用DSL解析文档

Question

我试图想出一种方法来浏览大约一百万份正式文档（为了参数，它们是Thesis文档）。他们并不都是标准化的，但足够接近。它们是标题，章节，段落等。可能会出现细微的差异，例如英文，我们称之为“标题”，但在法语中称为“Titre”。

因此，在我看来，最好的办法是创建一个EBNF，其中包含所有可能的标题组合：标题|例如，滴定。

我并不太在意EBNF。我主要关心的是如何实现解析。我看过ANTLR，OSLO，Irony和其他一些人，但他们没有专业知识来判断他们是否适合我的任务。

所以，我的问题在你们中间学到的是

1. 你会推荐哪DSL工具，这种规模的解析文件？
2. 什么DSL工具是最准确的解析，但宽容匹配（即我们必须定义规则的大写和小写，那么数字与罗马数字和外语（法语）怎么样
3. 有没有一个过程/算法，我还没有考虑过你会推荐作为DSL的替代方案吗？（从头开始重写是一种选择，但我希望能够快速找到某种工作方式）
4. 有没有人试图给算法添加学习和智能用于解析DSLs（想想遗传算法和神经网络）？
5. 你会在生产环境中使用这些DSL工具吗？

我选择的开发平台是C＃。我提到这一点是因为理想情况下我想将DSL工具集成到代码中，以便我们可以从现有的应用程序中使用它。

Answer 1

我遇到了一个名为TinyPG的工具。它不完全是我所需要的，但有源代码可以让我生成我需要的东西。