编译器一日一练（DIY系列之词法分析）

Posted 2022-11-27 嵌入式-老费

【 声明：版权所有，欢迎转载，请勿用于商业用途。 联系信箱：feixiaoxing @163.com】

        词法分析是编译原理的基础。目前来说，大部分编程语言还是以英文为主。使用英文有几个好处，这主要是因为英文的单词和单词之间是用空格分开来的，不像中文需要用词组来分割。记得读书的时候，有一个编译原理上机作业，就是编写一个词法分析器。如果是纯手工编写词法分析器，那么势必涉及到状态机的知识。然而如果使用javacc来编写，只需要描述清楚规则就可以了。

        目前词法分析涉及到的分词主要有这么几种，一种是关键字，一种是标识符，剩下来的就是各种各样的符号、字符串、数字等等。通常来说，分词就是将一长串的字符串解析成一个一个token。

        当然，除了分词之外，有一些字符也是要过滤的，比如换行、空格、注释等等。

        代码链接：https://github.com/feixiaoxing/DIYCompiler

1、关键字

        关键字比较好理解。就是某个编程语言当中被预留的一些单词。比如c语言里面if、else、for、while、switch、case、goto等等，这些都属于关键字。javacc中一般是这么安排的，

TOKEN: <IF : "if">
TOKEN: <ELSE : "else">
TOKEN: <FOR : "for">
TOKEN: <WHILE : "while">
TOKEN: <DO : "do">
TOKEN: <SWITCH : "switch">
TOKEN: <CASE : "case">

2、标识符

        除了关键字之外，接下来就该说说标志符了。标识符通常就是各种各样变量的名字。这个名字一般用于描述全局变量、局部变量、函数名、函数参数、函数调用等等。对于标识符，javacc是这样来描述的，

TOKEN: <IDENTIFIER: ["a"-"z","A"-"Z","_"](["a"-"z","A"-"Z","_","0"-"9"])*>

3、其他符号

        在关键字和标识符之后，留下来的就是各种各样的计算符号、数字、字符串和一些特殊付好了。比如，数字一般这么描述，

TOKEN:  <INTEGER: (["0"-"9"])+> 

        计算符号通常这么来描述，

TOKEN: <ADD : "+">
TOKEN: <SUB : "-">
TOKEN: <MUL : "*">
TOKEN: <DIV : "/">
TOKEN: <EQUAL : "=">

        特殊符号也有一些，比如这些，

TOKEN: <SEMICOLON: ";">
TOKEN: <LEFTBRACKETS: "[">
TOKEN: <RIGHTBRACKETS: "]">
TOKEN: <LEFTBRACE: "">
TOKEN: <RIGHTBRACE: "">
TOKEN: <LEFTPARENTHESES: "(">
TOKEN: <RIGHTPARENTHESES: ")">

4、待过滤的符号

        在编程代码中，有一些符号是要过滤的，他们不参与最终的代码生成，

SKIP:  <[" ", "\\t", "\\r", "\\n"]> 

        这样，有了上面四种形式的符号，基本的词法分析就差不多了。这里没有描述出来所有的符号，本着用多少记录多少的想法，大家在实际开发中可以根据自己的需要灵活增减。

5、实例

        之前我们谈到了四则运算，这里稍作改变，其实就可以将语法表达式全部用token来表示了，

options 
    STATIC = false;

 
PARSER_BEGIN(Parse)
import java.io.*;
public class Parse 
    public static void main(String[] args) 
        for (String arg : args) 
            try 
                System.out.println(evaluate(arg));
             catch (ParseException ex) 
                System.err.println(ex.getMessage());
            
        
    
 
    public static long evaluate(String src) throws ParseException 
        Reader reader = new StringReader(src);
        return new Parse(reader).expr();
    

PARSER_END(Parse)
 
 
SKIP:  <[" ", "\\t", "\\r", "\\n"]> 

TOKEN:  <INTEGER: (["0"-"9"])+> 

TOKEN: <ADD : "+">
TOKEN: <SUB : "-">
TOKEN: <MUL : "*">
TOKEN: <DIV : "/">
TOKEN: <EQUAL : "=">

TOKEN: <IDENTIFIER: ["a"-"z","A"-"Z","_"](["a"-"z","A"-"Z","_","0"-"9"])*>

TOKEN: <SEMICOLON: ";">
TOKEN: <LEFTBRACKETS: "[">
TOKEN: <RIGHTBRACKETS: "]">
TOKEN: <LEFTBRACE: "">
TOKEN: <RIGHTBRACE: "">
TOKEN: <LEFTPARENTHESES: "(">
TOKEN: <RIGHTPARENTHESES: ")">
 
long expr() throws NumberFormatException :

    long value = 0 ;


	value = main_expr() 
    <EOF>
     return value ; 

 
long main_expr() throws NumberFormatException :

    long a ;
    long b ;
    long value = 0 ;


	a = primary() value = a;
    (
	 <ADD> b = primary()
     
		value  += b; 
	|
	 <SUB> b = primary()
     
		value -= b; 
	
	)*
     return value ; 

 
long primary() throws NumberFormatException :

    long a ;
    long b ;
    long value = 0 ;


	a = secondary() value = a;
    (
	 <MUL> b = secondary()
     
		value  *= b; 
	|
	 <DIV> b = secondary()
     
		value /= b; 
	
	)*
     return value ; 

 
long secondary() throws NumberFormatException:

	Token a;
	long b = 0;
	long value = 0;


	(
		a = <INTEGER> value = Integer.parseInt( a.image ); |
		<LEFTPARENTHESES> b =main_expr() <RIGHTPARENTHESES>  value = b;
	)
	
	 return value;

        这里有一点需要注意下，如果在语法表达式中需要使用token的时候，应该用<>来表示。此外如果需要解析这个token的时候，可以直接转变为Token，获取对应的信息就可以了。