使用 antlr4 包括对 matlab 语法的注释

Question

谁能帮我解决这两个问题？

第一个问题几乎解决了我的问题 regular expression for multiline commentary in matlab ，但我不知道我应该如何使用 ^.*%\{(?:\R(?!.*%\{).*)*\R\h*%\}$ 或者如果我想在语法中使用 antlr4。我一直在使用this源的matlab语法。

第二个与matlab中的另一种类型的注释相关，即a = 3 % type any ascii I want...。在这种情况下有效，当我以这种形式插入规则上下文 unary_expression 的标签替代项时：

unary_expression
: postfix_expression
| unary_operator postfix_expression
| postfix_expression COMMENT
;

其中COMMENT: '%' [ a-zA-Z0-9]*;，但是当我使用[\x00-\x7F] 而不是[ a-zA-Z0-9]*（我发现here）时解析出错，请参见下面的示例：

INPUT FOR PARSER: a = 3 %  $£ K JFKL£J"!"OIJ+2432 3K3KJ£$K M£"Kdsa
ANTLR OUTPUT : Exception in thread "main" java.lang.RuntimeException: set is empty
               at org.antlr.v4.runtime.misc.IntervalSet.getMaxElement(IntervalSet.java:421)
               at org.antlr.v4.runtime.atn.ATNSerializer.serialize(ATNSerializer.java:169)
               at org.antlr.v4.runtime.atn.ATNSerializer.getSerialized(ATNSerializer.java:601)
               at org.antlr.v4.Tool.generateInterpreterData(Tool.java:745)
               at org.antlr.v4.Tool.processNonCombinedGrammar(Tool.java:400)
               at org.antlr.v4.Tool.process(Tool.java:361)
               at org.antlr.v4.Tool.processGrammarsOnCommandLine(Tool.java:328)
               at org.antlr.v4.Tool.main(Tool.java:172)
               line 1:9 token recognition error at: '$'
               line 1:20 token recognition error at: '"'
               line 1:21 token recognition error at: '!'
               line 1:22 token recognition error at: '"'
               line 1:38 token recognition error at: '$'
               line 1:43 token recognition error at: '"'
               line 1:10 missing {',', ';', CR} at 'L'
               line 1:32 missing {',', ';', CR} at '3'

谁能告诉我我做错了什么？这个问题的最佳实践是什么？ （我不完全是正则表达式的人......）

Answer 1

我们先来个简单的。

这看起来（对我来说）就像一个典型的“评论所有内容到行尾”的评论。

假设我是正确的，那么最好不要考虑可能包含的所有有效字符是什么，而是考虑不使用什么。

试试：COMMENT: '%' ~[\r\n]* '\r'? '\n';

（我注意到您的规则中没有包含任何内容以在行尾终止它，所以我添加了它）。

这基本上是说：一旦我看到 % 消耗所有不是 \r 或 `nand stop when you see an option\rfollowed by a required\n' 的东西。

通常，cmets 几乎可以出现在语法结构中的任何位置，因此将它们“推到一边”而不是在语法中允许它们的任何地方注入它们是非常有用的。

所以，一个简短的语法：

grammar test
    ;

test: ID EQ INT;

EQ:      '=';
INT:     [0-9]+;
COMMENT: '%' ~[\r\n]* '\r'? '\n' -> channel(HIDDEN);
ID:      [a-zA-Z]+;
WS:      [ \t\r\n]+ -> skip;

您会注意到我从test 规则中删除了COMMENT 元素。

测试文件：

a = 3 %  $£ K JFKL£J"!"OIJ+2432 3K3KJ£$K M£"Kdsa

（一定要包含\n）

➜ grun test test -tree -tokens < test.txt
[@0,0:0='a',<ID>,1:0]
[@1,2:2='=',<'='>,1:2]
[@2,4:4='3',<INT>,1:4]
[@3,6:48='%  $£ K JFKL£J"!"OIJ+2432 3K3KJ£$K M£"Kdsa\n',<COMMENT>,channel=1,1:6]
[@4,49:48='<EOF>',<EOF>,2:0]
(test a = 3)

你仍然会得到一个COMMENT 令牌，它只是在匹配解析器规则时被忽略。

现在是多行 cmets：

ANTLR 对 Lexer 规则使用了一种“类似正则表达式”的语法，但是，不要被愚弄，它不是（它实际上更强大，因为它可以配对嵌套括号等）

通过快速阅读，MatLab 多行标记以 %{ 开头并使用所有内容，直到 %}. This is very similar to the prior rule, it just doesn't care about \ror\n`)，所以：

MLCOMMENT: '%{' .*? '%}'    -> channel(HIDDEN);

包含在语法中：

grammar test
    ;

test: ID EQ INT;

EQ:        '=';
INT:       [0-9]+;
COMMENT:   '%' ~[\r\n]* '\r'? '\n' -> channel(HIDDEN);
MLCOMMENT: '%{' .*? '%}'           -> channel(HIDDEN);
ID:        [a-zA-Z]+;
WS:        [ \t\r\n]+ -> skip;

输入文件：

a = 3 %  $£ K JFKL£J"!"OIJ+2432 3K3KJ£$K M£"Kdsa

%{
    A whole bunch of stuff
    on several
    lines
%}

➜ grun test test -tree -tokens < test.txt
[@0,0:0='a',<ID>,1:0]
[@1,2:2='=',<'='>,1:2]
[@2,4:4='3',<INT>,1:4]
[@3,6:48='%  $£ K JFKL£J"!"OIJ+2432 3K3KJ£$K M£"Kdsa\n',<COMMENT>,channel=1,1:6]
[@4,50:106='%{\n    A whole bunch of stuff\n    on several\n    lines\n%}',<MLCOMMENT>,channel=1,3:0]
[@5,108:107='<EOF>',<EOF>,8:0]
(test a = 3)