home *** CD-ROM | disk | FTP | other *** search
/ PC World 2007 March / PCWorld_2007-03_cd.bin / domacnost a kancelar / scribus / scribus-1.3.3.7-win32-install.exe / lib / tokenize.py < prev    next >
Text File  |  2005-09-12  |  12KB  |  299 lines
  1. """Tokenization help for Python programs.
  2.  
  3. generate_tokens(readline) is a generator that breaks a stream of
  4. text into Python tokens.  It accepts a readline-like method which is called
  5. repeatedly to get the next line of input (or "" for EOF).  It generates
  6. 5-tuples with these members:
  7.  
  8.     the token type (see token.py)
  9.     the token (a string)
  10.     the starting (row, column) indices of the token (a 2-tuple of ints)
  11.     the ending (row, column) indices of the token (a 2-tuple of ints)
  12.     the original line (string)
  13.  
  14. It is designed to match the working of the Python tokenizer exactly, except
  15. that it produces COMMENT tokens for comments and gives type OP for all
  16. operators
  17.  
  18. Older entry points
  19.     tokenize_loop(readline, tokeneater)
  20.     tokenize(readline, tokeneater=printtoken)
  21. are the same, except instead of generating tokens, tokeneater is a callback
  22. function to which the 5 fields described above are passed as 5 arguments,
  23. each time a new token is found."""
  24.  
  25. __author__ = 'Ka-Ping Yee <ping@lfw.org>'
  26. __credits__ = \
  27.     'GvR, ESR, Tim Peters, Thomas Wouters, Fred Drake, Skip Montanaro'
  28.  
  29. import string, re
  30. from token import *
  31.  
  32. import token
  33. __all__ = [x for x in dir(token) if x[0] != '_'] + ["COMMENT", "tokenize",
  34.            "generate_tokens", "NL"]
  35. del x
  36. del token
  37.  
  38. COMMENT = N_TOKENS
  39. tok_name[COMMENT] = 'COMMENT'
  40. NL = N_TOKENS + 1
  41. tok_name[NL] = 'NL'
  42. N_TOKENS += 2
  43.  
  44. def group(*choices): return '(' + '|'.join(choices) + ')'
  45. def any(*choices): return group(*choices) + '*'
  46. def maybe(*choices): return group(*choices) + '?'
  47.  
  48. Whitespace = r'[ \f\t]*'
  49. Comment = r'#[^\r\n]*'
  50. Ignore = Whitespace + any(r'\\\r?\n' + Whitespace) + maybe(Comment)
  51. Name = r'[a-zA-Z_]\w*'
  52.  
  53. Hexnumber = r'0[xX][\da-fA-F]*[lL]?'
  54. Octnumber = r'0[0-7]*[lL]?'
  55. Decnumber = r'[1-9]\d*[lL]?'
  56. Intnumber = group(Hexnumber, Octnumber, Decnumber)
  57. Exponent = r'[eE][-+]?\d+'
  58. Pointfloat = group(r'\d+\.\d*', r'\.\d+') + maybe(Exponent)
  59. Expfloat = r'\d+' + Exponent
  60. Floatnumber = group(Pointfloat, Expfloat)
  61. Imagnumber = group(r'\d+[jJ]', Floatnumber + r'[jJ]')
  62. Number = group(Imagnumber, Floatnumber, Intnumber)
  63.  
  64. # Tail end of ' string.
  65. Single = r"[^'\\]*(?:\\.[^'\\]*)*'"
  66. # Tail end of " string.
  67. Double = r'[^"\\]*(?:\\.[^"\\]*)*"'
  68. # Tail end of ''' string.
  69. Single3 = r"[^'\\]*(?:(?:\\.|'(?!''))[^'\\]*)*'''"
  70. # Tail end of """ string.
  71. Double3 = r'[^"\\]*(?:(?:\\.|"(?!""))[^"\\]*)*"""'
  72. Triple = group("[uU]?[rR]?'''", '[uU]?[rR]?"""')
  73. # Single-line ' or " string.
  74. String = group(r"[uU]?[rR]?'[^\n'\\]*(?:\\.[^\n'\\]*)*'",
  75.                r'[uU]?[rR]?"[^\n"\\]*(?:\\.[^\n"\\]*)*"')
  76.  
  77. # Because of leftmost-then-longest match semantics, be sure to put the
  78. # longest operators first (e.g., if = came before ==, == would get
  79. # recognized as two instances of =).
  80. Operator = group(r"\*\*=?", r">>=?", r"<<=?", r"<>", r"!=",
  81.                  r"//=?",
  82.                  r"[+\-*/%&|^=<>]=?",
  83.                  r"~")
  84.  
  85. Bracket = '[][(){}]'
  86. Special = group(r'\r?\n', r'[:;.,`@]')
  87. Funny = group(Operator, Bracket, Special)
  88.  
  89. PlainToken = group(Number, Funny, String, Name)
  90. Token = Ignore + PlainToken
  91.  
  92. # First (or only) line of ' or " string.
  93. ContStr = group(r"[uU]?[rR]?'[^\n'\\]*(?:\\.[^\n'\\]*)*" +
  94.                 group("'", r'\\\r?\n'),
  95.                 r'[uU]?[rR]?"[^\n"\\]*(?:\\.[^\n"\\]*)*' +
  96.                 group('"', r'\\\r?\n'))
  97. PseudoExtras = group(r'\\\r?\n', Comment, Triple)
  98. PseudoToken = Whitespace + group(PseudoExtras, Number, Funny, ContStr, Name)
  99.  
  100. tokenprog, pseudoprog, single3prog, double3prog = map(
  101.     re.compile, (Token, PseudoToken, Single3, Double3))
  102. endprogs = {"'": re.compile(Single), '"': re.compile(Double),
  103.             "'''": single3prog, '"""': double3prog,
  104.             "r'''": single3prog, 'r"""': double3prog,
  105.             "u'''": single3prog, 'u"""': double3prog,
  106.             "ur'''": single3prog, 'ur"""': double3prog,
  107.             "R'''": single3prog, 'R"""': double3prog,
  108.             "U'''": single3prog, 'U"""': double3prog,
  109.             "uR'''": single3prog, 'uR"""': double3prog,
  110.             "Ur'''": single3prog, 'Ur"""': double3prog,
  111.             "UR'''": single3prog, 'UR"""': double3prog,
  112.             'r': None, 'R': None, 'u': None, 'U': None}
  113.  
  114. triple_quoted = {}
  115. for t in ("'''", '"""',
  116.           "r'''", 'r"""', "R'''", 'R"""',
  117.           "u'''", 'u"""', "U'''", 'U"""',
  118.           "ur'''", 'ur"""', "Ur'''", 'Ur"""',
  119.           "uR'''", 'uR"""', "UR'''", 'UR"""'):
  120.     triple_quoted[t] = t
  121. single_quoted = {}
  122. for t in ("'", '"',
  123.           "r'", 'r"', "R'", 'R"',
  124.           "u'", 'u"', "U'", 'U"',
  125.           "ur'", 'ur"', "Ur'", 'Ur"',
  126.           "uR'", 'uR"', "UR'", 'UR"' ):
  127.     single_quoted[t] = t
  128.  
  129. tabsize = 8
  130.  
  131. class TokenError(Exception): pass
  132.  
  133. class StopTokenizing(Exception): pass
  134.  
  135. def printtoken(type, token, (srow, scol), (erow, ecol), line): # for testing
  136.     print "%d,%d-%d,%d:\t%s\t%s" % \
  137.         (srow, scol, erow, ecol, tok_name[type], repr(token))
  138.  
  139. def tokenize(readline, tokeneater=printtoken):
  140.     """
  141.     The tokenize() function accepts two parameters: one representing the
  142.     input stream, and one providing an output mechanism for tokenize().
  143.  
  144.     The first parameter, readline, must be a callable object which provides
  145.     the same interface as the readline() method of built-in file objects.
  146.     Each call to the function should return one line of input as a string.
  147.  
  148.     The second parameter, tokeneater, must also be a callable object. It is
  149.     called once for each token, with five arguments, corresponding to the
  150.     tuples generated by generate_tokens().
  151.     """
  152.     try:
  153.         tokenize_loop(readline, tokeneater)
  154.     except StopTokenizing:
  155.         pass
  156.  
  157. # backwards compatible interface
  158. def tokenize_loop(readline, tokeneater):
  159.     for token_info in generate_tokens(readline):
  160.         tokeneater(*token_info)
  161.  
  162. def generate_tokens(readline):
  163.     """
  164.     The generate_tokens() generator requires one argment, readline, which
  165.     must be a callable object which provides the same interface as the
  166.     readline() method of built-in file objects. Each call to the function
  167.     should return one line of input as a string.
  168.  
  169.     The generator produces 5-tuples with these members: the token type; the
  170.     token string; a 2-tuple (srow, scol) of ints specifying the row and
  171.     column where the token begins in the source; a 2-tuple (erow, ecol) of
  172.     ints specifying the row and column where the token ends in the source;
  173.     and the line on which the token was found. The line passed is the
  174.     logical line; continuation lines are included.
  175.     """
  176.     lnum = parenlev = continued = 0
  177.     namechars, numchars = string.ascii_letters + '_', '0123456789'
  178.     contstr, needcont = '', 0
  179.     contline = None
  180.     indents = [0]
  181.  
  182.     while 1:                                   # loop over lines in stream
  183.         line = readline()
  184.         lnum = lnum + 1
  185.         pos, max = 0, len(line)
  186.  
  187.         if contstr:                            # continued string
  188.             if not line:
  189.                 raise TokenError, ("EOF in multi-line string", strstart)
  190.             endmatch = endprog.match(line)
  191.             if endmatch:
  192.                 pos = end = endmatch.end(0)
  193.                 yield (STRING, contstr + line[:end],
  194.                            strstart, (lnum, end), contline + line)
  195.                 contstr, needcont = '', 0
  196.                 contline = None
  197.             elif needcont and line[-2:] != '\\\n' and line[-3:] != '\\\r\n':
  198.                 yield (ERRORTOKEN, contstr + line,
  199.                            strstart, (lnum, len(line)), contline)
  200.                 contstr = ''
  201.                 contline = None
  202.                 continue
  203.             else:
  204.                 contstr = contstr + line
  205.                 contline = contline + line
  206.                 continue
  207.  
  208.         elif parenlev == 0 and not continued:  # new statement
  209.             if not line: break
  210.             column = 0
  211.             while pos < max:                   # measure leading whitespace
  212.                 if line[pos] == ' ': column = column + 1
  213.                 elif line[pos] == '\t': column = (column/tabsize + 1)*tabsize
  214.                 elif line[pos] == '\f': column = 0
  215.                 else: break
  216.                 pos = pos + 1
  217.             if pos == max: break
  218.  
  219.             if line[pos] in '#\r\n':           # skip comments or blank lines
  220.                 yield ((NL, COMMENT)[line[pos] == '#'], line[pos:],
  221.                            (lnum, pos), (lnum, len(line)), line)
  222.                 continue
  223.  
  224.             if column > indents[-1]:           # count indents or dedents
  225.                 indents.append(column)
  226.                 yield (INDENT, line[:pos], (lnum, 0), (lnum, pos), line)
  227.             while column < indents[-1]:
  228.                 if column not in indents:
  229.                     raise IndentationError(
  230.                         "unindent does not match any outer indentation level")
  231.                 indents = indents[:-1]
  232.                 yield (DEDENT, '', (lnum, pos), (lnum, pos), line)
  233.  
  234.         else:                                  # continued statement
  235.             if not line:
  236.                 raise TokenError, ("EOF in multi-line statement", (lnum, 0))
  237.             continued = 0
  238.  
  239.         while pos < max:
  240.             pseudomatch = pseudoprog.match(line, pos)
  241.             if pseudomatch:                                # scan for tokens
  242.                 start, end = pseudomatch.span(1)
  243.                 spos, epos, pos = (lnum, start), (lnum, end), end
  244.                 token, initial = line[start:end], line[start]
  245.  
  246.                 if initial in numchars or \
  247.                    (initial == '.' and token != '.'):      # ordinary number
  248.                     yield (NUMBER, token, spos, epos, line)
  249.                 elif initial in '\r\n':
  250.                     yield (parenlev > 0 and NL or NEWLINE,
  251.                                token, spos, epos, line)
  252.                 elif initial == '#':
  253.                     yield (COMMENT, token, spos, epos, line)
  254.                 elif token in triple_quoted:
  255.                     endprog = endprogs[token]
  256.                     endmatch = endprog.match(line, pos)
  257.                     if endmatch:                           # all on one line
  258.                         pos = endmatch.end(0)
  259.                         token = line[start:pos]
  260.                         yield (STRING, token, spos, (lnum, pos), line)
  261.                     else:
  262.                         strstart = (lnum, start)           # multiple lines
  263.                         contstr = line[start:]
  264.                         contline = line
  265.                         break
  266.                 elif initial in single_quoted or \
  267.                     token[:2] in single_quoted or \
  268.                     token[:3] in single_quoted:
  269.                     if token[-1] == '\n':                  # continued string
  270.                         strstart = (lnum, start)
  271.                         endprog = (endprogs[initial] or endprogs[token[1]] or
  272.                                    endprogs[token[2]])
  273.                         contstr, needcont = line[start:], 1
  274.                         contline = line
  275.                         break
  276.                     else:                                  # ordinary string
  277.                         yield (STRING, token, spos, epos, line)
  278.                 elif initial in namechars:                 # ordinary name
  279.                     yield (NAME, token, spos, epos, line)
  280.                 elif initial == '\\':                      # continued stmt
  281.                     continued = 1
  282.                 else:
  283.                     if initial in '([{': parenlev = parenlev + 1
  284.                     elif initial in ')]}': parenlev = parenlev - 1
  285.                     yield (OP, token, spos, epos, line)
  286.             else:
  287.                 yield (ERRORTOKEN, line[pos],
  288.                            (lnum, pos), (lnum, pos+1), line)
  289.                 pos = pos + 1
  290.  
  291.     for indent in indents[1:]:                 # pop remaining indent levels
  292.         yield (DEDENT, '', (lnum, 0), (lnum, 0), '')
  293.     yield (ENDMARKER, '', (lnum, 0), (lnum, 0), '')
  294.  
  295. if __name__ == '__main__':                     # testing
  296.     import sys
  297.     if len(sys.argv) > 1: tokenize(open(sys.argv[1]).readline)
  298.     else: tokenize(sys.stdin.readline)
  299.