mirror of
https://github.com/bspeice/dtparse
synced 2024-11-14 09:58:09 -05:00
Add tokenization from Dateutil
This commit is contained in:
parent
9ab5a3d5e3
commit
af0908c3cc
215
src/lib.rs
215
src/lib.rs
@ -1,14 +1,221 @@
|
|||||||
extern crate chrono;
|
extern crate chrono;
|
||||||
|
|
||||||
use chrono::NaiveDateTime;
|
|
||||||
use chrono::DateTime;
|
use chrono::DateTime;
|
||||||
use chrono::Utc;
|
use chrono::NaiveDateTime;
|
||||||
use chrono::ParseError;
|
use chrono::ParseError;
|
||||||
use std::time::UNIX_EPOCH;
|
use chrono::Utc;
|
||||||
use std::time::SystemTime;
|
use std::time::SystemTime;
|
||||||
|
use std::time::UNIX_EPOCH;
|
||||||
|
use std::vec::Vec;
|
||||||
|
|
||||||
|
#[cfg(test)]
|
||||||
|
mod tests;
|
||||||
|
|
||||||
|
#[derive(PartialEq, Debug)]
|
||||||
|
pub enum Token {
|
||||||
|
Alpha(String),
|
||||||
|
Numeric(String),
|
||||||
|
Separator(String),
|
||||||
|
}
|
||||||
|
|
||||||
|
pub struct Tokenizer {
|
||||||
|
token_stack: Vec<Token>,
|
||||||
|
parse_string: String,
|
||||||
|
}
|
||||||
|
|
||||||
|
#[derive(Debug)]
|
||||||
|
enum ParseState {
|
||||||
|
Empty,
|
||||||
|
Alpha,
|
||||||
|
AlphaDecimal,
|
||||||
|
Numeric,
|
||||||
|
NumericDecimal,
|
||||||
|
}
|
||||||
|
|
||||||
|
impl Tokenizer {
|
||||||
|
|
||||||
|
fn new(parse_string: String) -> Self {
|
||||||
|
Tokenizer {
|
||||||
|
token_stack: Vec::new(),
|
||||||
|
parse_string: parse_string.chars().rev().collect(),
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
impl Iterator for Tokenizer {
|
||||||
|
type Item = Token;
|
||||||
|
|
||||||
|
fn next(&mut self) -> Option<Self::Item> {
|
||||||
|
if !self.token_stack.is_empty() { return Some(self.token_stack.pop().unwrap()) };
|
||||||
|
if self.parse_string.is_empty() { return None };
|
||||||
|
|
||||||
|
let mut char_stack: Vec<char> = Vec::new();
|
||||||
|
let mut seen_letters = false;
|
||||||
|
let mut state = ParseState::Empty;
|
||||||
|
|
||||||
|
while let Some(next) = self.parse_string.pop() {
|
||||||
|
println!("{} - {:?}", next, state);
|
||||||
|
match state {
|
||||||
|
ParseState::Empty => {
|
||||||
|
if next.is_numeric() {
|
||||||
|
state = ParseState::Numeric;
|
||||||
|
char_stack.push(next);
|
||||||
|
} else if next.is_alphabetic() {
|
||||||
|
state = ParseState::Alpha;
|
||||||
|
seen_letters = true;
|
||||||
|
char_stack.push(next);
|
||||||
|
} else if next.is_whitespace() {
|
||||||
|
char_stack.push(' ');
|
||||||
|
break;
|
||||||
|
} else {
|
||||||
|
char_stack.push(next);
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
},
|
||||||
|
ParseState::Alpha => {
|
||||||
|
if next.is_alphabetic() {
|
||||||
|
char_stack.push(next);
|
||||||
|
} else if next == '.' {
|
||||||
|
state = ParseState::AlphaDecimal;
|
||||||
|
char_stack.push(next);
|
||||||
|
} else {
|
||||||
|
// We don't recognize the character, so push it back
|
||||||
|
// to be handled later.
|
||||||
|
self.parse_string.push(next);
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
},
|
||||||
|
ParseState::AlphaDecimal => {
|
||||||
|
if next == '.' || next.is_alphabetic() {
|
||||||
|
char_stack.push(next);
|
||||||
|
} else if next.is_numeric() && char_stack.last().unwrap().clone() == '.' {
|
||||||
|
char_stack.push(next);
|
||||||
|
state = ParseState::NumericDecimal;
|
||||||
|
} else {
|
||||||
|
self.parse_string.push(next);
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
},
|
||||||
|
ParseState::Numeric => {
|
||||||
|
if next.is_numeric() {
|
||||||
|
char_stack.push(next);
|
||||||
|
} else if next == '.' || (next == ',' && char_stack.len() >= 2) {
|
||||||
|
char_stack.push(next);
|
||||||
|
state = ParseState::NumericDecimal;
|
||||||
|
} else {
|
||||||
|
// We don't recognize the character, so push it back
|
||||||
|
// to be handled later
|
||||||
|
self.parse_string.push(next);
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
},
|
||||||
|
ParseState::NumericDecimal => {
|
||||||
|
if next == '.' || next.is_numeric() {
|
||||||
|
char_stack.push(next);
|
||||||
|
} else if next.is_alphabetic() && char_stack.last().unwrap().clone() == '.' {
|
||||||
|
char_stack.push(next);
|
||||||
|
state = ParseState::AlphaDecimal;
|
||||||
|
} else {
|
||||||
|
self.parse_string.push(next);
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}};
|
||||||
|
|
||||||
|
// I like Python's version of this much better:
|
||||||
|
// needs_split = seen_letters or char_stack.count('.') > 1 or char_stack[-1] in '.,'
|
||||||
|
let dot_count = char_stack.iter().fold(0, |count, character| count + (if character == &'.' {1} else {0}));
|
||||||
|
let needs_split = seen_letters || dot_count > 1 || char_stack.last().unwrap() == &'.' || char_stack.last().unwrap() == &',';
|
||||||
|
let final_string = char_stack.into_iter().collect();
|
||||||
|
|
||||||
|
let mut tokens = match state {
|
||||||
|
ParseState::Empty => vec![Token::Separator(final_string)],
|
||||||
|
ParseState::Alpha => vec![Token::Alpha(final_string)],
|
||||||
|
ParseState::Numeric => vec![Token::Numeric(final_string)],
|
||||||
|
ParseState::AlphaDecimal => {
|
||||||
|
if needs_split {
|
||||||
|
decimal_split(&final_string, false)
|
||||||
|
} else {
|
||||||
|
vec![Token::Alpha(final_string)]
|
||||||
|
}
|
||||||
|
}
|
||||||
|
ParseState::NumericDecimal => {
|
||||||
|
if needs_split {
|
||||||
|
decimal_split(&final_string, dot_count == 0)
|
||||||
|
} else {
|
||||||
|
vec![Token::Numeric(final_string)]
|
||||||
|
}
|
||||||
|
}
|
||||||
|
}.into_iter().rev().collect();
|
||||||
|
|
||||||
|
self.token_stack.append(&mut tokens);
|
||||||
|
// UNWRAP: Previous match guaranteed that at least one token was added
|
||||||
|
Some(self.token_stack.pop().unwrap())
|
||||||
|
}
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
fn decimal_split(characters: &str, cast_period: bool) -> Vec<Token> {
|
||||||
|
let mut token_stack: Vec<Token> = Vec::new();
|
||||||
|
let mut char_stack: Vec<char> = Vec::new();
|
||||||
|
let mut state = ParseState::Empty;
|
||||||
|
|
||||||
|
for c in characters.chars() { match state {
|
||||||
|
ParseState::Empty => {
|
||||||
|
if c.is_alphabetic() {
|
||||||
|
char_stack.push(c);
|
||||||
|
state = ParseState::Alpha;
|
||||||
|
} else if c.is_numeric() {
|
||||||
|
char_stack.push(c);
|
||||||
|
state = ParseState::Numeric;
|
||||||
|
} else {
|
||||||
|
let character = if cast_period { '.' } else { c };
|
||||||
|
token_stack.push(Token::Separator(character.to_string()));
|
||||||
|
}
|
||||||
|
},
|
||||||
|
ParseState::Alpha => {
|
||||||
|
if c.is_alphabetic() {
|
||||||
|
char_stack.push(c);
|
||||||
|
} else {
|
||||||
|
token_stack.push(Token::Alpha(char_stack.iter().collect()));
|
||||||
|
char_stack.clear();
|
||||||
|
let character = if cast_period { '.' } else { c };
|
||||||
|
token_stack.push(Token::Separator(character.to_string()));
|
||||||
|
state = ParseState::Empty;
|
||||||
|
}
|
||||||
|
},
|
||||||
|
ParseState::Numeric => {
|
||||||
|
if c.is_numeric() {
|
||||||
|
char_stack.push(c);
|
||||||
|
} else {
|
||||||
|
token_stack.push(Token::Numeric(char_stack.iter().collect()));
|
||||||
|
char_stack.clear();
|
||||||
|
let character = if cast_period { '.' } else { c };
|
||||||
|
token_stack.push(Token::Separator(character.to_string()));
|
||||||
|
state = ParseState::Empty;
|
||||||
|
}
|
||||||
|
},
|
||||||
|
_ => panic!("Invalid parse state during decimal_split()")
|
||||||
|
}}
|
||||||
|
|
||||||
|
match state {
|
||||||
|
ParseState::Alpha => token_stack.push(Token::Alpha(char_stack.iter().collect())),
|
||||||
|
ParseState::Numeric => token_stack.push(Token::Numeric(char_stack.iter().collect())),
|
||||||
|
ParseState::Empty => (),
|
||||||
|
_ => panic!("Invalid parse state during decimal_split()")
|
||||||
|
}
|
||||||
|
|
||||||
|
token_stack
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
pub fn tokenize(parse_string: &str) -> Vec<Token> {
|
||||||
|
let tokenizer = Tokenizer::new(parse_string.to_owned());
|
||||||
|
tokenizer.collect()
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
pub fn parse(date: &str) -> Result<DateTime<Utc>, ParseError> {
|
pub fn parse(date: &str) -> Result<DateTime<Utc>, ParseError> {
|
||||||
|
|
||||||
let current = SystemTime::now();
|
let current = SystemTime::now();
|
||||||
let epoch = current.duration_since(UNIX_EPOCH).unwrap();
|
let epoch = current.duration_since(UNIX_EPOCH).unwrap();
|
||||||
|
|
||||||
|
50
src/tests.rs
Normal file
50
src/tests.rs
Normal file
@ -0,0 +1,50 @@
|
|||||||
|
use super::Token;
|
||||||
|
use super::tokenize;
|
||||||
|
|
||||||
|
macro_rules! t {
|
||||||
|
($string: expr, $( $x: expr ),* ) => {
|
||||||
|
assert_eq!(
|
||||||
|
tokenize($string),
|
||||||
|
vec![$( $x, )*]
|
||||||
|
)
|
||||||
|
};
|
||||||
|
}
|
||||||
|
|
||||||
|
macro_rules! a {
|
||||||
|
($string:expr) => {
|
||||||
|
Token::Alpha($string.to_owned())
|
||||||
|
};
|
||||||
|
}
|
||||||
|
|
||||||
|
macro_rules! n {
|
||||||
|
($string:expr) => {
|
||||||
|
Token::Numeric($string.to_owned())
|
||||||
|
};
|
||||||
|
}
|
||||||
|
|
||||||
|
macro_rules! s {
|
||||||
|
($string:expr) => {
|
||||||
|
Token::Separator($string.to_owned())
|
||||||
|
};
|
||||||
|
}
|
||||||
|
|
||||||
|
#[test]
|
||||||
|
fn test_basic_tokenize() {
|
||||||
|
t!("Sep.2009.24",
|
||||||
|
a!("Sep"), s!("."), n!("2009"), s!("."), n!("24"));
|
||||||
|
|
||||||
|
t!("Sep.2009;24",
|
||||||
|
a!("Sep"), s!("."), n!("2009"), s!(";"), n!("24"));
|
||||||
|
|
||||||
|
t!("Sep.2009,24",
|
||||||
|
a!("Sep"), s!("."), n!("2009"), s!(","), n!("24"));
|
||||||
|
|
||||||
|
t!("24 Sep., 2009",
|
||||||
|
n!("24"), s!(" "), a!("Sep"), s!("."), s!(","), s!(" "), n!("2009"));
|
||||||
|
|
||||||
|
t!("2009.24",
|
||||||
|
n!("2009.24"));
|
||||||
|
|
||||||
|
t!("2009.24.09",
|
||||||
|
n!("2009"), s!("."), n!("24"), s!("."), n!("09"));
|
||||||
|
}
|
@ -2,15 +2,15 @@ extern crate chrono;
|
|||||||
extern crate dtparse;
|
extern crate dtparse;
|
||||||
|
|
||||||
use chrono::DateTime;
|
use chrono::DateTime;
|
||||||
use chrono::Utc;
|
|
||||||
use chrono::NaiveDate;
|
use chrono::NaiveDate;
|
||||||
use chrono::NaiveTime;
|
|
||||||
use chrono::NaiveDateTime;
|
use chrono::NaiveDateTime;
|
||||||
|
use chrono::NaiveTime;
|
||||||
|
use chrono::Utc;
|
||||||
|
|
||||||
use dtparse::parse;
|
use dtparse::parse;
|
||||||
|
|
||||||
macro_rules! ymd_test {
|
macro_rules! ymd_test {
|
||||||
($date: expr, $year: expr, $month: expr, $day: expr) => {
|
($date:expr, $year:expr, $month:expr, $day:expr) => {
|
||||||
let nd = NaiveDate::from_ymd($year, $month, $day);
|
let nd = NaiveDate::from_ymd($year, $month, $day);
|
||||||
let nt = NaiveTime::from_hms(0, 0, 0);
|
let nt = NaiveTime::from_hms(0, 0, 0);
|
||||||
let dt = NaiveDateTime::new(nd, nt);
|
let dt = NaiveDateTime::new(nd, nt);
|
||||||
|
Loading…
Reference in New Issue
Block a user