解析文件的最佳方法

我正在尝试寻找一种更好的解决方案，以对其中一些著名的文件格式进行解析，例如：EDIFACT和TRADACOMS。

如果您不熟悉这些标准，请查看Wikipedia的以下示例：

参见以下有关用于回答产品可用性请求的EDIFACT消息的示例：-

UNA:+.? '
UNB+IATB:1+6XPPC+LHPPC+940101:0950+1'
UNH+1+PAORES:93:1:IA'
MSG+1:45'
IFT+3+XYZCOMPANY AVAILABILITY'
ERC+A7V:1:AMD'
IFT+3+NO MORE FLIGHTS'
ODI'
TVL+240493:1000::1220+FRA+JFK+DL+400+C'
PDI++C:3+Y::3+F::1'
APD+714C:0:::6++++++6X'
TVL+240493:1740::2030+JFK+MIA+DL+081+C'
PDI++C:4'
APD+EM2:0:130::6+++++++DA'
UNT+13+1'
UNZ+1+1'

UNA段是可选的。如果存在，它将指定将用于解释消息其余部分的特殊字符。UNA后面有六个字符，顺序如下：

• 组件数据元素分隔符（在此示例中：）
• 数据元素分隔符（此示例中的+）
• 十进制通知（此示例中的。）
• 释放字符（此示例中的？）
• 保留，必须为空格
• 段终止符（此示例中的'）

如您所见，这只是一些以特殊方式格式化的数据等待解析（非常类似于XML文件）。

现在我的系统是建立在PHP之上的，并且我能够为每个段使用正则表达式创建解析器，但是问题不是每个人都能完美地实现标准。

一些供应商倾向于完全忽略可选的细分市场和领域。其他人可能选择发送比其他人更多的数据。这就是为什么我不得不为段和字段创建验证器以测试文件是否正确。

您可以想象我现在正在遇到的正则表达式的噩梦。另外，每个供应商都需要对正则表达式进行很多修改，我倾向于为每个供应商构建一个解析器。

问题：

1-这是解析文件（使用正则表达式）的最佳实践吗？

2-是否有更好的解析文件的解决方案（也许那里有现成的解决方案）？它能否显示缺少的段或文件已损坏？

3-如果仍然要构建解析器，应该使用哪种设计模式或方法？

笔记：

我读过有关yacc和ANTLR的文章，但不知道它们是否符合我的需求！

您需要的是一个真正的解析器。正则表达式处理词法分析，而不是语法分析。也就是说，它们在您的输入流中标识令牌。解析是令牌的上下文，即IE谁去向何处以及以什么顺序。

经典的解析工具是yacc / bison。经典的词法分析器是lex / flex。由于php允许集成C代码，因此您可以使用flex和bison来构建解析器，让php在输入文件/流上调用它，然后获得结果。

一旦了解了这些工具，它将会快速发展，并且使用起来会容易得多。我建议阅读Lex and Yacc 2nd Ed。来自O'Reilly。例如，我在github上创建了一个makefile 和flex and bison项目。如有必要，它可用于Windows交叉编译。

它很复杂，但是正如您所发现的，您需要做的事情很复杂。为使解析器正常工作，必须完成大量的“工作”，而flex和bison处理机械位。否则，您会发现自己处在与汇编相同的抽象层上编写代码的位置。

ouch ..“ true”解析器？状态机？？

抱歉，但是自从我开始工作以来，我已经从大学转变为黑客..所以我会说有更简单的方法..尽管在学术上可能不那么“精炼” :)

我将尝试提供一种可能或可能不同意的替代方法，但在工作环境中可能非常实用。

我会;

loop every line
   X = pop the first 3 letters of line
   Y = rest of line
   case X = 'UNA':
       class init (Y)

从那里我将使用类的数据类型。拆分组件和元素分隔符并遍历返回的数组。

对我来说，这是代码重用，面向对象，低内聚和高度模块化..易于调试和编程。越简单越好。

要解析文件，您不需要状态机或任何完全复杂的..状态机非常适合解析代码，当您在OO上下文中使用上述pseduo代码时，您会感到惊讶。

ps。我之前使用过非常相似的文件：）

更多伪代码发布在这里：

类

UNA:

init(Y):
 remove ' from end
 components = Y.split(':') 
 for c in components
     .. etc..

 getComponents():
   logic..
   return

 getSomethingElse():
   logic..
   return

class UNZ:
   ...

Parser(lines):

Msg = new obj;

for line in lines
   X = pop the first 3 letters of line
   Y = rest of line
   case X = 'UNA':
      Msg.add(UNA(Y))

msg.isOK = true
return Msg

然后您可以像这样使用它。

msg = Main(File.getLines());
// could put in error checking
// if msg.isOK:
msg.UNA.getSomethingElse();

并说您有多个细分受众群。.使用队列添加它们，并根据需要获取第一，第二等。您实际上只是将味精表示为obj，并提供了对象方法来调用数据。您还可以通过创建自定义方法来利用这一点..进行继承..嗯，这是一个不同的问题，如果您理解它，我认为您可以轻松应用

您是否尝试过搜索“ PHP EDIFACT”？这是弹出的第一批结果之一：http : //code.google.com/p/edieasy/

虽然这可能不足以满足您的用例，但您可能可以从中获得一些想法。我不喜欢其中有许多嵌套的for循环和条件的代码，但这可能是一个开始。

既然自从提到Yacc / Bison + Flex / Lex之后，我不妨抛出其他主要替代方法之一：解析器组合器。它们在像Ha​​skell这样的函数式编程中很流行，但是如果您可以连接C代码，则可以使用它们，而且您知道，有人也为PHP编写了一个。 （我没有使用该特定实现的经验，但是如果它像大多数实现一样工作，那应该很好。）

一般的概念是从一组小型的，易于定义的解析器开始，通常是分词器。就像您对提到的6个数据元素中的每一个都有一个解析器功能。然后，您可以使用组合器（组合函数的函数）来制作可捕获较大元素的较大解析器。类似于可选段的是optional在段解析器上运行的组合器。

不确定它在PHP中的运行情况如何，但这是编写解析器的一种有趣方式，我非常喜欢以其他语言使用它们。

而不是摆弄正则表达式创建自己的状态机

在非平凡的情况下，这将更具可读性（并能够提供更好的注释），并且更容易调试正则表达式的黑匣子

之后，我不知道您想对这些数据做些什么，如果这不是说大话的话，但我对eli有很好的经验。您先描述词汇短语，然后再具体/抽象语法，然后生成要生成的内容。