KPeg 使用与技术文档
1. 安装指南
KPeg 是一个为 Ruby 语言设计的简单 PEG(Parsing Expression Grammar)库。以下是安装 KPeg 的步骤:
-
确保已经安装了 Ruby 环境。
-
使用 RubyGems 安装 KPeg:
gem install kpeg -
安装完成后,你可以在 Ruby 项目中引入 KPeg 库。
2. 项目使用说明
KPeg 允许用户通过定义一系列规则来构建语法。以下是构建语法的步骤:
设置语法
所有语法都以类/模块名称开始,这将作为解析器:
%% name = Example::Parser
接着可以定义一个 Ruby 代码块,该代码块将被添加到解析器的类体中。在这个代码块中定义的属性可以作为实例变量在解析器中使用。同时也可以定义方法,并在动作块中使用它们。
%% {
attr_accessor :something_cool
def something_awesome
# 执行一些伟大的操作
end
}
定义字面量
字面量是设计用于在语法中重用的字符或正则表达式的静态声明。可以是常量或变量。字面量可以接受字符串、正则表达式或字符范围。
ALPHA = /[A-Za-z]/
DIGIT = /[0-9]/
period = "."
string = "a string"
regex = /(regexs?)+/
char_range = [b-t]
字面量也可以接受多个定义:
vowel = "a" | "e" | "i" | "o" | "u"
alpha = /[A-Z]/ | /[a-z]/
定义规则
在使用字符串进行解析之前,需要定义规则来接受或拒绝该字符串。KPeg 中有多种不同类型的规则。
最基础的规则是字符串捕获:
alpha = < /[A-Za-z]/ > { text }
规则还可以像函数一样接受参数:
d(num) = <.> &{ text[0] == num }
规则支持一些正则表达式语法来匹配:
- 可选
? - 多个
+ - 克里尼
* - 分组
()
定义动作
如上所述,KPeg 允许基于匹配执行动作。动作可以定义在提供的块中或规则定义本身。
num = /[1-9][0-9]*/
sum = < num:n1 "+" num:n2 > { n1 + n2 }
引用外部语法
KPeg 允许运行在另一个语法中定义的规则。这对于希望在另一个解析器中重用定义好的规则集非常有用。创建语法并使用 kpeg 命令行工具生成解析器。
kpeg literals.kpeg
在新的语法中引入生成的解析器文件,并创建一个变量来持有外部语法的接口。
%{
require "literals.kpeg.rb"
}
%foreign_grammar = Literal
然后在本地语法文件中使用外部语法中定义的规则。
注释
KPeg 允许使用 # 符号在语法文件中添加注释。
变量
变量如下所示:
%% name = value
KPeg 允许以下控制输出解析器的变量:
name:生成的解析器的类名。custom_initialize:当生成独立的解析器时,默认的initialize方法不会被包含。
指令
指令如下所示:
%% header {
...
}
KPeg 允许以下指令:
header:放在任何生成代码之前。pre-class:放在类定义之前,用于提供类注释。footer:放在类定义之后(用于要求依赖于解析器命名空间的文件)。
3. 项目 API 使用文档
KPeg 的 API 由一系列用于构建语法的规则和方法组成。以下是 API 的简要概述:
< rule > { block }:定义一个规则,并执行一个动作块。&{ condition }:如果条件为真,则返回 true。!{ condition }:如果条件为真,则返回 false。~method_name(args):调用定义的方法。
4. 项目安装方式
KPeg 的安装方式如安装指南中所述,通过 RubyGems 进行安装。
确保已经安装了 Ruby 环境,然后使用以下命令安装 KPeg:
gem install kpeg
安装完成后,你可以开始使用 KPeg 来构建你的语法解析器。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00