(am|clock|d|ll|m|re|s|t|ve) "

self.rv.append(Token('contraction', s))

def t_mdash(self, s):

r' -- '

self.rv.append(Token('mdash', s))

def t_wordpunct(self, s): ...

这里有一个有趣的地方。WordScanner 本身是一个完美的扫描程序类；但 Spark 扫描程序类本身可以通过继承进一步特化：子正则表达式模式在父正则表达式之前匹配，而如果需要，子方法／正则表达式可以覆盖父方法／正则表达式。所以，WordPlusScanner 将在 WordScanner 之前对特化进行匹配（可能会因此先获取一些字节）。模式文档字符串中允许使用任何正则表达式（举例来说，.t_contraction() 方法包含模式中的一个“向后插入”）。

不幸的是，Python 2.2 在一定程度上破坏了扫描程序继承逻辑。在 Python 2.2 中，不管在继承链中的什么地方定义，所有定义过的模式都按字母顺序（按名称）进行匹配。要修正这个问题，您可以在 Spark 函数 _namelist() 中修改一行代码：

清单 4. 纠正后相应的 spark.py 函数

def _namelist(instance):

namelist, namedict, classlist = [], {}, [instance.__class__]

for c in classlist:

for b in c.__bases__:

classlist.append(b)

# for name in dir(c):　 # dir() behavior changed in 2.2

for name in c.__dict__.keys():　# <-- USE THIS

if not namedict.has_key(name):

namelist.append(name)

namedict[name] = 1

return namelist

我已经向 Spark 创始人 John Aycock 通知了这个问题，今后的版本会修正这个问题。同时，请在您自己的副本中作出修改。

让我们来看看，WordPlusScanner 在应用到上面那个“智能 ASCII”样本中后会发生什么。它创建的列表其实是一个 Token 实例的列表，但它们包含一个 .__repr__ 方法，该方法能让它们很好地显示以下信息：

清单 5. 用 WordPlusScanner 向“智能 ASCII”赋予记号

>>> from wordscanner import WordPlusScanner

>>> tokens = WordPlusScanner().tokenize(open('p.txt').read())

>>> filter(lambda s: s<>'whitespace', tokens)

[Text, with, *, bold, *, ,, and, -, itals, phrase, -, ,, and, [,

module, ], --, this, should, be, a, good, ', practice, run, ', .]

值得注意的是尽管 .t_alphanums() 之类的方法会被 Spark 内省根据其前缀“t_”识别，它们还是正则方法。只要碰到相应的记号，方法内的任何额外代码都将执行。.t_alphanums() 方法包含一个关于此点的很小的示例，其中包含一条 print 语句。

生成抽象语法树

查找记号的确有一点意思，但真正有意思的是如何向记号列表应用语法。解析阶段在记号列表的基础上创建任意的树结构。它只是指定了表达式语法而已。

Spark 有好几种创建 AST 的方法。“手工”的方法是特化 GenericParser 类。在这种情况下，具体子解析器会提供很多方法，方法名的形式为 p_foobar(self, args)。每个这样的方法的文档字符串都包含一个或多个模式到名称的分配。只要语法表达式匹配，每种方法就可以包含任何要执行的代码。

然而，Spark 还提供一种“自动”生成 AST 的方式。这种风格从 GenericASTBuilder 类继承而来。所有语法表达式都在一个最高级的方法中列出，而 .terminal() 和 .nonterminal() 方法可以被特化为在生成期间操作子树（如果需要，也可以执行任何其它操作）。结果还是 AST，但父类会为您执行大部分工作。我的语法类和如下所示的差不多：

清单 6. 删节后的 markupbuilder.py Spark 脚本

class MarkupBuilder(GenericASTBuilder):

"Write out HTML markup based on matched markup"

def p_para(self, args):

'''

para　 ::= plain

para　 ::= markup

para　 ::= para plain

para　 ::= para emph

para　 ::= para strong

para　 ::= para module

para　 ::= para code

para　 ::= para title

plain　::= whitespace

plain　::= alphanums

plain　::= contraction

plain　::= safepunct

plain　::= mdash

plain　::= wordpunct

plain　::= plain plain

emph　 ::= dash plain dash

strong ::= asterisk plain asterisk

module ::= bracket plain bracket

code　 ::= apostrophe plain apostrophe

title　::= underscore plain underscore

'''

def nonterminal(self, type_, args):

#　Flatten AST a bit by not making nodes if only one child.

if len(args)==1:　return args[0]

if type_=='para': return nonterminal(self, type_, args)

if type_=='plain':

args[0].attr = foldtree(args[0])+foldtree(args[1])

args[0].type = type_

return nonterminal(self, type_, args[:1])

phrase_node = AST(type_)

phrase_node.attr = foldtree(args[1])

return phrase_node

我的 .p_para() 在其文档字符串中应该只包含一组语法规则（没有代码）。我决定专门用 .nonterminal() 方法来稍微对 AST 进行平铺。由一系列“plain”子树组成的“plain”节点将子树压缩为一个更长的字符串。同样，标记子树（即“emph”、“strong”、“module”、“code”和“title”）折叠为一个类型正确的单独节点，并包含一个复合字符串。

我们已经提到过，Spark 语法中显然缺少一样东西：没有计量符。通过下面这样的规则，

plain ::= plain plain

我们可以成对地聚集“plain“类型的子树。不过我更倾向于让 Spark 允许使用更类似于 EBNF 风格的语法表达式，如下所示：

plain ::= plain+

然后，我们就可以更简单地创建“plain 尽可能多”的 n-ary 子树了。既然这样，我们的树就更容易启动列，甚至不用在 .nonterminal() 中传送消息。

使用树

Spark 模块提供了几个使用 AST 的类。比起我的目的来说，这些责任比我需要的更大。如果您希望得到它们，GenericASTTraversal 和 GenericASTMatcher 提供了遍历树的方法，使用的继承协议类似于我们为扫描程序和解析器所提供的。

但是只用递归函数来遍历树并不十分困难。我在文章的压缩文件 prettyprint.py（请参阅参考资料）中创建了一些这样的示例。其中的一个是 showtree()。该函数将显示一个带有几个约定的 AST。

每行都显示下降深度

只有子节点（没有内容）的节点开头有破折号

节点类型用双层尖括号括起

让我们来看看上面示例中生成的 AST：

清单 7. 用 WordPlusScanner 向“智能 ASCII”赋予记号

>>> from wordscanner import tokensFromFname

>>> from markupbuilder import treeFromTokens

>>> from prettyprint import showtree

>>> showtree(treeFromTokens(tokensFromFname('p.txt')))

0　<<para>>

1 - <<para>>

2 -- <<para>>

3 --- <<para>>

4 ---- <<para>>

5 ----- <<para>>

6 ------ <<para>>

7 ------- <<para>>

8 -------- <<plain>>

9　 <<plain>>　Text with

8　<<strong>> bold

7 ------- <<plain>>

8　<<plain>> , and

6<<emph>> itals phrase

5 ----- <<plain>>

6<<plain>> , and

4　<<module>> module

3 --- <<plain>>

4　<<plain>> --this should be a good

2<<code>> practice run

1 - <<plain>>

2<<plain>> .

　

理解树结构很直观，但我们真正要寻找的修改过的标记怎么办呢？幸运的是，只需要几行代码就可以遍历树并生成它：

清单 8. 从 AST（prettyprint.py）输出标记

def emitHTML(node):

from typo_html import codes

if hasattr(node, 'attr'):

beg, end = codes[node.type]

sys.stdout.write(beg+node.attr+end)

else: map(emitHTML, node._kids)

typo_html.py 文件与 SimpleParse 那篇文章中的一样 — 它只是包含一个将名称映射到开始标记／结束标记对的字典。显然，我们可以为标记使用除 HTML 之外的相同方法。如果您不清楚，下面是我们的示例将生成的内容：

清单 9. 整个过程的 HTML 输出

Text with <strong>bold</strong>, and <em>itals phrase</em>,

and <em><code>module</code></em>--this should be a good

<code>practice run</code>.

结束语

很多 Python 程序员都向我推荐 Spark。虽然 Spark 使用的少见的协定让人不太容易习惯，而且文档从某些角度来看可能比较含混不清，但 Spark 的力量还是非常令人惊奇。Spark 实现的编程风格使最终程序员能够在扫描／解析过程中在任何地方插入代码块 — 这对最终用户来说通常是“黑箱”。

比起它的所有优点来说，我发现 Spark 真正的缺点是它的速度。Spark 是我使用过的第一个 Python 程序，而我在使用中发现，解释语言的速度损失是其主要问题。Spark 的速度的确很慢；慢的程度不止是“我希望能快一点点”，而是“吃了一顿长时间的午餐还希望它能快点结束”的程度。在我的实验中，记号赋予器还比较快，但解析过程就很慢了，即便用很小的测试案例也很慢。公平地讲，John Aycock 已经向我指出，Spark 使用的 Earley 解析算法比更简单的 LR 算法全面得多，这是它速度慢的主要原因。还有可能的是，由于我经验不足，可能设计出低效的语法；不过就算是这样，大部分用户也很可能会象我一样。

查看本文来源