問題タブ [ragel]

タイプセット中に入力ストリームで URL を効率的に検出する必要があります。

URL 検出器は、組版フローの一部になります。入力として一度に 1 文字を受け入れ、その文字が属する URL とともに一度に 1 文字を出力する必要があります。これを行うために、先読みのためにテキストをバッファできます。

たとえば、入力ストリームが の"Hello http://foo.com World"場合、出力は次のようになります。

必要に応じて入力と出力をストリーミングするように Ragel を作成できますか?

ちなみに、(Java) ragel URL parser hereがあり、これを出発点として使用することを考えています。

私のプロジェクトでは、HTML ドキュメントからリンクを抽出する必要があります。この目的のために、主に次の作業に基づいて、ragel HTML 文法を用意しました: https://github.com/brianpane/jitify-core/blob/master/src/core/jitify_html_lexer.rl (ここで言及: http:// ragel-users.complang.narkive.com/qhjr33zj/ragel-grammars-for-html-css-and-javascript )

現在のところ克服できない1つの問題を除いて、ほとんどすべてがうまく機能します（素晴らしいツールに感謝します！）。

このテキストを入力として指定すると:

私のパーサーは最初のリンクを正しく抽出できますが、2 番目のリンクは抽出できません。それらの違いは、 と の間にスペースがあるが、 と の間に'bbbb'スペースが'<a'ないことです。'cccc''<a'

一般に、スペースを除くテキストがタグの前に存在する'<a'場合、解析はそれをコンテンツと見なし、パーサーはタグの開始を認識しません。

このリポジトリで見つけてください: https://github.com/amdei/ragel_html_sample C プログラム ( ngx_url_html_portion.rl ) として機能することを目的として、意図的に文法を単純化したサンプルです。入力ファイル input-nbsp.html もあります。これには、アプリケーションへの入力が含まれていると予想されます。

それをいじるために、文法から .c-file を作ります:

次に、結果の .c ファイルをコンパイルし、programm を実行します。

入力ファイルは同じディレクトリにある必要があります。

どんな手がかりにも心から感謝します。