Phân Tích (Parsing) Ruby: Xây Dựng Parser Tùy Chỉnh Từ Con Số 0

Parsing là nghệ thuật biến một mớ chuỗi thành dữ liệu có cấu trúc, dễ hiểu. Regex có thể dùng nhưng không phù hợp mọi trường hợp.

Ví dụ: parse HTML bằng regex là ý tưởng tồi. Ruby có Nokogiri làm sẵn, nhưng tự xây parser giúp hiểu sâu hơn. Bắt đầu thôi!

Parsing Với Ruby

Cốt lõi là class StringScanner - giữ bản sao chuỗi và con trỏ vị trí để duyệt qua các token.

Các phương thức chính:

• .peek - xem trước không di chuyển con trỏ
• .scan_until - quét đến pattern, di chuyển con trỏ
• .getch - đọc 1 ký tự, di chuyển con trỏ

Cũng hữu ích: .scan (không có until).

Lưu ý: Nếu StringScanner không có sẵn, thêm require 'strscan'

Hai test minh họa cách hoạt động:

describe StringScanner do
  let(:buff) { StringScanner.new "testing" }
  it "can peek one step ahead" do
    expect(buff.peek(1)).to eq "t"
  end
  it "can read one char and return it" do
    expect(buff.getch).to eq "t"
    expect(buff.getch).to eq "e"
  end
end

Quan trọng: một số phương thức tiến con trỏ (getch, scan), البعض không (peek). Dùng .inspect hoặc p để xem vị trí hiện tại.

Class Parser

Class Parser chứa logic chính, khởi tạo với chuỗi cần parse, tạo StringScanner và gọi parse:

def initialize(str)
  @buffer = StringScanner.new(str)
  @tags = []
  parse
end

Test định nghĩa như sau:

let(:parser) { Parser.new "<body>testing</body> <title>parsing with ruby</title>" }

Class Tag

Class đơn giản chứa kết quả parse:

class Tag
  attr_reader :name
  attr_accessor :content
  def initialize(name)
    @name = name
  end
end

Bắt Đầu Parse!

HTML có dạng: <tag>nội dung</tag>

Hai thành phần: tên tag và nội dung. Grammar BNF:

tag = <opening_tag> <contents> <closing_tag>
opening_tag = "<" <tag_name> ">"
closing_tag = "</" <tag_name> ">"

Dùng peek kiểm tra ký tự tiếp theo là "<", nếu đúng thì gọi find_tag và find_content:

def parse_element
  if @buffer.peek(1) == '<'
    @tags << find_tag
    last_tag.content = find_content
  end
end

find_tag:

def find_tag
  @buffer.getch
  tag = @buffer.scan_until(/>/)
  Tag.new(tag.chop)
end

def find_content
  tag = last_tag.name
  content = @buffer.scan_until(/<\/#{tag}>/)
  content.sub("</#{tag}>", "")
end

def parse
  until @buffer.eos?
    skip_spaces
    parse_element
  end
end