一. 编译的基本流程
完整的编译的5个基本步骤包括lexcical anlysis,parse,sematic,optimize,code generate。课程中并没有使用复杂的编程语言,而是一种用于课堂教学的自发明语言COOL,很明显老师为它写好了编译器程序。
二. Lexical Analysis(词法分析阶段)
任务:将字符串分解成为[Type, (Value)]元组的形式的词法单元。
“龙书”里的示例更为直观,例如表达式语句 E = M * C ** 2进行词法分析后会得到如下的类似结果:
[id,指向符号表中E的条目的指针]
[assign_op]
[id,指向符号表中M的条目的指针]
[mult_op]
[id,指向符号表中C的条目的指针]
[exp_op]
[number,整数值2]
词法分析基本需要经历如下几个阶段:
Lexical Specification——>Regular expressions——>NFA——>DFA——>Table-driven Implementation of DFA
2.1 Lexical Specification(分词原则)
COOL中的基本Type包括如下几个类别:
Indentifier标识符-指以字母开头后续为若干个字母或数字的字符组
Integer-指一组非空的数字字符
Keyword- 指语言中的关键词,例如if,else等
Whitespace- 指一组非空的空格字符或换行符或制表符
很多程序设计语言中的分词原则基本都会覆盖关键字,运算符,标识符,常量,标点符号,他们也会在后面的实现中被作为终止符集合,课程板书中也提供了COOL分词原则的类正则形式。
分词时类型的正则匹配默认为贪婪模式,即匹配更多的字符。词法单元也具备一定的优先级次序(通常也是代码逻辑的实现顺序),例如if从正则上来判断既符合Keywords也符合Identifier,此时该单元的类型就应该标记为Keywords。这个阶段就完成了从Lecical Specification——>Regular expressions的部分。
2.2 Finite Automata (典型分词算法-有穷自动机)
FA是一个可以自动识别词法单元的机器,它是一个状态转换图,“有限”是指它包含的状态是有限的,一个状态读入一个字符后,后继的状态可能为:
后继状态为自身
后继状态只有一个
后继状态有多个
如果每次转换后的后继状态都是唯一的,则称为DFA(确定有限自动机),如果后继状态可能有多个则称为NFA(不确定有限状态机)。由于DFA的状态转移路径是唯一的,所以作为状态查询图时,无论成功或者失败只需要运行一次,但NFA就可能需要运行多次。
正则表达式是可以转换为NFA形式的,或许你已经在一些可视化正则表达式的网站上见过类似的形式。下图比较清晰地展示了从正则表达式到NFA状态图的转换规则(Regular expressions——>NFA):
如果一个DFA和一个NFA能够识别的字符集是一致的,则称它们为等价的,对于任意NFA,一定存在一个DFA与其等价,由NFA构建DFA的过程被称为DFA的确定化,也就是NFA——>DFA的过程。这个过程是围绕ε -closure状态集合的概念展开的,大致的过程就是从起点开始,每次将当前状态和通过若干次ε转换(它是一个特殊的状态转移函数,表示转换后的状态还是当前状态)作为一个新的ε -closure状态集合 ,使用矩阵记录每个ε -closure集合转换前后的集合,最后对整个状态转移矩阵进行标记重命名,就可以得到一个DFA,事实上转化后的DFA中的每一个状态,就是NFA中的一个ε -closure集合,你可以将它理解成一个通过分组来简化表达方式的过程,相关的过程可以参考下面这个文章西北农林科技大学编译原理课程PPT【词法分析】,里面图比较多,能够辅助理解,本文不再赘述。
三. 手动实现分词器
至此1-4课就结束了,估计看视频课程的人也是一脸懵逼,因为课程并没有讲解如何利用DFA得到最终期望的形式——Token元组,那么最后我们就自己手动来实现一下。
3.1 基本定义
假设我们需要对下面这段代码进行分词解析:
let snippet = var b3 = 2; a = 1 + ( b3 + 4); return a;
;
那么先来进行一些基本类型集合定义:
//解析结束标记
const EOF = undefined;
//Token Type 可识别的Token类型,
const TT = {
num: ‘num’,
id: ‘id’,
keywords: ‘keywords’, //var | return
lparen: ‘lparen’,// (
rparen: ‘rparen’,// )
semicolon: ‘semicolon’, //;
whitespace: ‘whitespace’, // \n | \t | \s (空格,制表符,换行符)
plus: ‘plus’, // +
assign: ‘assign’,// =
}
// 状态集类型,除开始和结束外,其他可以与Token支持的类型相对应,每次分词从start状态开始,接收一个字符后改变状态,直到在done状态结束时,可以得到一个token
const S = {
start: ‘start’,
done: ‘done’,
…TT
}
进行工具函数定义:
//判断是否为关键词(为简化流程,仅检测上面示例中包含的关键词)
const isKeywords = (token) => [‘function’, ‘return’, ‘if’, ‘var’].includes(token);
//判断是否为数字
const isDigit = c => /\d/.test©;
//判断是否为合法的标识符字符
const isValidId = c => /[A-Za-z0-9]/.test©;
//判断是否为空格
const isBlank = c => /(\s|\t|\n)/.test©;
3.2 构建DFA
以上面定义的状态集合和token类别为依据构建DFA:
3.3 开始分词
分词的逻辑实际上就是,每次先将状态置为start,然后读入一个字符,根据该字符判断下一个状态,只要没有到达完成状态done就继续读入字符,每次到达done状态时,就可以得到一个token,将其记录下来,然后重新将状态置为start,开始寻找下一个token直到分析完整个代码段。也就是说DFA状态机每运行一轮,就得到一个token。参考代码如下:
/**
-
词法分析
*/
function tokenize(code) {
let state = S.start;
let currentToken;//标记当前寻找到的token
let index = 0;//起始指针,每次分析指向start状态
let lookup = 0;//前探指针,每次分析最终指向done状态,start->done之间的字符即为tokenwhile (code[lookup] !== EOF) { //如果还有字符
while (state !== S.done) { //开始拆分token //获取下一个字符 let c = code[lookup++]; //根据当前状态和下一个字符判断DFA如何跳转 switch (state) { case S.start: //开始为空集,实现DFA中各个状态转移分支 if (isDigit(c)) { state = S.num; } else if (isValidId(c)) { state = S.id; } else if (isBlank(c)) { state = S.done; } else if (c === '=') { currentToken = [TT.assign, '='] state = S.done; } else if (c === '+') { currentToken = [TT.plus, '+'] state = S.done; } else if (c === ';') { currentToken = [TT.semicolon, ';'] state = S.done; }; break; case S.num: //如果是整数 if (isDigit(c)) { state = S.num; } else { currentToken = [TT.num, code.slice(index,lookup - 1)]; lookup -= 1; //从数字状态跳出后,最后一位需要参与下一轮分词,故回退一位 state = S.done; } break; case S.id: //如果是标识符状态 if (isValidId(c)) { state = S.id; } else { let tempToken = code.slice(index,lookup - 1); lookup -= 1; //从标识符状态跳出后,最后一位需要参与下一轮分词,故回退一位 if (isKeywords(tempToken)) { currentToken = [TT.keywords, tempToken]; }else{ currentToken = [TT.id, tempToken]; } state = S.done; } break; } } //state = S.done时跳出 currentToken && console.log(currentToken); currentToken = undefined; //起指针跟上末指针 index = lookup; //开始下一轮分词 state = S.start;
}
}
3.4 查看分词结果
运行上述代码即可看到目标程序片段的分词结果:
最后,小编想说:我是一名python开发工程师,
整理了一套最新的python系统学习教程,
想要这些资料的可以关注私信小编。