《词法分析副》PPT课件.ppt

第2章 词法分析,2.1 词法分析器的设计考虑及手工构造,2.1.1 单词类型及二元式编码 单词类型 基本字、标识符、常数、运算符、界符 单词的性质 个数确定和不确定 单字符或多字符构成,2.1 词法分析器的设计考虑及手工构造,单词二元式编码 经词法分析后，单词用二元式 (code,val) 表示。 code表示单词的种别，用整数码表示，在语法分析时使用。 val表示单词的值，在本书中用字符串表示，在语义分析时使用。,2.1 词法分析器的设计考虑及手工构造,编码原则 通常将标识符归为一种，常数按类型分种，基本字、运算符及界符采用一符一种。,2.1 词法分析器的设计考虑及手工构造,实例-设有某一程序设计语言，其部分单词二元式编码如下所示：,2.1 词法分析器的设计考虑及手工构造,用该程序设计语言编制的计算园柱体表面积的源程序（输入输出略）如下所示： Begin/*S=2*3.14* R* R +2*3.14* R*H */ Real r,h,s; s=2*3.14*r*(r+h) End,2.1 词法分析器的设计考虑及手工构造,根据单词二元式编码，上述程序的单词二元式序列应为： (,“NUL“)(c,“NUL“)(i,“r“)(,“NUL“) (i,“h“) (,“NUL“)(i, “s“)(;,“NUL“)(i, “s“)(=,“NUL“) (x, “2“)(*,“NUL“)(y, “3.14“)(*,“NUL“) (i, “r“)(*,“NUL“) (,“NUL“)(i, “r“) (+,“NUL“)(i, “h“)(),“NUL“)(,“NUL“),2.1 词法分析器的设计考虑及手工构造,2.1.2 源程序的输入及预处理 源程序的输入 l 分段读入处理（早期） l 全部读入后处理 设源程序如下所示，其中为续行符。,2.1 词法分析器的设计考虑及手工构造,2.1 词法分析器的设计考虑及手工构造,源程序读入后，输入缓冲区的内容如下所示：,2.1 词法分析器的设计考虑及手工构造,预处理 词法分析器通常由二个部分构成： 预处理程序 扫描器（单词识别程序）,2.1 词法分析器的设计考虑及手工构造,分成二部分的理由 词法分析可在输入缓冲区上直接进行，但从程序进行的角度来讲，若是把输入串预处理一下，则单词识别就会比较容易，故词法分析器通常由预处理程序和扫描器（单词识别程序）两部分组成。,2.1 词法分析器的设计考虑及手工构造,预处理主要工作 1.删除注释 2.删除续行符以及后续换行符（0AH） 3.Tab的作用相当于多个空格，换行符、Tab和空格具有界符作用，预处理时通常予以保留。在后面的分析中可以看到，它们的存在给后续的单词识别带来方便。为了简化判断，可在预处理时将换行符和Tab统一替换为空格。 4.大多数语言（除C语言外）不区分大小写，可在预处理时大写字母变换成小写字母，或相反，以方便后续处理。 5.对于受书写格式限制的语言（如FORTRAN和COBOL），还应识别标号区，正确给出语句标号；识别续行标志，把相继行连接在一起，给出语句结束符。,2.1 词法分析器的设计考虑及手工构造,上述源程序经预处理后，扫描缓冲区中的内容如下所示：,2.1 词法分析器的设计考虑及手工构造,预处理程序 下面用C/C+语言来编写一个预处理程序，其作用是去除源程序中的注释和续行符，将Tab和换行符替换为空格，将大写字母变换成小写字母。每调用一次，将经预处理的源程序全部送入内存中的扫描缓冲区，供扫描区识别单词。,2.1 词法分析器的设计考虑及手工构造,程序实现，由两个函数构成： 主函数main是测试驱动程序，调用预处理函数pro_process，模拟词法分析器工作； 函数pro_process执行预处理任务，借助于传地址获得扫描缓冲区的首址，将经预处理的源程序送入扫描缓冲区。,2.1 词法分析器的设计考虑及手工构造,由于算法需要，在源程序尾部添加字符#，这是一个特殊的单词，表示源程序的结束。 源程序中的注释用/*.*/标记，不允许嵌套使用，这和大多数高级语言的规定一致。,2.1 词法分析器的设计考虑及手工构造,源程序的输入及预处理 #include #include void pro_process(char *); void main( ) /测试驱动程序 /定义扫描缓冲区 char buf4048=0; /缓冲区清0 /调用预处理程序 pro_process(buf); /在屏幕上显示扫描缓冲区的内容 coutbufendl; ,2.1 词法分析器的设计考虑及手工构造,void pro_process(char *buf) /预处理程序 ifstream cinf(“source.txt“,ios:in); int i=0; /计数器 char old_c=0,cur_c; /前一个字符，当前字符。 bool in_comment=false;/false表示当前字符未处于注释中。 while(cinf.read( /在源程序尾部添加字符# ,2.1 词法分析器的设计考虑及手工构造,while(cinf.read( /保留前一个字符 /end of while,2.1 词法分析器的设计考虑及手工构造,数据说明 source.txt（源程序文件） char buf（扫描缓冲区） bool in_comment（状态标志） 若in_comment的值为false，表示当前从文件读入的字符未处于注释中，此时应将读入的字符存入扫描区；若in_comment的值为ture，则表示当前读入的字符处于注释中，此时读入的字符应丢弃。 XXXXX/*XXXXX*/XXXXX f f/t. t/f f 当读入“/*”时，布尔变量in_comment的值由false变为true；当读入“*/”时，布尔变量in_comment的值由ture变为false。,2.1 词法分析器的设计考虑及手工构造,上机练习 用高级语言编写一词法分析预处理程序。从文件读入源程序，去除源程序中的注释（注释用标记），用空格取代源程序中的Tab和换行符，将预处理结果显示在屏幕上。源程序中无续行符，字母无须处理，源程序尾部需要添加字符。,2.1 词法分析器的设计考虑及手工构造,2.1.3 基本字的识别和超前搜索 程序设计语言单词以基本字识别最为困难，原因如下： 有些语言对基本字不加保护，用户可用作普通标识符。 基本字、用户定义的标识符和常数之间没有分隔符。,2.1 词法分析器的设计考虑及手工构造,解决办法： 所有基本字均为保留字(Reserved word)，用户不得使用它们作为标识符。 将空格、TAB和换行符视为界符。在基本字、用户定义的标识符和常数之间，若没有运算符或界符，则至少用一个空格（或TAB、换行符）加以分隔。,2.1 词法分析器的设计考虑及手工构造,遍的基本概念 由外存获得前一遍的工作结果，完成后把结果存于外设。 遍引入的历史背景 早期内存较小，编译程序相对较大 遍和编译程序的结构 1.一遍工作后，内存大部分释放，下一遍后，可以使用全部存储空间 2.使得编译程序的逻辑结构比较清晰 3.但增加了输入输出所耗费时间,2.1 词法分析器的设计考虑及手工构造,2.1.5 状态转换图和词法分析器的手工构造 引入状态转换图的必要性 程序设计语言的无符号实型常数有三种书写形式： 无小数部分形式：134 无整数部分形式：.12 完全形式：3.14 直接编写识别程序有难度，使用状态转换图是构造单词识别程序的好途径。,2.1 词法分析器的设计考虑及手工构造,状态转换图基本概念及应用 状态转换图是一个有向图。 在状态转换图中，结点代表状态，用圆圈表示。 状态之间用箭弧连接 箭弧上的标记代表在射出结点状态下可能出现的合法的输入字符,2.1 词法分析器的设计考虑及手工构造,例1，识别标识符的状态转换图如下所示：,2.1 词法分析器的设计考虑及手工构造,例2，识别实常数和整常数的状态转换图,2.1 词法分析器的设计考虑及手工构造,例3，识别“#“、“+“和“+“的状态转换图,2.1 词法分析器的设计考虑及手工构造,利用状态转换图识别单词 状态转换图每次只能识别一个单词，若源程序中有N个单词，则需使用状态转换图N次。设源程序为“x+y#“（#是预处理程序添加的），单词识别程序（扫描器）共使用状态转换图5次。,2.1 词法分析器的设计考虑及手工构造,1.从初态0出发，读入x进入状态1，在状态1读入+，进入终态2，识别出标识符“x“，退回+； 2. 从初态0出发，读入+进入状态10，在状态10读入+，进入终态11，识别出运算符“+“；,2.1 词法分析器的设计考虑及手工构造,3. 从初态0出发，读入+进入状态10，在状态10读入y，进入终态12，识别出运算符“+“，退回y； 4. 从初态0出发，读入y进入状态1，在状态1读入#，进入终态2，识别出标识符“y“，退回#；,2.1 词法分析器的设计考虑及手工构造,5.从初态0出发，读入#进入状态13，识别出单词“#”，识别出单词“#”意味着整个源程序中字符处理完毕。 为什么在C语言中x+y解释为(x+)+y,2.1 词法分析器的设计考虑及手工构造,根据状态转换图编制程序 （见“识别标识符的状态转换图编制的扫描程序”WORD文件）,2.1 词法分析器的设计考虑及手工构造,词法分析器手工构造实例 1.字符集 az 09 + = * ，； （ ） # 发现集合以外的字符，即非法字符，应终止词法分析器,2.1 词法分析器的设计考虑及手工构造,词法分析器手工构造实例 2.单词集 基本字：begin,end,integer,real 标识符：以字母开始的数字字母串 无符号整常数 无符号实常数 运算符 + * + = 界符 ， ； （ ） # 错误形式 . 前后无数字字符的小数点 出现错误形式，终止词法分析器运行,2.1 词法分析器的设计考虑及手工构造,词法分析器手工构造实例 3.单词编码 基本字：begin(,NUL),end(,NUL),integer(a,NUL),real(c,NUL) 标识符(i,字符串) 无符号整常数(x,字符串) 无符号实常数(y,字符串) 运算符 +(+,NUL) *(*,NUL) +($,NUL) =(=,NUL) 界符 , (,NUL) ; (;,NUL) ( (,NUL) ) (),NUL) # (#,NUL),2.1 词法分析器的设计考虑及手工构造,词法分析器手工构造实例 4.状态转换图 对单字符单词可以不画状态转换图， 多字符单词需要画出状态转换图,2.1 词法分析器的设计考虑及手工构造,词法分析器手工构造实例 5.程序实现 词法分析器由5个函数构成： 主函数main 预处理函数pro_process 扫描函数scanner 拼接函数concat 查基本字表函数reserve,2.1 词法分析器的设计考虑及手工构造,主函数先调用预处理函数进行预处理，然后不断调用扫描函数，获得单词二元式编码，然后将输出到文件Lex_r.txt，直到源程序全部处理完成。,2.1 词法分析器的设计考虑及手工构造,void main() char buf4048=0;/扫描缓冲区 pro_process(buf); /预处理 coutbufendl; /显示buf ofstream coutf(“Lex_r.txt“,ios:out); /单词识别 code_val t;/临时变量 dot=scanner(buf);/调用一次扫描器获得一个单词二元式 coutt.codett.valendl;/屏幕显示单词二元式 coutft.codett.valendl;/单词二元式输出至文件 while(t.code!=#); cout“End of lexical analysis!“endl; getch(); ,2.1 词法分析器的设计考虑及手工构造,扫描函数scanner中调用： 拼接函数concat和查基本字表函数reserve,2.1 词法分析器的设计考虑及手工构造,上机练习 请手工构造一个词法分析器，要求： 1.从文件读入源程序 2.去除源程序中的注释（注释用标记） 3.用空格取代源程序中的Tab和换行符 4.将预处理结果显示在屏幕上。 5.源程序尾部需要添加字符。 6.识别以下单词，并转换成二元式： 基本字begin(a,NUL),end(b,NUL),integer(c,NUL),real(d,NUL) 标识符(z,字符串) 无符号整常数(x,字符串) 无符号实常数(y,字符串) 运算符 +(+,NUL) *(*,NUL) +(,NUL) =(=,NUL) 界符 , (,NUL) ; (;,NUL) ( (,NUL) ) (),NUL) # (#,NUL),2.2 正规式、自动机及词法分析器的自动生成,2.2.1 基本概念 有穷字母表 设是一个有穷字母表，它的每个元素称为字符。即符号的非空有限集 例：=a，b，c 符号：字母表中的元素 例： a，b，c 符号串：符号的有穷序列 例：a, aa, ac, abc， 空字 空集 ,2.2 正规式、自动机及词法分析器的自动生成,字（符号串）:上字符所构成的有限序列。 空字：不包含任何字符的字， *： 上所有字的全体。空字属于*,2.2 正规式、自动机及词法分析器的自动生成,符号串和符号串集合的运算 1.符号串相等：若x、y是集合上的两个符号串，则xy iff（当且仅当）组成x的每一个符号和组成y的每一个符号依次相等。 2.符号串的长度：x为符号串，其长度|x|等于组成该符号串的符号个数。 例： xSTV ， |x|=3,2.2 正规式、自动机及词法分析器的自动生成,3.符号串的联接： 若x、y是定义在是上的符号串，且xXY，yYX，则x和y的联接 xyXYYX也是上的符号串。 注意：一般xyyx，而xx,2.2 正规式、自动机及词法分析器的自动生成,符号串集合的乘积运算： 令A、B为符号串集合，定义 AB xy |xA,yB,ac，ad，bc，bd 因为xxx，所以A=A=A,例：Aa,b,B=c,d, AB= ？,2.2 正规式、自动机及词法分析器的自动生成,5. 符号串集合的幂运算： 有符号串集合A，定义 A0 = A1=A A2=AA A3=AAA AnAn-1A=AAn-1 ，n0,2.2 正规式、自动机及词法分析器的自动生成,6.符号串集合的闭包运算：设A是符号串集合，定义 A A1 A2 A3 An 称为集合A的正闭包。 A* A0 A 称为集合A的闭包。,例：A=x,y A？ A* ？,x,y, xx,xy,yx,yy , xxx,xxy,xyx,xyy, A1 A2 A3 , x,y, xx,xy,yx,yy , xxx,xxy,xyx,xyy, A0 A1 A2 A3,2.2 正规式、自动机及词法分析器的自动生成,为什么对符号、符号串、符号串集合以及它们的运算感兴趣？ 若A为某语言的基本字符集 Aa,b,z,0,1,9, +,_/, ( , ), = B为单词集 B =begin, end, if, then,else,for, 则B A* 。 语言的句子是定义在B上的符号串。 若令C为句子集合，则C B * , 程序 C,2.2 正规式、自动机及词法分析器的自动生成,2.2.2 正规式与正规集 正规式和正规集的定义： l和是上的正规式，相应的正规集为、。 l 若a，则a是正规式，相应正规集为a。 l若、为正规式，相应正规集分别记为L()和L()，则|是正规式，其相应正规集记为L(|) ，且令L(|)=L()L(),2.2 正规式、自动机及词法分析器的自动生成,l 若、为正规式，相应正规集分别记为L()和L()，则(或)是正规式，其相应正规集记为L()，且令L()=L()L()。正规式自身的n次积是正规式，记为n，其相应正规集记为L(n)，显然L(n)= L() n。 l 若为正规式，相应正规集记为L()，则*= 0|1|2|n是正规式，规定0 =，其相应正规集记为L(*)，且令L(*) =L() *。 l *，可用园括号改变运算顺序。,2.2 正规式、自动机及词法分析器的自动生成,正规式有3个运算符： |或，连接，*闭包。 优先级依次为：*， ，|。 连接可以省略。,2.2 正规式、自动机及词法分析器的自动生成,为什么要定义所谓的正规集和正规式 有穷字母表是程序设计语言所使用的字符集的抽象 正规集是程序设计语言单词集的抽象 正规式是程序设计语言构词规则的抽象 词法分析器自动构造的输入正是描述单词的正规式 Abcdefdog,godn:dog,god,2.2 正规式、自动机及词法分析器的自动生成,正规式相等原理 二个正规式是相等的，当且仅当二个正规式所表示的正规集是相等的。,2.2 正规式、自动机及词法分析器的自动生成,正规式满足下列关系 交换律：| = | 结合律：|(|) = (|)|，() = () 分配律：(|) = |，(|) = | = = ,2.2 正规式、自动机及词法分析器的自动生成,正规式，其中=a|b|z, =0|1|9 1.(| ) * 2. * 3. *. * . * *. *(E|e)(+|-| ) . * . *(E|e)(+|-| ) . * * (E|e)(+|-| ) . * 4.(0|1)(0|1) *,标识符,无符号整常数,无符号实常数,二进制数,2.2 正规式、自动机及词法分析器的自动生成,2.2.3 确定有限自动机（DFA） 形式化状态转换图 DFA定义 一个确定有限自动机M是一个五元式 M = ( S，f，s0，Z ) l S是一个有限集，它的每一个元素称为状态。 l 是一个有穷字母表，它的每个元素称为一个输入字符。 l f是一个从S至S的映照，即， f：SS（单值函数）,有限自动机：一种识别器，准确识别正规集，是词法分析器自动构造所需要的特殊方法和工具。,2.2 正规式、自动机及词法分析器的自动生成,例f (si,a) = sj，表示当现行状态为si，若输入字符为a，则转移到下一状态sj，sj称为si的后继状态。 l s0S，是唯一的一个初态。 l ZS，是一个终态集。,2.2 正规式、自动机及词法分析器的自动生成,状态转换矩阵 函数f可以使用矩阵表示，行表示状态，列表示输入字符，矩阵元素表示下一个状态。 只要对初态和终态做标记，就可以用一个状态转换矩阵来表示DFA,2.2 正规式、自动机及词法分析器的自动生成,DFA M也可用一个（确定的）状态转换图表示 假定DFA M含有m个状态和n个输入字符，那这个图含有m个状态结，每个状态结最多有n条箭弧射出和其他状态相连接，包括该状态本身。每条弧用中的一个不同输入字符做标记，整个图含有唯一一个初态和若干个终态。,2.2 正规式、自动机及词法分析器的自动生成,字可为DFA M识别 对于一个字，如果存在一条从初态结到某一终态结的路径，且路径上的所有弧的标记按照顺序连接成的字为，则称可为DFA M识别或接受。 若DFA M的初态结同时又是终态结，则称空字可为DFA M所识别或接受。 DFA M所识别的字的全体称为L（M）,2.2 正规式、自动机及词法分析器的自动生成,DFA的确定性 表现在映射SS是一个单值函数。即对任何状态 sS和输入符号a ，f(s,a)唯一确定下一个状态。 从状态转换图来看，假定字母表含有n个输入字符，那么一个状态最多只有n条弧射出，并且每条弧以不同的输入字符为标记。,2.2 正规式、自动机及词法分析器的自动生成,2.2.4 非确定有限自动机（NFA） f是一个多值函数，得到NFA 定义 一个非确定的有限自动机M是一个五元式 M=（S，f，S0，Z） l S是一个有限集，它的每一个元素称为状态。 l 是一个有穷字母表，它的每个元素称为一个输入字符。,2.2 正规式、自动机及词法分析器的自动生成,l f是一个从S*到S的子集影射，即， f：S*2S（多值函数） 2S表示幂集，若S=0，1，则2S =，0，1，0，1。 l S0S，是一个非空初态集，即NFA的初态不一定唯一。 l ZS，是一个终态集。,2.2 正规式、自动机及词法分析器的自动生成,NFA M可用一个（非确定的）状态转换图表示 一个含有m个状态和n个输入字符的NFA可唯一表示成一个（非确定的）状态转换图，这个图含有m个状态结，每个结可射出若干个箭弧与别的结相连接，每条弧用*中的一个字做标记（输入字），不一定要不同的字，还可以是空字。 一个DFA可以含有多个初态结，初态结同时也可以是终态结。,2.2 正规式、自动机及词法分析器的自动生成,字可为NFA M识别 对于*中一个字，