Parsing 我可以强制ANTL4读取期望的标记，而不是让它猜测它可能是什么类型的标记吗？

我尝试编写一个简单的ANTLR4语法来解析SRT字幕文件。我原以为这将是一项简单的介绍性任务，但我想我一定错过了一些要点。但首先，语法：

grammar Srt;

file    :   subtitle (NL NL subtitle)* EOF;

subtitle:   SUBNO NL
            TSTAMP ' --> ' TSTAMP NL
            LINE (NL LINE)*;

TSTAMP  :   I99 ':' I59 ':' I59 ',' I999;
SUBNO   :   D09+;
NL      :   '\r'? '\n';
LINE    :   ~('\r'|'\n')+;

fragment I999   :   D09 D09 D09;
fragment I99    :   D09 D09;
fragment I59    :   D05 D09;
fragment D09    :   [0-9];
fragment D05    :   [0-5];

下面是SRT文件的开头，其中出现了问题：

1
00:00:20,000 --> 00:00:26,000

我得到的错误是：

line 2:0 mismatched input '00:00:20,000 --> 00:00:26,000' expecting TSTAMP

因此，它看起来像是应用于lexer规则

line

（因为这是它可以匹配的最长标记），然而我期望的是匹配规则

TSTAMP

（这就是为什么它在语法中定义在

line

规则之前）。我的ANTLR4知识在这一点上很薄弱，无法在某种程度上调整语法，lexer可以根据解析器规则中的当前位置，尝试匹配标记上的子集。我想要实现的是匹配

TSTAMP

，而不是

行

，因为

TSTAMP

实际上是预期的输入。也许我可以用一些lexer模式来欺骗它，但我很难相信它不能用一种更简单的方式来写。可以吗

---

正如CoronA所建议的，技巧是将

LINE

规则的决定推迟到解析器，这就是线索。我对语法做了更多修改，现在它顺利地添加了字幕：

grammar Srt;

file    :   subtitle (NL NL subtitle)* EOF;

subtitle:   SUBNO NL
            TSTAMP ' --> ' TSTAMP NL
            lines;

lines   :   line (NL line)*;
line    :   (LINECHAR | SUBNO | TSTAMP)*;

TSTAMP  :   I99 ':' I59 ':' I59 ',' I999;
SUBNO   :   D09+;
NL      :   '\r'? '\n';
LINECHAR:   ~[\r\n];

fragment I999   :   D09 D09 D09?;
fragment I99    :   D09 D09;
fragment I59    :   D05 D09;
fragment D09    :   [0-9];
fragment D05    :   [0-5];

---

您对令牌

行的定义包含了所有内容：

LINE    :   ~('\r'|'\n')+;

每个
TSTAMP
也是一个
行
，但一行可以匹配更长的词条。正如你所看到的。ANTLR更喜欢最长的比赛

要使语法正常工作，请将一行是什么的决策从lexer转移到解析器中：

subtitle:   SUBNO NL
            TSTAMP ' --> ' TSTAMP NL
            line*;

line:   (LINECHAR | TSTAMP | SUBNO)* NL?;

...

LINECHAR    :   ~('\r'|'\n' ) ; //remove the '+'

您可以看到，一行可能包含任何
line\u CHAR
，但也包含
TSTAMP
s和
SUBNO
s。
这就是问题所在-
line
实际上可以是一切，事实上它可以（为什么不？）包含
TSTAMP
或任何其他“标记”。结构如
副标题
规则：
SUBNO NL TSTAMP'-->“TSTAMP NL LINE（NL LINE）*
所述。所以，行是“NL-s之间的所有内容”，尽管它应该在使用
TSTAMP
s的行之后。如您所见，两个
subtitle
用两个NL-s分隔。不使用ANTLR4编写解析器/词法分析器非常容易，但我开始相信（使用ANTLR）编码规则是不可能的，因为解析器规则强制执行某些词法分析器规则（取决于当前上下文）？我调整了我的建议。诀窍是将
行
的决定推迟到解析器。谢谢，它成功了。虽然。。。如果知道输入的内容，是否有可能以更简单的方式定义规则，比如“读取每个字符直到这个字符”？目前，line正在搜索诸如TSTAMP或SUBNO之类的标记，但知道传入数据的含义，实际上没有必要尝试从输入中提取这些标记。还有其他解析器（如Parboach之类的PEG解析器）允许您使用此类规范。ANTLR没有（也就是说，我不知道怎么做）。谢谢你的提示-似乎它是更适合这种情况的工具。