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 este un matcher de rute HTTP și generator de expresii regulate care transformă șirurile de cale parametrizate în expresii regulate pentru potrivirea adreselor web. Funcționează ca un parser de rute URL și compilator de modele, permițând conversia template-urilor de cale lizibile pentru oameni în expresii funcționale pentru rutare. Proiectul oferă capabilități pentru extragerea parametrilor numiți și a wildcard-urilor din URL-uri pe baza modelelor de cale definite. De asemenea, gestionează procesul invers de generare dinamică a căilor, transformând perechile cheie-valoare în șiruri de cale formatate prin injectarea valorilor în placeholder-ele de parametri definite. Biblioteca acoperă o gamă mai largă de utilitare de rutare, inclusiv parsarea căilor bazată pe token-uri și capacitatea de a defini delimitatori de parametri personalizați. Suportă, de asemenea, potrivirea controlată prin ancore pentru a determina dacă o expresie regulată trebuie să se potrivească de la începutul sau de la sfârșitul unui șir de intrare.

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 este o bibliotecă C pentru șiruri de caractere dinamice care oferă un wrapper pentru gestionarea memoriei șirurilor alocate pe heap. Aceasta implementează stocarea sigură pentru date binare prin urmărirea explicită a lungimii șirurilor, permițând bibliotecii să gestioneze caractere nule în interiorul datelor. Biblioteca se distinge printr-o arhitectură de memorie care utilizează pointeri de funcție interschimbabili pentru alocare și eliberare, permițând integrarea unor manageri de memorie personalizați. Utilizează urmărirea lungimii stocată în header pentru a oferi acces în timp constant și menține padding-ul buffer-ului terminat în null pentru a asigura compatibilitatea cu funcțiile standard de șiruri din C. Toolkit-ul acoperă o gamă largă de capabilități de manipulare a șirurilor, inclusiv concatenare, tokenizare, îmbinare și extragerea intervalelor. De asemenea, oferă utilitare pentru mutarea buffer-ului in-place, cum ar fi tăierea și decuparea, și include alternative optimizate de formatare a șirurilor față de funcțiile standard de print.

Globalize is a JavaScript internationalization library and Unicode CLDR localization engine. It provides a toolkit for formatting dates, numbers, and currencies using the Unicode Common Locale Data Repository and IANA time zones. The project features a build-time localization compiler that precompiles rules into static formatters to reduce runtime overhead and bundle size. It includes a system for parsing and formatting complex strings using the ICU MessageFormat syntax, supporting variables, pluralization, and gender inflections. The library covers a broad surface of localization capabiliti

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 este o bibliotecă pentru separarea, parsarea și serializarea datelor de configurare structurate în documente bazate pe text. Funcționează ca un extractor de metadate pentru documente care izolează blocurile structurate din corpul principal al unui fișier și ca o bibliotecă de serializare care convertește obiectele de date înapoi în șiruri formatate. Proiectul suportă extracția blocurilor de metadate YAML, JSON și TOML de la începutul șirurilor sau fișierelor. Include mecanisme pentru identificarea prezenței metadatelor și determinarea limbajului de formatare specific utilizat pe baza caracterelor care urmează delimitatorului de deschidere. Sistemul este extensibil printr-un motor de parsare bazat pe plug-in-uri și înregistrarea de parsere personalizate, permițând logicii definite de utilizator să gestioneze limbaje de metadate non-standard. Capabilitățile sale acoperă identificarea limbajului de metadate, extracția metadatelor din fișiere și serializarea simetrică pentru a reconstrui formatele originale ale documentelor.

sqlparse este o bibliotecă Python pentru analiza programatică și manipularea instrucțiunilor SQL. Aceasta oferă un parser non-validant care descompune textul SQL în token-uri și un utilitar pentru a diviza șirurile care conțin mai multe interogări în instrucțiuni individuale. Proiectul include un formator de cod care reorganizează instrucțiunile SQL folosind indentare consistentă și casing pentru cuvintele cheie. De asemenea, oferă mecanisme pentru automatizarea acestui proces de formatare și linting prin hook-uri de version control pentru a menține consistența codului.

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