parsing

The paper introduces Stoicheia, a 405M-parameter character-level masked diffusion encoder for Ancient Greek that unifies textual restoration, parsing, and metrical scansion in a single model, outperforming prior systems like Ithaca on benchmark tasks.

LlamaIndex 认为，文档 OCR 并未被前沿模型商品化，基准数据显示专业解析器仍然更准确且成本更低。

这篇文章解释了像 PCRE 这样的现代正则表达式引擎能够解析远超正则语言的内容，驳斥了“HTML 无法用正则表达式解析”这一常见说法。

本文探讨了解析 C 语言 `sizeof` 运算符所面临的挑战，该运算符可以接受表达式或带括号的类型，而复合字面量和后缀运算符又带来了额外的复杂性。文章讨论了解析策略，并指出 C2y 新引入的 `_Countof` 运算符也面临类似问题。

一篇博客文章，介绍 bx::Scanner，一组小型零拷贝、无分配的扫描原语，简化了编写解析器的过程，而无需完整的解析器生成器或复杂的 PEG 库。

关于在 Scheme (Gambit) 中构建解析器组合子的教程，解释了如何使用函数式编程技术编写快速且可读的解析器。

ast-grep 用 Rust 重写了 Tree-sitter 的 C 核心，实现了高达 30% 的解析速度提升和 22% 的端到端性能提升，但内存使用略有增加。

这篇博文探讨了C23中涉及`auto`作为类型推断说明符或存储类说明符的解析歧义，展示了当`x`是typedef时，GCC和Clang在解析如`auto x = 67;`这样的声明上的分歧，以及属性如何使情况复杂化。

一篇介绍如何在个人网站上消费和使用Microformats 2数据的文章，涵盖解析器选择、获取注意事项和数据存储策略。

这篇博文开启了一个系列，介绍如何在Python中构建APL解释器，涵盖对包含数字、函数和运算符的基本APL表达式进行分词和解析。

七十年解析理论及其在计算机科学中的实际应用概述。

本文研究了利用大型语言模型（LLM）重写碎片化对话话语以改进冻结的篇章解析器，发现零样本澄清不可靠，且通过重写进行错误修复存在实际上限，表明可重写性预测是一项缺失的关键能力。

一篇探讨在TypeScript中应用“解析，而非验证”原则的博客文章，展示了如何使用品牌类型（branded types）在解析后保留类型信息，尽管TypeScript的结构类型系统使得这种做法不如在Elm或Haskell等语言中那样自然。

作者分享了一个具体例子，使用Claude AI调试hyperscript中的解析回归问题，展示了AI辅助开发的优势与不足，并提醒不要过度依赖。

一篇介绍类型化代数解析方法的论文，很可能来自剑桥大学。

该论文介绍了 simdjson，这是第一个能够在单核上使用 SIMD 指令每秒处理数 GB 数据的验证性 JSON 解析器，相比 RapidJSON 等现有解析器实现了显著的加速。

本技术指南介绍了如何使用 Python 和 Apache Spark 实现自定义查询语言（EHQL），重点在于使用 Lark 定义语法和解析。

百度发布Unlimited-OCR，这是一个基于Deepseek-OCR构建的开源模型，用于一次性长程文档解析，支持单张图片、多页文档和PDF。

一份全面的指南，介绍HTTP服务器的工作原理，涵盖网络协议、分块编码、状态机、解析器编写和并发基础知识，并附有亲手构建的说明。

C++26的#embed和静态反射，结合simdjson库，允许在编译时解析JSON，将配置文件转化为编译时常量，无运行时开销。