用Python词法分析Parser中tokenizer.h的实际应用

用Python词法分析Parser中tokenizer.h的实际应用

如果你在对Python词法分析的实际操作中，你对其有不解之处时，你就可以点击以下的文章对其进行了解，希望你对相关Python词法分析的实现在Parser目录下的tokenizer.h和tokenizer.cpp的内容有所了解。

在Python词法分析的实现在Parser目录下的tokenizer.h和tokenizer.cpp。Python的其他部分会直接调用tokenizer.h中定义的函数，如下：

extern struct tok_state *PyTokenizer_FromString
(const char *);   
extern struct tok_state *PyTokenizer_FromFile
(FILE *, char *, char *);   
extern void PyTokenizer_Free(struct tok_state *);   
extern int PyTokenizer_Get(struct tok_state *,
 char **, char **); 

这些函数均以PyTokenizer开头。这是Python源代码中的一个约定。虽然Python是用C语言实现的，其实现方式借鉴了很多面对对象的思想。拿词法分析来说，这四个函数均可以看作PyTokenizer的成员函数。头两个函数PyTokenizer_FromXXXX可以看作是构造函数，返回PyTokenizer的instance。

PyTokenizer对象内部状态，也就是成员变量，储存在tok_state之中。PyTokenizer_Free可以看作是析构函数，负责释放PyTokenizer，也就是tok_state所占用的内存。PyTokenizer_Get则是PyTokenizer的一个成员函数，负责取得在字符流中下一个Token。

Python词法分析中这两个函数均需要传入tok_state的指针，和C++中需要隐含传入this指针给成员函数的道理是一致的。可以看到，OO的思想其实是和语言无关的，即使是C这样的结构化的语言，也可以写出面对对象的程序。

tok_state  

tok_state等价于PyTokenizer这个class本身的状态，也就是内部的私有成员的集合。部分定义如下：

/* Tokenizer state */   
struct tok_state {   
/* Input state; buf <= cur <= inp <= end */   
/* NB an entire line is held in the buffer */   
char *buf; /* Input buffer, or NULL; malloc'ed if 
fp != NULL */   
char *cur; /* Next character in buffer */   
char *inp; /* End of data in buffer */   
char *end; /* End of input buffer if buf != NULL */   
char *start; /* Start of current token if not NULL */   
int done; /* E_OK normally, E_EOF at EOF, otherwise 
error code   
/* NB If done != E_OK, cur must be == inp!!! */   
FILE *fp; /* Rest of input; NULL if tokenizing a 
string */   
int tabsize; /* Tab spacing */   
int indent; /* Current indentation index */   
int indstack[MAXINDENT]; /* Stack of indents */   
int atbol; /* Nonzero if at begin of new line */   
int pendin; /* Pending indents (if > 0) or dedents 
(if < 0) */   
char *prompt, *nextprompt; /* For interactive 
prompting */   
int lineno; /* Current line number */   
int level; /* () [] {} Parentheses nesting level */   
/* Used to allow free continuations inside them */   
}; 

最重要的是buf, cur, inp, end, start。这些field直接决定了缓冲区的内容：

buf是缓冲区的开始。假如PyTokenizer处于字符串模式，那么buf指向字符串本身，否则，指向文件读入的缓冲区。cur指向缓冲区中下一个字符。inp指向缓冲区中有效数据的结束位置。PyTokenizer是以行为单位进行处理的，每一行的内容存入从buf到inp之间，包括\n。一般情况下 ，PyTokenizer会直接从缓冲区中取下一个字符，一旦到达inp所指向的位置，就会准备取下一行。

当PyTokenizer处于不同模式下面，具体的行为会稍有不同。end是缓冲区的结束，在字符串模式下没有用到。start指向当前token的开始位置，如果现在还没有开始分析token，start为NULL。以上就是对在Python词法分析的实现在Parser目录下的tokenizer.h和tokenizer.cpp相关的内容的介绍，忘你会有所收获。