2010-03 << 2010-04 >> 2010-05

2010-04-08 (木)

*正規表現でPHPのコードをパースする

正規表現はテキスト処理の必需品ですが，構造化された文字列を処理するのはちょっと(？)難しいです．

ただ，PCREの拡張正規表現を使うと，比較的簡単にプログラムのコードのようなものから必要な情報を抜き出すことができます．

ちゃんとしたパーサがあれば使うことに越したことはありませんし，正確な情報が取れますが，手っ取り早く済ませたい場合，やはり正規表現で書くことになると思います．

$code = preg_replace('/([\"\'])([^\1\\\\]|(\\\\.))*?\1/',' _STR_ ',$code); // 文字列を置き換える
$code = preg_replace('/\/\/.*/',' _COMMENT_ ',$code); // コメントを置き換える
$code = preg_replace('/\s+/',' ',$code); // 連続する空白をスペースに
$code = preg_replace('/((?<=[^\w_])\s+(?=[\w_]))|((?<=[\w_])\s+(?=[^\w_]))/','',$code); // 余分な空白削除

preg_match_all( <<< RE_END
/
    (
        # 記号
        \{ | \} |
        # 予約語
        (?<=[^\w])
         (?:if|else|elseif|catch|try|switch|for|foreach)
        (?=[^\w])
    )
    # 予約後に続くパラメータ等
    ((?<=[\w])\s*[^;\{\}:]+)?
/x
RE_END
, $code, $match)

本当は複数行コメントとか色々ありますが，とりあえずこんな感じで書けると思います．

拡張正規表現の後方一致検索(?<=)や前方一致(?=)は正規表現の先頭や末尾でしか使わない人をたまに見かけますが，途中に入れてトークン切り出しの制約を付けると便利です．上のように書いておけば，$match[1]に記号や予約語が，$match[2]にパラメータにあたる文字列が入っているので，後々扱いやすくなります．

ただ，関数の宣言や呼びだしとか，変数への代入とかの情報も欲しくなると，恐ろしいことになるので気を付けた方が良いでしょう．複数の正規表現で書ければ良いのですが，前後関係の情報が失われてしまうのでできません．preg_系の関数がマッチした位置を列挙できれば良いのですが…．

PHPプログラマっぽい日記を書きました．

2010-03 << 2010-04 >> 2010-05