编译原理学习--词法分析（1）

词法分析的任务：

　　首先，从阶段上来看，编译器可分为若干个中间阶段：

　　　　


　　典型的，可以包含为一个前端，一个后端。前端接收源程序产生一个中间表示，后端接收中间表示继续生成一个目标程序。所以，前端处理的是跟源语言有关的属性，后端处理跟目标机器有关的属性。

　　更细节的，前端可以划分为若干个阶段：

　　　　


　　下面我们看看词法分析器的任务：

　　　　


　　词法分析器读入程序员写的程序，然后对字符流做切分成记号流。举个例子：

　　　　

这是一个程序员看到的字符流

　　词法分析器将字符流读入，根据关键字、标识符、标点、字符串、整形数等进行划分，形成记号流（单词）：

　　　　


　　那么就会有两个问题：1.记号的数据结构如何定义？ 2.如何实现从字符流到记号流转换的算法？

　　首先看第一个问题，如何定义记号的数据结构，假如用C语言实现数据结构的定义，可以这样实现：

　　　　


　　举个例子：假如源语句if(x>5)，则词法分析器返回token{k=IF,lexeme=0};token{k=IPAREN,lexeme=0};token{k=ID,lexeme="X"};……

　　【此处小结】：词法分析器的任务：字符流到记号流。

　　　　　　　字符流：和被编译语言密切相关（ASCII,Unicode,or……）

　　　　　　　记号流：编译器内部定义的数据结构，编码所识别出的词法单元

　　再看第二个问题，词法分析器怎么实现呢？目前来说一般有两种方案：

　　　　1.手工编码实现法。这种方法相对复杂，容易出错，但是非常流行的方法，如GCC,LLVM等。

　　　　2.词法分析器的生成器。这种方法可快速原型，代码量少，但较难控制细节。

　　(1)我们先看第一种方案，手工编码法。如何识别语言中的各种符号呢？假设我们分析一种语言，包含以下关系运算符：<=、>=、<>、=、>、<，我们可以用转移图对其进行识别，转移图如下所示：

　　　　

　　　

　　　那么怎么用算法实现这个转移图呢？如下所示：

　　　　

　

　　同理，语言中其他标识符的识别也类似实现：

　　　　


　　实际上这两张转移图（包括代码）是结合在一起的。

　　那么问题来了，如何区别关键字和标识符呢？因为在很多语言中关键字和标识符是有交集的，但从词法分析上看，关键字是标识符的一部分。以C语言为例，标识符是：以字母或下划线开头，后跟0个或多个字母、下划线或数字。关键字：if、while、else……

　　怎么识别关键字呢？这里介绍两种方法。

　　先看第一种，我们需要将上面的转移图稍加修改：（以识别if为例）

　　　　

此处还应注意一个问题，假如输入ifxy呢？并不是关键字，因此这里还需判断。

　　　　

　　再看第二种，使用关键字表，即Hash表。对语言中所有的关键字构建哈希表，对所有的关键字和标识符，先统一按标识符的转移表进行识别，识别完成后，再查哈希表看是否为关键字。通过构造合理的哈希表，可以再O(1)时间内完成。

　　(2)再看第二种方案，词法分析器的生成器。那么怎样自动生成呢？

　　　　


　　这种方案不需要像第一种方案那么繁琐，只需要用正则表达式写出程序语言中的词法规则，然后通过自动生成工具lex,flex,jlex等，自动产生出词法分析器，生成的词法分析器跟第一种方案的图转移算法是类似的，但是，程序员只需要写一个声明式规范，工作量就显著减小了。

　　如何写这种声明式规范呢？首先我们要先学正则表达式。什么是正则表达式，其定义如下：

　　　　


　　　举个例子，对于字符集Σ={a,b}，可以写出哪些正则表达式？ ε、a、b、ε|a,ε|b……εε、εa、εb、ab、a(ε|a)……ε*、a(ε|a)*……

　　知道正则表达式了，那么如何用正则表达式表示程序语言的词法规则呢？再看个例子：C语言中的关键字if如何用正则表达式表示？if中i∈Σ,f∈Σ,根据定义则if∈Σ。再看个复杂点的，如何用正则表达式表示C语言的标识符？可将标识符写成两部分，第一部分只能以字母或下划线开头，后连接零个或多个字母、下划线、数字（闭包），则正则表达式为（a|b|c……A|B|C……|_)(a|b|c……A|B|C……|0|1|2……|_)*。但是这样表达显然比较繁琐，可以引入更多的语法糖来构造正则表达式，来简化构造：