如何解决令人难以置信的糟糕的解析时间
我需要分析Elisp(Emacs Lisp)代码,因此我使用Instaparse为此编写了一个解析器。我以为它会很慢,但是即使在计算器(或我相当老的i7)上,每秒执行1k行的速度也太慢而无法正确执行。可能是那么糟糕,还是我做错了什么?
这是明确的,我尝试保持最低限度的向前/向后看,但是不幸的是,Elisp对于符号的构成非常自由,因此我不得不在该处添加一些向前/向后以区分数字和符号。另外,我尝试通过将符号,数字和关键字解析为“ ident”来弥补这一点,这仅给了我30%的时间。从我的测试来看,Instaparse似乎在递归规则上苦苦挣扎,而lisps具有高度递归的性质,所以也许我没有弄乱它-只是这么慢...
解析器:
(ns slowparse
(:require [clojure.string :as str]
[instaparse.combinators :as c]
[instaparse.core :as insta]))
(def grammar
"Elisp grammar."
"<root> = any +
<any> = sexp | keyword | number | symbol | prefix | string | vector |
comment | whitespace | char | Epsilon
comment = comment-tok #'(?:[^\\n]*|$)'
string = <str-l-tok> #'(?:(?:\\\\\\\\)|(?:\\\\\")|[^\"])*' <str-r-tok>
char = <char-tok> #'(?:(?:\\\\(?:C|M)-)|(?:\\\\))?(?:.|\\s)'
<whitespace> = <#'\\s+'>
sexp = sexp-l-tok any + sexp-r-tok
vector = vec-l-tok any + vec-r-tok
<prefix> = quote | template | spread | hole
<prfxbl> = sexp | symbol | keyword | number | prefix | vector
quote = quote-tok prfxbl
template = tmpl-tok prfxbl
hole = hole-tok ! spread-tok prfxbl
spread = hole-tok spread-tok prfxbl
<sexp-l-tok> = <'('>
<sexp-r-tok> = <')'>
<vec-l-tok> = <'['>
<vec-r-tok> = <']'>
<str-l-tok> = <'\"'>
<str-r-tok> = <'\"'>
<quote-tok> = '#' ? <\"'\">
<tmpl-tok> = <'`'>
<num-b-x-tok> = '#'
<hole-tok> = <','>
<spread-tok> = <'@'>
<comment-tok> = <';'>
<char-tok> = '?'
<kv-tok> = <':'>
symbol = ! ( number | kv-tok | comment-tok | num-b-x-tok | char-tok )
ident
keyword = kv-tok ident
number = num-b10 | num-bx
<num-b10> = #'[-+]?(?:(?:[\\d]*\\.[\\d]+)|(?:[\\d]+\\.[\\d]*)|(?:[\\d]+))' &
( ! ident )
<num-bx> = #'(?i)#(?:b|o|x|(?:\\d+r))[-+]?[a-z0-9]+'")
(def ident
{:ident
(let [esc-ch (str/join ["\\[" "\\]" "\\(" "\\)" "\"" "\\s" "'" "," "`" ";"])
tmpl "(?:(?:\\\\[{{ec}}])|[^{{ec}}])+"]
(->> esc-ch (str/replace tmpl "{{ec}}") c/regexp c/hide-tag))})
(insta/defparser ^{:doc "Elisp parser."} elisp-parser
(merge ident (c/ebnf grammar))
:start :root)
(def test-text (slurp "/tmp/foo.el"))
(time (insta/parse elisp-parser test-text))
解决方法
按照@akond的建议,我将语法移植到ANTLR(使用https://github.com/aphyr/clj-antlr)。它可以在20毫秒或更短的时间内解析出1k行...是的,看起来Instaparse真的很慢。
不必进行太多更改,但是Instaparse无疑为编写规则感觉更好。它具有简单的排序和向前/向后看的标准正则表达式,是隐藏垃圾的简便方法。
ANTLR语法:
(ns fastparse
(:require [clj-antlr.core :as antlr]))
(def grammar
"Elisp grammar."
"grammar EmacsLisp ;
source: any* EOF ;
any: list | keyword | number | symbol | prefix | string | vector | char |
whitespace | comment;
vector: '[' any* ']' ;
list: '(' any* ')' ;
prefix: quote | template | spread | hole ;
quote: '#' ? '\\'' any ;
template: '`' any ;
spread: ',@' any ;
hole: ',' any ;
number: NUMB10 | NUMBX ;
char: CHAR ;
string: STRING ;
keyword: KEYWORD ;
symbol: IDENT ;
whitespace: WS ;
comment: COMLINE ;
CHAR: '?' ( ( '\\\\' ( 'C' | 'M' ) '-' ) | '\\\\' )? . ;
STRING: '\"' ( '\\\\\\\\' | '\\\\\"' | . )*? '\"' ;
NUMB10: [+-] ? ( ( D* '.' D+ ) | ( D+ '.' D* ) | D+ ) ;
NUMBX: '#' ( 'b' | 'o' | 'x' | ( D+ 'r' ) ) [-+]? ( A | D )+ ;
fragment
D: '0'..'9' ;
fragment
A: 'a'..'z' ;
KEYWORD: ':' IDENT ;
IDENT: ( ( '\\\\' [\\\\[\\]() \\n\\t\\r\"',`;] )+? |
( ~[[\\]() \\n\\t\\r\"',`;] )+? )+ ;
COMLINE: ';' ~[\\n\\r]* ;
WS: [ \\n\\t\\r]+ ;")
(def elisp-str->edn (antlr/parser grammar))
(def text (slurp "/tmp/foo.el"))
(time (elisp-str->edn text))
,
如果您对速度感兴趣,并且不想担心堆栈溢出的发生,可以尝试使用Tunnel Grammar Studio(我正在研究的解析器生成器)。从它生成的解析器在词法分析,树构造,树迭代,树到字符串转换和树释放期间是迭代。可接受的语法在ABNF(RFC 5234)中,每个标记区分大小写(RFC 7405)。
最好对您使用的任何解析器都具有确定性的语法。 TGS会在编译时检查LL(1)冲突,并通过可视化冲突位置来帮助您创建确定性语法。
该工具有一个演示,您可以自己测试速度。该工具中有一个选项可以生成完全准备就绪的测试用例项目,该项目将在运行时通过仅提供输入数据来解析,迭代树并释放它所花费的时间登录控制台。这意味着,如果您想测试语法速度,则不需要您进行任何开发(编译生成的代码除外)。
在我使用消除了歧义性的JSON语法(RFC 8259)进行的测试中,该迭代分析器仅发出语法树构建事件(如SAX),每秒运行大约8兆字节,这是很多每秒行数,并且仅占用与解析深度成比例的内存,因为从技术上讲,LL(1)语法在运行时只需要一个令牌,即实际上是在“流式处理”输入。
您还可以具有静态类型化或动态类型化的具体语法树,或具有不同抽象级别(即自动节点修剪)的动态类型化抽象语法树。这些树的语法树构建器(如果已选择)正在使用build事件来创建相关的树。但是,您将需要ABNF语法和C ++作为语言目标。
该工具支持解析器语法内的标记范围(除词法分析器语法内的字符范围外)。这意味着您无需额外注意词汇规则顺序即可开发语法。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。