在标准Python 解析器中，有关缺省变量值的限制非常模糊。基于此，很多编译器允许开发人员将缺省变量值包含在函数声明，指向函数的指针和引用，成员函数的指针，以及typedef声明中。
首先初步了解 DParser 这一由 J. Plevyak 编写的简单而强大的解析工具。然后了解用于 Python 的 DParser，它为 Python 程序员提供了一个访问 DParser 的无缝接口，并看看它与上一期中介绍的解析器的比较。语法规则以类似于 Spark 或 PLY 的方式通过 Python 函数文档字符串加入到 DParser 中。 有很多可用的 Python 解析器程序库。
DParser 与所有其他解析器的不同之处是什么？是这样，类似于 PLY 和 Spark，用于 Python 的 DParser 使用函数文档字符串来表示其结果（productions）。这种风格使得您可以将动作代码直接插入到一个结果中，以处理当一个特定的语法规则得到满足时将发生的事件。
与 PLY 或 Spark 相反，DParser 本身是用 C 编写的，因而可能会比纯粹的 Python 解析器快得多。用于 Python 的 DParser 是底层的 C 程序库之外的一个非常精简的包装器（wrapper） —— 对 Python 的回调需要一些额外的时间。
但是基本的解析是以 C 语言的速度来进行的。不过，就本文而言，我没有尝试进行任何具体的基准测试。所以，相对于其他解析器来说，DParser 到底有多快或多慢不是我所能直接评论的。有很多读者推荐说用于 Python DParaser 值得关注。顺便提一句，如您将在示例中所看到的，DParser 不使用任何单独的标记传递。
而只是直接解析。您可以通过定义保留的 d_whitespace() 函数来控制空格的识别（它分离解析符号）；这样就使得您可以随意使用标记。 后面跟有问号的结果是推测性的尝试；那些后面其实没有最终的结果。与此相关， DParser 让您有能力当结果成为推测的或者是最终解析时采取不同的动作。
默认情况下，函数体中的动作只作用于最终解析。不过，您可以向结果指定两个额外参数中的一个来处理推测性解析。（还有很多本文中没有讨论的选项参数。） 尽管得到了一些读者的建议，我还是不太看重 DParser。它有很多可以作用于结果的强大的开关和选项，我还没有讨论到 —— 比如指定关联性。
大体上，DParser 语言非常健壮，我非常怀疑用于 Python 的 DParser 是否会比纯粹的 Python 解析器运行速度快得非常多。 无论如何，我仍然不能对函数文档字符串风格的解析器具有太多热情。显然，关于这一点，很多优秀的 Python 程序员不会赞同我。
此外我还发现一些解析结果有些令人不解：为什么调试模式下可以成功，而标准模式下却不能成功？含糊问题确切是什么时候发生的？使用任何解析工具开发语法都会有类似的意外，但是我发现 DParser 不知何故尤其出乎意料；例如 SimpleParse，就不会让我那么感到惊讶。
可能，如果我了解了底层算法的更多复杂细节，它将会更具意义；不过，就我相对浅薄的学识而言，我可能与 95% 以上的读者差不多。有人比我更加熟悉解析；但是实际上大部分程序员懂得更少。
Python是一门功能强大的高级脚本语言，它的强大不仅表现在其自身的功能上，而且还表现在其良好的可扩展性上，正因如此，Python已经开始受到越来越多人的青睐，并且被屡屡成功地应用于各类大型软件系统的开发过程中。
与其它普通脚本语言有所不同，Python程序员可以借助Python语言提供的API，使用C或者C++来对Python进行功能性扩展，从而即可以利用Python方便灵活的语法和功能，又可以获得与C或者C++几乎相同的执行性能。
执行速度慢是几乎所有脚本语言都具有的共性，也是倍受人们指责的一个重要因素，Python则通过与C语言的有机结合巧妙地解决了这一问题，从而使脚本语言的应用范围得到了很大扩展。
在用Python 解析器开发实际软件系统时，很多时候都需要使用C/C++来对Python进行扩展。最常见的情况是目前已经存在一个用C编写的库，需要在Python语言中使用该库的某些功能。
此时就可以借助Python提供的扩展功能来实现。此外，由于Python从本质上讲还是一种脚本语言，某些功能用Python实现可能很难满足实际软件系统对执行效率的要求，此时也可以借助Python提供的扩展功能，将这些关键代码段用C或者C++实现，从而提供程序的执行性能。
【编辑推荐】
