情報抽出（extraction）の検索範囲とは、基本的にノード集合（空集合のときもある）だが、次の構造を持つ。 侵入的順序構造：パターンマッチングの失敗時と、侵入的パターンによるマッチングの成功時に「次」を決めるために使用する順序。線形順序である。 …

抽出式は、マッチングに失敗してもnullまたは[]を戻す。エラーや例外はない。これだと、特定の要素や属性の出現を必須（required）とすることができない。必須の出現性を表すために '!' を導入したが、'!' を付けても抽出に関して特に何の変化もない。抽出と…

組み込み変数は $:text のような形だが、$text() と関数形式がいいような気もする。いざとなったら引数も付けられるし。追加したいのは： $nodeName() DOMのnodeName。要素のときは $tagName() と同じ。他は、#text, #comment, #document。コメントとPIの区…

空セレクターは <> の形、中身がない。空セレクターを持つ原子パターンは <> ... となる。空セレクターはどんなノードともマッチするが、<(node)> とはまったく違う。非空であるセレクターと空セレクターは別物と考えたほうがよい。空セレクターを持つパタ…

パターンの侵入性 空セレクターを持つパターン 組み込み変数から関数に 関数（組み込み変数）の追加 マッチングのキャンセル機構 シーケンスパターンの導入 「パターンの侵入性」は既に論じた。他の項目を別々な記事にする。

パターンの侵入性に関して、デフォルトは非侵入的にすると書いた（→「非侵入的パターンと侵入的パターン - 檜山正幸のキマイラ飼育記 メモ編」）。しかし、やっぱり侵入的かもしれない。侵入的パターンだと、意図しない重複出力が生じる。これが問題なので非…

新しい用語法によれば、パターンは次のいずれかの形である。 原子パターン（atomic pattern） 原子パターンのOrElse結合 デフォルトで、パターンは非侵入的であるとする。つまり、あるノードにマッチングした場合（成功時）、次のノードは水平順序により決定…

Eが抽出式のとき、extract(a, E) は次のように評価される。 aとEから決まる検索範囲のノードセット（XPathで言う軸）をSとする。Sが空のときもある。 Eから決まるパターンをPとする。 概念的には（実装とは違う）、検索範囲Sをスキャンして配列として結果を…

パターンは、ノードaに対してマッチングされ、マッチングが成功すると内容が評価されてパターン全体の値を得る。マッチング失敗のときは、内容の評価に進まず、評価は中止される。説明の便宜上の話であるが、マッチングの失敗を表すためにundefinedを使う。…

従来（うちわで）使っていた用語法を幾分変える。情報抽出に使う式を抽出式（extract expression）と呼ぶ。次のBNFでパターンを定義する。 原子パターン ::= セレクター 条件式? 内容? 終端子 パターン ::= 原子パターン | '(' 原子パターン ('|' 原子パター…

Information Extractorとでも呼ぶべきソフトウェアについて、[extract]タグを付けて書く。系統的には書けないが、そのとき重要だと思ったことを書く。Information Extractorのおよその構造は既に分かっている。式（expression）を使って文書ツリーから情報を…