一、可配置的词法分析器
通用编译器是基于配置的，编译器本身不包含特定语言相关的信息。而语言相关的信息放到配置文件中。因此在整个编译器设计中，不仅仅是编译器要编译的文件需要词法分析，配置信息的读取也需要词法分析。
在可定制的词法分析部件完工之前，所有的词法分析都靠硬编码完成，即像这样：
这种硬编码的词法分析器非常笨拙。这段长达100多行的代码融入和各种词法元素的分析，难于维护。但是又不得不写。因为没有这个词法分析器就不可能完成配置文件的分析，因为这是一个先有鸡还是先有蛋的问题，就好象我写C++编译器，还先得找个可用的C++编译器来使用。（不同点在于自己的设计是不断精炼的，而不管如何精炼，可能都无法超越已有的。但至少整体设计是新颖的。）
一种构造词法分析器的方法是使用Lex程序生成一个。Lex和Yacc都是基于代码替换的。它们将正则表达式（词法定义）和产生式（文法定义）分析为状态动作表，然后通过动作表生成代码框架，定义文件中每一条定义对应的动作代码就嵌入到框架的相应位置，从而产生完整的词法分析和文法分析代码。
我采用的方法是不再生成分析器的源代码，而是直接根据动作表进行翻译。这样做的好处是可以保证接口的一致性，缺点是速度偏慢（词法分析的速度很快，文法分析的速度较慢）。
二、动作表的生成
现在的问题有三个：1.词法如何定义？2.动作表长着什么样？3.如何通过定义生成动作表。
词法和文法在计算理论中其实是一码事，都属于字符串识别的问题。针对这类问题便有了乔姆斯基的文法分类（具体细节去看教科书《形式语义与自动机》）。按照该分类，编译器一般用的是最弱的两类文法：II型文法（上下文无关文法）和III型文法（正则文法）。III型文法是II型文法的特例，也是定义最强，表达能力最弱的文法。这两种文法的区别是：II型文法允许中部递归（A->aAa|b，识别b aba aabaa aaabaaa等），而III型只允许左右递归（A->aA|b相当于a*b，A->Aa|b相当于ba*）。
词法一般由正则文法表达即可。正则文法与NFA、DFA都是等价的概念。因此动作表实际上就是DFA图的某种表示形式。生成动作表的方法其实就是正则文法转换为DFA的问题。
但是我使用了上下文无关文法来定义词法。这样做的好处是：保持词法和文法定义的书写一致性，同时相关的格式化代码也可以共用，另外C++标准中的词法也是用类似BNF来表示的，可以直接复制出来使用，而且换一种语言的话，如果能够给出正则表达式，那么写出等效的上下文无关文法也易如反掌。
因此要得到词法分析器可用的DFA动作表，步骤是这样的：1.将上下文无关文法降级为正则文法并转换为NFA；2.NFA转换为对应的DFA；3.将DFA最小化。
上下文无关文法转换为NFA并不是等效转换，而是一种降级转换，许多上下文无关文法可识别的串，NFA无法识别，例如a...ab...b中要求a和b的数目一致才能识别，这属于上下文无关文法，而正则文法无法表达。有人会说：那干脆直接用上下文无关文法的分析法来进行词法分析好了。这样做是可行的，而且我也将之前做的可配置的语法分析器LRParser修改了一下，兼容词法分析。结果是速度比硬编码慢5倍，而DFA的词法分析器速度比硬编码的快2倍。
我们用大写字母来表示非终结符，小写字母来表示终结符，希腊字母表示终结符或非终结符，FIRST代表FIRST集合函数，F代表结束状态集函数，#代表任意其他终结符。用类似LR动作表构造方法中给产生式右部加点的方法来表示翻译状态。上下文无关文法的降级过程如下：
1、划分状态集：
若A-> .α B属于状态集 i，则A->. β C也属于状态集 i；
若A-> α . B属于状态集 i，则 B-> . β 也属于状态集 i；
2、生成NFA：
对于 A-> . a B 的所在状态集 i， 添加NFA动作：（i, a）-> j，其中 j 为 A->a . B 所在状态集，并添加状态集 j 到 A 的递归集合 R 中；
* 对于形如 A->a . B c 或 A-> . B c 的所在状态集 i ，添加NFA动作：（i, ε）-> j，其中 j 为 B-> . β 所在状态集，并设置F(B-> β) := F(A->a B c)；
对于形如 A-> . A a 的所在状态集 i，忽略对应动作，因为对应动作（i, ε）-> i 没有意义。
**对于形如 A->a . A 的所在状态集 i，添加所有符合如下条件的NFA动作：(i, α) -> r，其中α属于FIRST(A)中任意终结符，r为A的递归集合 R 中任意状态集。
* 对于形如 A->a B c . 的所在状态集 i，
如果F(A->aBc) = 空，则添加NFA归约：(i, #) = "A" ，否则，如果 i != F(A->a B c) 添加NFA动作：（i, ε）-> F(A->a B c)
3、由NFA生成DFA：
这个就直接采用教科书上的经典算法即可。基本思想是将ε-closure(i)作为DFA状态，对于 i 相关的每一个动作都添加到 ε-closure 的对应动作表中，如果重复添加，则产生冲突。算法可以保证不会出现转移冲突；也不可能出现转移/归约冲突，因为归约符号#代表所有其他不在表中的终结符。因此只能出现归约/归约冲突。这个时候得依靠用户输入优先级了。例如identifier的优先级永远是最低的，因为关键字通常也是标识符，因此出现归约关键字和归约标识符的冲突，那么就优先归约关键字。
4、DFA最小化。
这个最简单，只需搜索所有DFA状态集簇对应的动作，如果两个状态集簇的动作表一致，则可以合并，并修改相关状态集簇的标号。知道所有能合并的状态集簇都被合并了，则为最小DFA。
生成NFA算法中带 * 的第二条和第五条规则是针对归约的。F(产生式)函数只是该产生式的一条临时记录，在该产生式的所有后续动作全部解析完后，这条临时记录就可以被删除了。等到下次再递归到这儿的时候F()的值已经变化了。举个简单例子说明这一情况：
假设有如下文法：
id -> first-char id-char
first-char -> '_' | letters
id-char -> '_' | letters | digits
现在要识别id，那么对于first-char -> '_' | letters 和 id-char -> '_' | letters | digits 这5个产生式来说，其A->a B c .不存在归约，因为词法分析不像文法分析那样需要对每个产生式进行归约，只需要对要识别的初始项目进行归约即可。因此这5个产生式的F(...) = F(id -> first-char id-char)，他们都是由第一个产生式按照算法第二条引申出来的。
生成NFA算法中带**的第四条规则是针对右递归的。举个例子：
假设有如下文法：
S -> A B
A -> a A | c A | a | c
B -> b B | b
这就相当于正则表达式 [a,c]+b+。假设A->A a属于状态集i，则 i 一定已经在递归集合 R 中了，且后续输入可能有a和b。而只有对FIRST(A)中的终结符a,c 有 (i, a) -> r、(i, c) -> r，对于b，需要依靠 (S -> A . B, b) 的转移实现，这是第二条规则的内容。
上下文无关文法转正则文法的算法依靠带 * 号的那两条规则除去了对词法来讲繁复无用的中间归约步骤，只保留了最终归约。换句话说，扔掉了上下文无关文法的树状层次关系，而将输入字符串展平了。
三、词法分析器
词法分析器就是一个确定性有限状态自动机。状态机维护一个状态数，可以看作是动作表数组的下标。初始状态为0，对每一个输入查表并执行操作。只有两种操作：
形如(i, a) -> j 的转移操作，即如果输入字符为 a ，则从状态 i 转移到状态 j
形如(i, #) = "A" 的归约操作，即如果输入字符为 a，而 i 的动作表中没有 a 对应的操作，则将已输入的字符串归约为A。
词法分析器就是从状态0开始执行到一个归约操作为止。注意：归约操作时遇到的输入字符 a 并不从输入序列中删除，而是下一个记号的起始。
四、效率
使用DFA重新设计的词法分析器比之前的硬编码分析器更灵活，而分析器本身的代码更简单，速度也更快（提高了近1倍）。
五、使用
C:/Users/xx/Desktop/lex>lextable cpp.lexi
type ? for help.
COMMAND :format
optional node is found in [exponent-part]
optional node is found in [exponent-part]
optional node is found in [floating-literal]
optional node is found in [floating-literal]
optional node is found in [floating-literal]
optional node is found in [floating-literal]
optional node is found in [fractional-constant]
optional node is found in [integer-literal]
optional node is found in [integer-literal]
optional node is found in [integer-literal]
optional node is found in [integer-suffix]
optional node is found in [integer-suffix]
optional node is found in [string-literal]
optional node is found in [string-literal]
0 ms
COMMAND :nfa token
nfa has built successfully.
40935 ms
COMMAND :dfam
terminations collision detected:
0 identifier; 1 operator;
Please select a termination : 1
terminations collision detected:
0 identifier; 1 boolean-literal;
Please select a termination : 1
0 items left.
dfa has built successfully.
minimizing...
dfa table has been minimized.
29484 ms
COMMAND :saveb cpp.dfa
0 ms
COMMAND :exit
C:/Users/xx/Desktop/lex>lex cpp.lexi cpp.dfa test.c
loading syntax file and action file complete.
{ /r/n | (0,0) | skip}
{ int | (1,0) | identifier}
{ SP | (1,3) | skip}
{ main | (1,4) | identifier}
{ SP | (1,8) | skip}
{ ( | (1,9) | operator}
{ int | (1,10) | identifier}
{ SP | (1,13) | skip}
{ argc | (1,14) | identifier}
{ , | (1,18) | operator}
{ SP | (1,19) | skip}
{ const | (1,20) | identifier}
{ SP | (1,25) | skip}
{ char | (1,26) | identifier}
{ SP | (1,30) | skip}
{ * | (1,31) | operator}
{ argv | (1,32) | identifier}
{ [ | (1,36) | operator}
{ ] | (1,37) | operator}
{ ) | (1,38) | operator}
{ /r/n | (1,39) | skip}
{ { | (2,0) | punctuator}
{ /r/n/t | (2,1) | skip}
{ int | (3,1) | identifier}
{ SP | (3,4) | skip}
{ a | (3,5) | identifier}
{ SP | (3,6) | skip}
{ = | (3,7) | operator}
{ SP | (3,8) | skip}
{ 1 | (3,9) | integer-literal}
{ ; | (3,10) | punctuator}
{ /r/n/t | (3,11) | skip}
{ int | (4,1) | identifier}
{ SP | (4,4) | skip}
{ b | (4,5) | identifier}
{ SP | (4,6) | skip}
{ = | (4,7) | operator}
{ SP | (4,8) | skip}
{ 2 | (4,9) | integer-literal}
{ ; | (4,10) | punctuator}
{ /r/n/t | (4,11) | skip}
{ return | (5,1) | identifier}
{ SP | (5,7) | skip}
{ a | (5,8) | identifier}
{ SP | (5,9) | skip}
{ + | (5,10) | operator}
{ SP | (5,11) | skip}
{ b | (5,12) | identifier}
{ ; | (5,13) | punctuator}
{ /r/n | (5,14) | skip}
421ms
COMMAND :
扫一扫
3600
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
