java - 如何使用 Java 的 Scanner 类和正则表达式对输入进行标记化？

Question

出于我自己的目的，我正在尝试在 Java 中构建一个分词器，我可以在其中定义一个常规语法并让它根据该语法对输入进行分词。 StringTokenizer 类已弃用，我在 Scanner 中发现了几个函数，它们暗示了我想做什么，但还没有成功。有人知道解决这个问题的好方法吗？

Answer 1

“Scanner”这个名字有点误导，因为这个词通常用来表示词法分析器，而 Scanner 并不是这个意思。它只是您在 C、Perl、等 中找到的 scanf() 函数的替代品。与 StringTokenizer 和 split() 一样，它被设计为向前扫描，直到找到给定模式的匹配项，并且在途中跳过的任何内容都将作为标记返回。

另一方面，词法分析器必须检查和分类每个字符，即使它只是决定是否可以安全地忽略它们。这意味着，在每次匹配之后，它可能会应用多个模式，直到找到一个与从那一点开始匹配的模式。否则，它可能会找到序列“//”并认为它找到了注释的开头，而实际上它确实在字符串文字中并且它只是没有注意到左引号。

当然，实际上要复杂得多，但我只是在说明为什么像 StringTokenizer、split() 和 Scanner 这样的内置工具不适合这种任务.但是，可以使用 Java 的正则表达式类进行有限形式的词法分析。事实上，添加 Scanner 类使它变得更容易，因为添加了新的 Matcher API 来支持它，即区域和 usePattern() 方法。这是一个构建在 Java 的正则表达式类之上的基本扫描器示例。

import java.util.*;
import java.util.regex.*;

public class RETokenizer
{
  static List<Token> tokenize(String source, List<Rule> rules)
  {
    List<Token> tokens = new ArrayList<Token>();
    int pos = 0;
    final int end = source.length();
    Matcher m = Pattern.compile("dummy").matcher(source);
    m.useTransparentBounds(true).useAnchoringBounds(false);
    while (pos < end)
    {
      m.region(pos, end);
      for (Rule r : rules)
      {
        if (m.usePattern(r.pattern).lookingAt())
        {
          tokens.add(new Token(r.name, m.start(), m.end()));
          pos = m.end();
          break;
        }
      }
      pos++;  // bump-along, in case no rule matched
    }
    return tokens;
  }

  static class Rule
  {
    final String name;
    final Pattern pattern;

    Rule(String name, String regex)
    {
      this.name = name;
      pattern = Pattern.compile(regex);
    }
  }

  static class Token
  {
    final String name;
    final int startPos;
    final int endPos;

    Token(String name, int startPos, int endPos)
    {
      this.name = name;
      this.startPos = startPos;
      this.endPos = endPos;
    }

    @Override
    public String toString()
    {
      return String.format("Token [%2d, %2d, %s]", startPos, endPos, name);
    }
  }

  public static void main(String[] args) throws Exception
  {
    List<Rule> rules = new ArrayList<Rule>();
    rules.add(new Rule("WORD", "[A-Za-z]+"));
    rules.add(new Rule("QUOTED", "\"[^\"]*+\""));
    rules.add(new Rule("COMMENT", "//.*"));
    rules.add(new Rule("WHITESPACE", "\\s+"));

    String str = "foo //in \"comment\"\nbar \"no //comment\" end";
    List<Token> result = RETokenizer.tokenize(str, rules);
    for (Token t : result)
    {
      System.out.println(t);
    }
  }
}

顺便说一句，这是我发现的lookingAt() 方法的唯一好的用途。 :D