正群調整Python 編寫速度
Spark 是一種用 Python 編寫的強大的、通用的解析器／編譯器框架。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，下面進行學習研究。
然而，因為它完全是用 Python 編寫的，所以速度也會比較慢。David 在本文中討論了 Spark 模塊，給出了一些代碼樣本，解釋了它的用途，并對其應用領域提供了一些建議。本文中會介紹一些解析的基本概念，并對 Spark 模塊進行了討論。解析框架是一個內容豐富的主題，它值得我們多花時間去全面了解；
這兩篇文章為讀者和我自己都開了一個好頭。在日常的編程中，我經常需要標識存在于文本文檔中的部件和結構，這些文檔包括：日志文件、配置文件、定界的數據以及格式更自由的（但還是半結構化的）報表格式。所有這些文檔都擁有它們自己的“小語言”，用于規定什么能夠出現在文檔內。我編寫這些非正式解析任務的程序的方法總是有點象大雜燴。
其中包括定制狀態機、正則表達式以及上下文驅動的字符串測試。這些程序中的模式大概總是這樣：“讀一些文本，弄清是否可以用它來做些什么，然后可能再多讀一些文本，一直嘗試下去。”
解析器將文檔中部件和結構的描述提煉成簡明、清晰和說明性的規則，確定由什么組成文檔。大多數正式的解析器都使用擴展巴科斯范式（Extended Backus-Naur Form，EBNF）上的變體來描述它們所描述的語言的“語法”。
基本上，EBNF 語法對您可能在文檔中找到的部件賦予名稱；另外，較大的部件通常由較小的部件組成。小部件在較大的部件中出現的頻率和順序由操作符指定。舉例來說，清單 1 是 EBNF 語法 typographify.def，我們在 SimpleParse 那篇文章中見到過這個語法（其它工具運行的方式稍有不同）：
- #-*- encoding: gb2312 -*-
- import quopri
- a = "only a test數據"
- b = quopri.encodestring(a) # 對字符串編碼
- print b
- print quopri.decodestring(b) # 對字符串解碼
- import StringIO
- c = StringIO.StringIO()
- d = StringIO.StringIO()
- e = StringIO.StringIO()
- c.write(a)
- c.seek(0)
- quopri.encode(c, d, 0) # 編碼StringIO中的數據, 第三個參數0表示不對空格和tab符號編碼，為1表示進行編碼
- print d.getvalue()
- d.seek(0)
- quopri.decode(d, e) # 解碼StringIO中的數據
- print e.getvalue()
- f1 = open("aaa.txt", "w")
- f1.write(a)
- f1.close()
- f1 = open("aaa.txt", "r")
- f2 = open("bbb.txt", "w")
- quopri.encode(f1, f2, 0) # 編碼aaa.txt中的數據到bbb.txt
- f1.close()
- f2.close()
- print open("bbb.txt", "r").read()
這里有一個有趣的地方。WordScanner 本身是一個完美的掃描程序類；但 Spark 掃描程序類本身可以通過繼承進一步特化：子正則表達式模式在父正則表達式之前匹配，而如果需要，子方法／正則表達式可以覆蓋父方法／正則表達式。
所以，WordPlusScanner 將在 WordScanner 之前對特化進行匹配（可能會因此先獲取一些字節）。模式文檔字符串中允許使用任何正則表達式（舉例來說，.t_contraction() 方法包含模式中的一個“向后插入”）。查找記號的確有一點意思，但真正有意思的是如何向記號列表應用語法。解析階段在記號列表的基礎上創建任意的樹結構。它只是指定了表達式語法而已。
Spark 有好幾種創建 AST 的方法。“手工”的方法是特化 GenericParser 類。在這種情況下，具體子解析器會提供很多方法。方法名的形式為 p_foobar(self, args)。每個這樣的方法的文檔字符串都包含一個或多個模式到名稱的分配。只要語法表達式匹配，每種方法就可以包含任何要執行的代碼。
【編輯推薦】
