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 est un matcher de route HTTP et un générateur d'expressions régulières qui transforme des chaînes de chemin paramétrées en expressions régulières pour faire correspondre des adresses web. Il fonctionne comme un parseur de route d'URL et un compilateur de motifs, permettant la conversion de modèles de chemin lisibles par l'homme en expressions fonctionnelles pour le routage. Le projet fournit des capacités pour extraire des paramètres nommés et des wildcards à partir d'URL basées sur des modèles de chemin définis. Il gère également le processus inverse de génération de chemin dynamique, transformant des paires clé-valeur en chaînes de chemin formatées en injectant des valeurs dans des espaces réservés de paramètres définis. La bibliothèque couvre une gamme plus large d'utilitaires de routage, incluant le parsing de chemin basé sur des jetons et la possibilité de définir des délimiteurs de paramètres personnalisés. Elle prend également en charge la correspondance contrôlée par ancre pour déterminer si une expression régulière doit correspondre depuis le début ou la fin d'une chaîne d'entrée.

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 est une bibliothèque de chaînes dynamiques en C qui fournit un wrapper de gestion mémoire pour les chaînes allouées sur le tas. Elle implémente un stockage binaire sûr en suivant explicitement la longueur des chaînes, ce qui permet à la bibliothèque de gérer les caractères nuls au sein des données. La bibliothèque se distingue par une architecture mémoire utilisant des pointeurs de fonction interchangeables pour l'allocation et la libération, permettant l'intégration de gestionnaires de mémoire personnalisés. Elle utilise un suivi de longueur stocké dans l'en-tête pour offrir une récupération de longueur en temps constant et maintient un remplissage de tampon terminé par un caractère nul pour assurer la compatibilité avec les fonctions de chaîne C standard. La boîte à outils couvre un large éventail de capacités de manipulation de chaînes, notamment la concaténation, la tokenisation, la jointure et l'extraction de plages. Elle fournit également des utilitaires pour la mutation de tampon sur place, comme le rognage et le recadrage, et inclut des alternatives de formatage de chaîne optimisées par rapport aux fonctions d'impression standard.

Globalize est une bibliothèque JavaScript d'internationalisation et un moteur de localisation Unicode CLDR. Elle fournit une boîte à outils pour formater les dates, les nombres et les devises en utilisant le Unicode Common Locale Data Repository et les fuseaux horaires IANA. Le projet dispose d'un compilateur de localisation au moment du build qui précompile les règles en formateurs statiques pour réduire la surcharge à l'exécution et la taille du bundle. Il inclut un système pour analyser et formater des chaînes complexes en utilisant la syntaxe ICU MessageFormat, prenant en charge les variables, la pluralisation et les flexions de genre. La bibliothèque couvre une large surface de capacités de localisation, notamment l'analyse bidirectionnelle des dates et heures, la tokenisation des nombres et devises, et le formatage du temps relatif. Elle gère le chargement des données de localisation, la configuration de la langue à l'échelle de l'application et les chaînes d'héritage de messages pour résoudre les clés de traduction manquantes.

cxxopts est un parseur de ligne de commande C++ « header-only » utilisé pour définir les options requises, les valeurs par défaut et les arguments positionnels pour les applications console. Il fonctionne comme un utilitaire léger pour parser les arguments de ligne de commande en valeurs typées en utilisant des drapeaux courts et longs, et génère automatiquement des messages d'aide et une documentation formatés. La bibliothèque fournit des capacités de spécification d'arguments, permettant la définition de descriptions d'options, de types et de drapeaux booléens. Elle prend en charge la collecte d'options à valeurs multiples dans des conteneurs, la gestion des valeurs par défaut pour les options omises et le mappage des arguments sans drapeau vers des noms spécifiques en fonction de leur séquence. L'outil inclut une validation pour les spécifications d'options et identifie les arguments non reconnus. Il gère les erreurs via des exceptions typées pendant la phase de parsing.

gray-matter est une bibliothèque pour séparer, analyser et sérialiser des données de configuration structurées au sein de documents textuels. Elle fonctionne comme un extracteur de métadonnées de document qui isole les blocs structurés du corps principal d'un fichier et comme une bibliothèque de sérialisation qui convertit les objets de données en chaînes formatées. Le projet supporte l'extraction de blocs de métadonnées YAML, JSON et TOML depuis le début de chaînes ou de fichiers. Il inclut des mécanismes pour identifier la présence de métadonnées et déterminer le langage de formatage utilisé en fonction des caractères suivant le délimiteur d'ouverture. Le système est extensible via un moteur d'analyse basé sur des plugins et l'enregistrement de parsers personnalisés, permettant une logique définie par l'utilisateur pour gérer des langages de métadonnées non standard. Ses capacités couvrent l'identification du langage de métadonnées, l'extraction de métadonnées de fichiers et la sérialisation symétrique pour reconstruire les formats de document originaux.

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