ANTLR语法规则匹配异常：如何为图编号识别设置边界？

核心思路 #

要打破ANTLR最长输入匹配的影响，必须明确图编号的合法字符范围，通过语法规则严格限制编号的结束边界，避免把后续非编号字符误纳入匹配范围。

具体实现方案 #

1. 精准定义合法图编号规则 #

先明确图编号的组成逻辑：

• 主编号：纯数字（0-9）
• 子索引：仅支持三种形式——数字+字母（如1A）、数字+.+数字（如1.1）、数字+.+字母（如3.A）

基于此在Lexer中定义Token规则：

FIGURE_LABEL: DIGIT+ ( (DOT (DIGIT | LETTER)) | LETTER )?;
fragment DIGIT: [0-9];
fragment LETTER: [A-Za-z];
fragment DOT: '.';

2. 针对不同场景限制匹配边界 #

场景1：处理Figure 6.Regulation（编号后直接跟标题无空格）

问题根源是Lexer把6.R当成了合法编号，需要通过语义谓词区分“子索引的点”和“标题前的点”：

FIGURE_LABEL: DIGIT+ ( 
    // 如果点后不是字母，保留点作为编号一部分
    (DOT {_input.LA(1) != [A-Za-z]}?) |  
    // 子索引场景：点后必须是数字或字母
    (DOT (DIGIT | LETTER)) |  
    // 子索引场景：数字后直接跟字母
    LETTER  
)?;

该规则会在点后是标题起始字母时，自动终止编号匹配，仅把6.识别为编号。

场景2：处理See in Figure 2.1, 86Formula（多编号+编号后接文本）

把图引用的识别逻辑从Lexer转移到Parser，通过上下文判断边界：

// Parser规则
parser grammar FigureParser;
options { tokenVocab=FigureLexer; }

figureReference: 
    'Figure' figureLabel ('.'? caption)?
    | 'See in Figure' figureLabel (COMMA figureLabel)* (','? restOfText)?;

figureLabel: DIGIT+ ( (DOT DIGIT) | (DOT LETTER) | LETTER )?;

caption: LETTER+;
restOfText: ~[,.]+;

// Lexer规则
lexer grammar FigureLexer;

DIGIT: [0-9]+;
LETTER: [A-Za-z]+;
DOT: '.';
COMMA: ',';
WS: [ \t\n\r]+ -> skip;
OTHER: . -> skip;

这种方式会把86识别为独立编号，Formula被归到后续文本中，避免86F被误判为编号。

关键注意事项 #

• 必须提前明确所有合法的图编号格式，确保规则覆盖所有子索引形式，同时排除标题相关字符。
• 优先用Parser处理上下文相关场景，比单纯依赖Lexer的Token匹配更灵活。
• 测试时要覆盖所有边缘情况：纯数字编号、带点的子索引、带字母的子索引、编号后直接跟标题、多编号分隔等。

内容的提问来源于stack exchange，提问作者Korpusova Svetlana