Синтаксический анализатор для файла XML DTD

Я довольно новичок в реализации синтаксического анализатора, и я пытаюсь разобрать файл XML DTD, чтобы создать для него контекстно-свободную грамматику. Я пробовал, когда pyparsing и yacc, но все-таки я мог бы получить какой-то результат. Поэтому я был бы признателен, если бы кто-нибудь дал мне несколько советов или пример кода для написания такого синтаксического анализатора. ниже приведен пример файла DTD: 

<!DOCTYPE PcSpecs [
<!ELEMENT PCS (PC*)>
<!ELEMENT PC (MODEL, PRICE, PROCESSOR, RAM, DISK+)>
<!ELEMENT MODEL (#PCDATA)>
<!ELEMENT PRICE (#PCDATA)>
<!ELEMENT PROCESSOR (MANF, MODEL, SPEED)>
<!ELEMENT MANF (#PCDATA)>
<!ELEMENT MODEL (#PCDATA)>
<!ELEMENT SPEED (#PCDATA)>
<!ELEMENT RAM (#PCDATA)>
<!ELEMENT DISK (HARDDISK | CD | DVD)>
<!ELEMENT HARDDISK (MANF, MODEL, SIZE)>
<!ELEMENT SIZE (#PCDATA)>
<!ELEMENT CD (SPEED)>
<!ELEMENT DVD (SPEED)>
]>

Заранее благодарю.

1 2
python lexer xml-parsing yacc

1 ответ:

Вот начало для вас, он будет анализировать данные в структуру данных ParseResults, которую вы можете затем обойти и создать парсер для определенного doctype: 

from pyparsing import *

LT,GT,EXCLAM,LBRACK,RBRACK,LPAR,RPAR = map(Suppress,"<>![]()")
DOCTYPE = Keyword("DOCTYPE").suppress()
ELEMENT = Keyword("ELEMENT").suppress()
ident = Word(alphas, alphanums+"_")
elementRef = Group(ident("name") + Optional(oneOf("* +")("rep")))
elementExpr = infixNotation(elementRef,
    [
    (',', 2, opAssoc.LEFT),
    ('|', 2, opAssoc.LEFT),
    ])
PCDATA = Literal(r"\#PCDATA")
elementDefn = Group(LT+EXCLAM + ELEMENT + ident("name") + 
                  LPAR + (elementExpr | PCDATA("PCDATA"))("contents") + RPAR + GT)
doctypeDefn = LT+EXCLAM + DOCTYPE + ident("name") + 
                    LBRACK + ZeroOrMore(elementDefn)("elements") + RBRACK + GT

Я начал просто использовать список разделителей для списка элементов в каждом определении элемента, но затем я заметил, что', ' и '|' на самом деле являются операторами, а не просто разделителями,и даже могут быть смешаны,как в "A,B, C|D, E". Поэтому я использовал помощник pyparsing по инфикснотации, чтобы разрешить такие определения.

С вашим входной образец, я могу анализировать и отображать результаты с помощью: 

doctype = doctypeDefn.parseString(sample)
print doctype.dump()
for elem in doctype.elements:
    print elem.dump()

Дача: 

['PcSpecs', ['PCS', ['PC', '*']], ['PC', [['MODEL'], ...
- elements: [['PCS', ['PC', '*']], ['PC', [['MODEL'], ...
- name: PcSpecs
['PCS', ['PC', '*']]
- contents: ['PC', '*']
  - name: PC
  - rep: *
- name: PCS
['PC', [['MODEL'], ',', ['PRICE'], ',', ['PROCESSOR'], ',', ['RAM'], ',', ['DISK', '+']]]
- contents: [['MODEL'], ',', ['PRICE'], ',', ['PROCESSOR'], ',', ['RAM'], ',', ['DISK', '+']]
- name: PC
['MODEL', '\\#PCDATA']
- PCDATA: \#PCDATA
- contents: \#PCDATA
- name: MODEL
['PRICE', '\\#PCDATA']
- PCDATA: \#PCDATA
- contents: \#PCDATA
- name: PRICE
['PROCESSOR', [['MANF'], ',', ['MODEL'], ',', ['SPEED']]]
- contents: [['MANF'], ',', ['MODEL'], ',', ['SPEED']]
- name: PROCESSOR
['MANF', '\\#PCDATA']
- PCDATA: \#PCDATA
- contents: \#PCDATA
- name: MANF
['MODEL', '\\#PCDATA']
- PCDATA: \#PCDATA
- contents: \#PCDATA
- name: MODEL
['SPEED', '\\#PCDATA']
- PCDATA: \#PCDATA
- contents: \#PCDATA
- name: SPEED
['RAM', '\\#PCDATA']
- PCDATA: \#PCDATA
- contents: \#PCDATA
- name: RAM
['DISK', [['HARDDISK'], '|', ['CD'], '|', ['DVD']]]
- contents: [['HARDDISK'], '|', ['CD'], '|', ['DVD']]
- name: DISK
['HARDDISK', [['MANF'], ',', ['MODEL'], ',', ['SIZE']]]
- contents: [['MANF'], ',', ['MODEL'], ',', ['SIZE']]
- name: HARDDISK
['SIZE', '\\#PCDATA']
- PCDATA: \#PCDATA
- contents: \#PCDATA
- name: SIZE
['CD', ['SPEED']]
- contents: ['SPEED']
  - name: SPEED
- name: CD
['DVD', ['SPEED']]
- contents: ['SPEED']
  - name: SPEED
- name: DVD
1