Parsing 在antlr4语法中实现标记文本样式运算符时，如何首先进行最短匹配？

我在互联网上找到了以下（简化的）语法，当时我正在寻找一种解决方案，解决了一个必须解析类似Markdown的语法的问题

grammar Markdown;

parse    :   stat+;

stat    :   bold
        |   text
        |   WS
        ;

text    :   TEXT|SPACE;

bold    :   ('**'stat*'**');

TEXT    :   [a-zA-Z0-9]+;

SPACE   :   ' ';

WS      :   [\t\r\n]+;

我想要实现的是，antlr4首先对一个看起来像

**bold1**not bold**bold2**

的句子进行最短匹配。 这意味着

bold1

将是粗体的

不粗体的

不，并且

bold2

再次粗体

但是，由于antlr4首先使用最长匹配，antlr4将示例解析为两个嵌套的粗体，这是错误的

对于这个问题，我已经考虑过很多非常复杂的解决方案，但实际上我并不想使用。 有简单的解决办法吗

更新： 显然我把这个例子简化得太多了。 现在这里有一个扩展语法（不再识别标记），但它说明了我的问题。 需要注意的是，

stat

也可以是一个

变量

，它只是我的语言可能包含的任何关键字的占位符

grammar StyleParser;

parse    :   styled_stat+;

styled_stat : italic
            | bold
            | underline
            | stat
            ;

stat    :   variable
        |   text
        ;

variable: VARIABLE;
text    :   TEXT|SPACE;

italic  :   ITALIC (stat | italic_bold | italic_underline)* ITALIC;
italic_bold: BOLD (stat | italic_bold_underline)* BOLD;
italic_bold_underline: UNDERLINE stat* UNDERLINE;

italic_underline: UNDERLINE (stat | italic_underline_bold)* UNDERLINE;
italic_underline_bold: BOLD stat* BOLD;

bold    :   BOLD (stat | bold_italic | bold_underline)* BOLD;
bold_italic: ITALIC (stat | bold_italic_underline)* ITALIC;
bold_italic_underline: UNDERLINE stat* UNDERLINE;

bold_underline: UNDERLINE (stat | bold_underline_italic)* UNDERLINE;
bold_underline_italic: ITALIC stat* ITALIC;

underline   :   UNDERLINE (stat | underline_bold | underline_italic)* UNDERLINE;   
underline_italic: ITALIC (stat | underline_italic_bold)* ITALIC;
underline_italic_bold: BOLD stat* BOLD;

underline_bold: BOLD (stat | underline_bold_italic)* BOLD;
underline_bold_italic: ITALIC stat* ITALIC; 

SPACE   :   ' ';

VARIABLE : 'VAR';
TEXT    :   [a-zA-Z0-9]+;

ITALIC: '//';
BOLD: '==';
UNDERLINE: '__';

使用这种语法，我不能嵌套相同的样式，但我可以嵌套不同的样式。例如，它正确地解析

==bold1\u下划线//斜体//\u下划线==非

。

---

问题是规则的数量随着您引入的样式的数量呈指数增长，我想避免这种情况。

解析标记非常重要。一种方法是

lex本质上不含糊的位

在lexer-emit上，评估每个词的语义上下文，并根据需要进行调整

再次解析增强的lexer流，直到令牌序列本质上是无歧义的

树漫游以注释树或以其他方式构建数据结构，这些数据结构以标记语法术语完全描述树元素

因此，对于标记样式的

WORD

（定义为不包含限定属性的文本字符串）的一般情况，解析器定义为

word
    : attrLeft* 
      w=( WORD | ENTITY | UNICODE
        | URL  | URLTAG | SPAN | HTML 
        )
      attrRight*
    ;

attrLeft  : LBOLD | LITALIC | LSTRIKE | LDQUOTE | LSQUOTE ;
attrRight : RBOLD | RITALIC | RSTRIKE | RDQUOTE | RSQUOTE ;

在lexer中，将所有属性定义为默认的

left

，并为

right

属性和

WORD

tokens {
    WORD,
    RBOLD,
    RITALIC,
    RSTRIKE,
    RDQUOTE,
    RSQUOTE
}

// attributes
LBOLD   : Bold   ;
LITALIC : Italic ;
LSTRIKE : Strike ;
LDQUOTE : Quote  ;
LSQUOTE : Mark   ;

... 

// last line in the lexer
CHAR : EscChar | . ;

在lexer

超类中，覆盖

public void emit(Token t) {...}

并决定是否

任何特定的
左
属性实际上都应该重新指定为
右
属性
CHAR
应累积到当前的
WORD
中，或应添加到新的
WORD
实例中
现在，树漫游者可以评估
word
s的序列，并处理潜在的多个重叠嵌套属性的处理。
为什么要区分
SPACE
和
WS
？无论如何，你的问题是你的语法没有反映出粗体部分不能相互嵌套的事实。因此，
bold
规则不应该与
stat
相互递归。很抱歉造成混淆。我过分简化了这个例子。请再看看我的更新。