Awesome GitHub RepositoriesString Tokenization

Cleave.js is a JavaScript library that applies real-time visual formatting to form fields as users type. It provides specialized utilities to enforce visual patterns for credit cards, phone numbers, dates, times, and large numerals. The library includes predefined formatting rules for common data types, such as detecting credit card issuers to apply correct spacing and managing country-specific regional patterns for international phone numbers. It also supports large numeral grouping using Western, Indian, and Chinese numbering systems. Users can define custom input patterns using specific b

Compromise is a natural language processing library and rule-based engine designed for English text manipulation, analysis, and parsing. It provides a toolkit for tokenizing text, identifying parts of speech, and performing linguistic analysis to achieve semantic understanding of unstructured strings. The project distinguishes itself through its ability to programmatically transform grammar, such as modifying verb tenses, noun plurality, and adjective forms. It also functions as a named entity recognizer capable of extracting people, places, organizations, dates, and contact information from

This project is a regular expression lexer library and lexical analysis engine used to break input strings into typed token streams. It serves as a foundational component for constructing compilers or interpreters by identifying and categorizing substrings into discrete tokens. The library provides a token stream navigator featuring a cursor-based interface. This allows for sequential traversal of tokenized input and non-destructive lookahead, enabling the inspection of future tokens without advancing the internal position pointer. It includes specific support for recursive descent parsing t

Natural is a natural language processing library for Node.js that provides tools for text analysis, tokenization, and phonetic matching. It functions as a collection of specialized toolsets for word stemming, string similarity quantification, and pattern-based text classification. The library includes a phonetic sound analyzer that converts words into phonetic representations to identify matches based on sound rather than literal spelling. It also features a text classification engine that assigns categories to text inputs using trained models and pattern recognition. Additional capabilities

Fuzzywuzzy is a Python library and text processing utility designed to calculate similarity scores between strings. It functions as a text similarity scoring engine and an approximate string matching tool used to identify the closest textual matches within a list of candidate strings. The library provides a suite of tools for measuring the degree of similarity between pieces of text, accounting for typos and formatting differences. These capabilities include extracting the best match from a candidate list and performing fuzzy string matching through various scoring methods. The toolset cover

This repository contains the HTML specification, which defines the core standards for web page structuring, content organization, and document rendering. It establishes the fundamental algorithms for state-machine-based tokenization, tree construction for the document object model, and origin-based security isolation. The specification provides a framework for defining custom elements with independent lifecycles and registries. It also details the requirements for cross-document communication, session history management, and the synchronization of interface properties with content attributes.

path-to-regexp ist ein HTTP-Routen-Matcher und Generator für reguläre Ausdrücke, der parametrisierte Pfad-Strings in reguläre Ausdrücke zur Übereinstimmung mit Webadressen transformiert. Er fungiert als URL-Routen-Parser und Muster-Compiler und ermöglicht die Konvertierung menschenlesbarer Pfad-Templates in funktionale Ausdrücke für das Routing. Das Projekt bietet Funktionen zum Extrahieren benannter Parameter und Wildcards aus URLs basierend auf definierten Pfadmustern. Es handhabt zudem den umgekehrten Prozess der dynamischen Pfadgenerierung, indem es Key-Value-Paare in formatierte Pfad-Strings transformiert, indem Werte in definierte Parameter-Platzhalter eingefügt werden. Die Bibliothek deckt ein breiteres Spektrum an Routing-Dienstprogrammen ab, einschließlich tokenbasiertem Pfad-Parsing und der Möglichkeit, benutzerdefinierte Parametertrennzeichen zu definieren. Sie unterstützt zudem ankergesteuerte Übereinstimmungen, um zu bestimmen, ob ein regulärer Ausdruck vom Anfang oder Ende eines Eingabe-Strings an übereinstimmen muss.

This project is a PHP implementation of a CSS selector engine that transforms CSS selector strings into compatible XPath expressions for locating elements within documents. It serves as a converter and expression generator that maps CSS selection logic to the XPath query language. The library processes selectors through a pipeline involving lexer-based tokenization and recursive descent parsing to create an abstract syntax tree. It utilizes pattern-matching logic to handle child and sibling relationships, translating CSS pseudo-classes and selectors into functional XPath logic. These capabil

JSON5 is a parser and serializer for a human-readable configuration format that extends JSON. It serves as a JavaScript-based data parser that allows for a more flexible version of the JSON specification to simplify manual editing of data files. The project provides capabilities to support comments, trailing commas, and multi-line strings. It includes utilities to convert this extended syntax into standard JSON for compatibility with tools requiring strict specifications. The library covers data serialization, string parsing, and structural syntax validation. It also provides integration for

js-yaml is a JavaScript library providing a programmatic interface for parsing and dumping YAML data. It functions as a parser and serializer that converts YAML strings into JavaScript objects and transforms JavaScript objects back into YAML format. The library includes a command-line interface for parsing or dumping YAML data via direct input or data pipes. It also features an abstract syntax tree transformer to modify the structure of data during serialization. The project provides capabilities for multi-document processing and the definition of custom schemas and tags to handle specialize

Rainmeter is a Windows desktop widget engine that renders customizable skins and interactive widgets directly on the desktop, supporting live data feeds and user interaction. It functions as a desktop customization platform and skin authoring framework, allowing users to create widgets by defining data sources and visual elements with full style and layout control. The engine includes a Lua scripting runtime for extending widget functionality with custom logic and data processing, and provides a plugin SDK with a C/C++ API for building native plugins that add new data sources or rendering capa

This is an open-source, crowd-sourced wiki textbook that teaches Linux system programming in C. It covers the core operating system concepts of process management through the fork-exec-wait model, dynamic memory allocation using implicit free list heap allocators, inode-based file systems, inter-process communication via pipes and shared memory, POSIX threads with synchronization primitives, signal-based asynchronous notification, virtual memory with page table translation, and runtime diagnostics using Valgrind and GDB. The textbook distinguishes itself by providing practical, implementation

sds ist eine C-Bibliothek für dynamische Strings, die einen Wrapper für die Speicherverwaltung von Strings auf dem Heap bereitstellt. Sie implementiert binärsichere Speicherung durch explizite Längenverfolgung, wodurch die Bibliothek Null-Bytes innerhalb der Daten verarbeiten kann. Die Bibliothek zeichnet sich durch eine Speicherarchitektur aus, die austauschbare Funktionszeiger für die Speicherallokation und -freigabe verwendet, was die Integration benutzerdefinierter Speicherverwalter ermöglicht. Sie nutzt eine im Header gespeicherte Längenverfolgung für den Zugriff auf die String-Länge in konstanter Zeit und hält Null-terminiertes Padding im Puffer vor, um die Kompatibilität mit Standard-C-String-Funktionen zu gewährleisten. Das Toolkit deckt eine breite Palette an String-Manipulationsfunktionen ab, darunter Konkatenation, Tokenisierung, Zusammenfügen und Bereichsextraktion. Zudem bietet es Hilfsprogramme für die In-Place-Mutation von Puffern, wie z. B. Trimmen und Zuschneiden, sowie optimierte Alternativen zur String-Formatierung für Standard-Print-Funktionen.

Globalize ist eine JavaScript-Internationalisierungsbibliothek und Unicode-CLDR-Lokalisierungs-Engine. Sie bietet ein Toolkit zur Formatierung von Datumsangaben, Zahlen und Währungen unter Verwendung des Unicode Common Locale Data Repository und IANA-Zeitzonen. Das Projekt verfügt über einen Build-Time-Lokalisierungskompiler, der Regeln in statische Formatierer vorkompiliert, um Laufzeit-Overhead und Bundle-Größe zu reduzieren. Es enthält ein System zum Parsen und Formatieren komplexer Strings mittels ICU MessageFormat-Syntax, das Variablen, Pluralisierung und Geschlechtsbeugungen unterstützt. Die Bibliothek deckt ein breites Spektrum an Lokalisierungsfunktionen ab, darunter bidirektionales Parsen von Datum und Uhrzeit, Tokenisierung von Zahlen und Währungen sowie die Formatierung relativer Zeitangaben. Sie verwaltet das Laden von Locale-Daten, die anwendungsweite Sprachkonfiguration und Nachrichten-Vererbungsketten zur Auflösung fehlender Übersetzungsschlüssel.

cxxopts is a header-only C++ command line parser used to define required options, default values, and positional arguments for console applications. It functions as a lightweight utility for parsing command line arguments into typed values using short and long flags and automatically generating formatted help messages and documentation. The library provides capabilities for argument specification, allowing the definition of option descriptions, types, and boolean flags. It supports multi-value option collection into containers, default value management for omitted options, and the mapping of

gray-matter ist eine Bibliothek zum Trennen, Parsen und Serialisieren strukturierter Konfigurationsdaten innerhalb textbasierter Dokumente. Sie fungiert als Extraktor für Dokumentmetadaten, der strukturierte Blöcke vom Hauptteil einer Datei isoliert, sowie als Serialisierungsbibliothek, die Datenobjekte zurück in formatierte Strings umwandelt. Das Projekt unterstützt die Extraktion von YAML-, JSON- und TOML-Metadatenblöcken vom Anfang von Strings oder Dateien. Es enthält Mechanismen zur Identifizierung des Vorhandenseins von Metadaten und zur Bestimmung der spezifischen Formatierungssprache basierend auf den Zeichen nach dem öffnenden Trennzeichen. Das System ist durch eine Plugin-basierte Parsing-Engine und benutzerdefinierte Parser-Registrierung erweiterbar, was benutzerdefinierte Logik für den Umgang mit nicht standardmäßigen Metadatensprachen ermöglicht. Die Funktionen decken die Identifizierung von Metadatensprachen, die Extraktion von Dateimetadaten und die symmetrische Serialisierung zur Rekonstruktion ursprünglicher Dokumentformate ab.

sqlparse is a Python library for the programmatic analysis and manipulation of SQL statements. It provides a non-validating parser that breaks down SQL text into tokens and a utility to divide strings containing multiple queries into individual statements. The project includes a code formatter that reorganizes SQL statements using consistent indentation and keyword casing. It also provides mechanisms for automating this formatting and linting process through version control hooks to maintain code consistency.

TransformerLens is a library for mechanistic interpretability research designed to reverse engineer the learned algorithms within large language models. It provides a standardized framework for wrapping diverse transformer architectures, allowing researchers to extract, manipulate, and analyze internal activations and weights through a consistent interface. The project distinguishes itself through a comprehensive system of activation hooks that can capture, patch, and ablate internal tensors during the forward pass. It includes specialized utilities for decomposing fused projections, material