Блог

Проблема*

Даны некоторые данные (текст), к которым применен стиль с помощью слабо определенной разметки, например:

 The [blower]cat[elower] [weight 15]sat[normal] on the mat.[newline]
 

В идеале это было бы представлено как что-то вроде:

 The <text class="lower">cat</text> <strong>sat</strong> on the mat.<br />
 

Разметка обладает следующими свойствами:

• Тег представляет собой инструкцию для форматирования текста заданным способом с этого момента и далее
• Конечный тег может существовать, но только для небольшого набора тегов. Другие теги являются линейными (см. Пункт 1)
• Каждый тег имеет свое собственное поведение и может по-разному влиять на ранее примененные теги
• Некоторая вложенность подразумевается из линейных тегов, добавляющих или перезаписывающих существующие стили
• Метаданные могут находиться за пределами тегов (например. [beg] [xyz]cmd [end1] — все это связано с тегами, без содержимого)

Требования

• Определите правила взаимодействия тегов (например. Тег стиля, такой как [bold], закрывается другим тегом стиля, таким как [normal] или [light])
• Вложение некоторого содержимого (теги, которые не перезаписываются, как указано выше, будут вложены и соответственно разорваны)
• Определение отображений из четко определенного представления в памяти в некоторый выходной формат

Мысли

• Разбор в DOM-подобную структуру — попытка сгруппировать теги в «наборы». При обнаружении тега закройте активный тег для этого набора и откройте новый. Это создает <tag>содержимое</tag> . Проблемы, связанные с правильным вложением и закрытием / повторным открытием тегов, чтобы вы не сталкивались с ситуациями перекрытия, такими как <b>text<i>text</b>text</i>, раздражают, но достаточно прямолинейны.

Как бы вы приступили к разработке структуры данных или метода анализа содержимого таким образом, чтобы набор правил мог помочь преобразованию в четко определенную структуру?

В качестве альтернативы, любые предложения по полям / областям, на которые вы бы обратили внимание при решении такого рода проблем?

* Проблема реального мира

Эта проблема изоморфна (по крайней мере, так, как вы ее описали до сих пор) XML. У вас есть синтаксис, который вводит и завершает разметку, и он поставляется в основном парами [blower] …[elower] и [weight 15] …[обычный] со случайной автономной [новой строкой].

Итак, если вы знаете, как создать анализатор XML с тегами, вы знаете, как это сделать.

Если вы этого не сделаете, вам просто нужна грамматика (в EBNF) и генератор синтаксического анализа:

 document =  fragment* ;

fragment = TEXT ;
fragment = '[blower]' fragment '[elower]' ;
fragment = '[weight' NATURAL ']' fragment '[normal]' ;
fragment =  other_start_tag fragment other_end_tag ;
fragment = '[newline]' ;
 

Для этого требуется довольно простой лексер и довольно простой анализатор. (См. FLEX и YACC в качестве примеров).
Вы можете создать свой DOM как набор узлов дерева во время выполнения синтаксического анализатора, присоединив действия к правилам грамматики (см. Документацию YACC). Многие другие генераторы синтаксических анализаторов также позволят вам создавать дерево по мере анализа.