|
Лекции по конструированию компиляторов - Часть 2
Автор: В.А.Серебряков Глава 2. Лексический анализ Основная задача лексического анализа - разбить входной текст, состоящий из последовательности одиночных символов, на последовательность слов, или лексем, т.е. выделить эти слова из непрерывной последовательности символов. Все символы входной последовательности с этой точки зрения разделяются на символы, принадлежащие каким-либо лексемам, и символы, разделяющие лексемы (разделители). В некоторых случаях между лексемами может и не быть разделителей. С другой стороны, в некоторых языках лексемы могут содержать незначащие символы (пробел в Фортране). В Си разделительное значение символов- разделителей может блокироваться ('\' в конце строки внутри "..."). Обычно все лексемы делятся на классы. Примерами таких классов являются числа (целые, восьмеричные, шестнадцатиричные, действительные и т.д.), идентификаторы, строки. Отдельно выделяются ключевые слова и символы пунктуации (иногда их называют символы-ограничители). Как правило, ключевые слова - это некоторое конечное подмножество идентификаторов. В некоторых языках (например, ПЛ/1) смысл лексемы может зависеть от ее контекста и невозможно провести лексический анализ в отрыве от синтаксического. С точки зрения дальнейших фаз анализа лексический анализатор выдает информацию двух сортов: для синтаксического анализатора, работающего вслед за лексическим, существенна информация о последовательности классов лексем, ограничителей и ключевых слов, а для контексного анализа, работающего вслед за синтаксическим, важна информация о конкретных значениях отдельных лексем (идентификаторов, чисел и т.д.). Поэтому общая схема работы лексического анализатора такова. Сначала выделяем отдельную лексему (возможно, используя символы- разделители). Если выделенная лексема - ограничитель, то он (точнее, некоторый его признак) выдается как результат лексического анализа. Ключевые слова распознаются либо явным выделением непосредственно из текста, либо сначала выделяется идентификатор, а затем делается проверка на принадлежность его множеству ключевых слов. Если да, то выдается признак соответствующего ключевого слова, если нет - выдается признак идентификатора, а сам идентификатор сохраняется отдельно. Если выделенная лексема принадлежит какому-либо из других классов лексем (число, строка и т.д.), то выдается признак класса лексемы, а значение лексемы сохраняется. Лексический анализатор может работать или как самостоятельная фаза трансляции, или как подпрограмма, работающая по принципу "дай лексему". В первом случае (рис. 2.1) выходом лексического анализатора является файл лексем, во втором (рис. 2.2) лексема выдается при каждом обращении к лексическому анализатору (при этом, как правило, тип лексемы возвращается как значение функции "лексический анализатор", а значение передается через глобальную переменную). С точки зрения формирования значений лексем, принадлежащих классам лексем, лексический анализатор может либо просто выдавать значение каждой лексемы и в этом случае построение таблиц переносится на более поздние фазы, либо он может самостоятельно строить таблицы объектов (идентификаторов, строк, чисел и т.д.). В этом случае в качестве значения лексемы выдается указатель на вход в соответствующую таблицу.
+------------------+
| Синт. анализатор |<-----+
+------------------+ |
^| |
+---------------------+ || +----------+
| Тип, Значение | ... | Тип || | Значение |
+---------------------+ лексемы || +----------+
| |v ^
| +---------+ +------------------+ |
+--->| Таблица | | Лекс. анализатор |------+
+---------+ +------------------+
Файл лексем "Дай лексему"
Рис. 2.1 Рис. 2.2
Работа лексического анализатора описывается формализмом конечных автоматов. Однако непосредственное описание конечного автомата неудобно практически. Поэтому для описания лексических анализаторов, как правило, используют либо формализм регулярных выражений, либо формализм контекстно свободных грамматик, а именно подкласса автоматных, или регулярных, грамматик. Все три формализма (конечных автоматов, регулярных выражений и автоматных грамматик) имеют одинаковую выразительную мощность. По описанию лексического анализатора в виде регулярного выражения или автоматной грамматики строится конечный автомат, распознающий соответствующий язык. 2.1. Регулярные множества и регулярные выражения Пусть T - конечный алфавит. Регулярное множество в алфавите T определяется рекурсивно следующим образом (знаком '<-' будем обозначать принадлежность множеству, знаком '<=' включение):
(1) {} (пустое множество) - регулярное множество в алфавите
T;
(2) {a} - регулярное множество в алфавите T для каждого a<-
T;
(3){е} - регулярное множество в алфавите T (e - пустая
цепочка);
(4) если P и Q - регулярные множества в алфавите T, то
таковы же и множества
(а) P U Q (объединение),
(б) PQ (конкатенация, т.е. множество pq, p<-P, q<-Q),
(в) P* (итерация: P*={e} U P U PP U...;
(5) ничто другое не является регулярным множеством в
алфавите T.
Итак, множество в алфавите T регулярно тогда и только тогда, когда оно либо {}, либо {e}, либо {a} для некоторого a<-T, либо его можно получить из этих множеств применением конечного числа операций объединения, конкатенации и итерации. Приведенное выше определение регулярного множества одновременно определяет и форму его записи, которую будем называть регулярным выражением. Для сокращенного обозначения выражения PP* будем пользоваться записью P+ и там, где это необходимо, будем использовать скобки. В этой записи наивысшим приоритетом обладает операция *, затем конкатенация и, наконец, операция U, для записи которой иногда будем использовать значок '|'. Так, 0|10* означает (0|(1(0*))). Кроме того, мы будем использовать запись вида
d1 = r1 d2 = r2 ....... dn = rn где di - различные имена, а каждое ri - регулярное выражение над символами T U {d1,d2,...,di-1}, т.е. символами основного алфавита и ранее определенными символами. Таким образом, для любого ri можно построить регулярное выражение над Т, повторно заменяя имена регулярных выражений на обозначаемые ими регулярные выражения. Пример 2.1. Несколько примеров регулярных выражений и обозначаемых ими множеств
Идентификатор - это регулярное выражение
Идентификатор = Буква (Буква|Цифра)*
Буква = {a,b,...,z}
Цифра = {0,1,...,9}
Число в десятичной записи - это регулярное выражение
Целое = Цифра+
Дробная_часть = . Целое | е
Спепень = ( Е ( + | - | е ) Целое ) | е
Число = Целое Дробная_часть Степень
Ясно, что для каждого регулярного множества можно найти по крайней мере одно регулярное выражение, обозначающее это множество. И обратно: для каждого регулярного выражения можно построить регулярное множество, обозначаемое этим выражением. Для каждого регулярного множества существует бесконечно много обозначающих его регулярных выражений. Будем говорить, что два регулярных выражения равны, если они обозначают одно и то же множество. 2.2. Конечные автоматы Недетерминированный конечный автомат (НКА) - это пятерка M=(Q,T,D,Q0,F), где (1) Q - конечное множество состояний; (2) T - конечное множество допустимых входных символов; (3) D - функция переходов, отображающая множество QxT во множество подмножеств множества Q и определяющая поведение управляющего устройства; (4) Q0<=Q - множество начальных состояний управляющего устройства; (5) F<=Q - множество заключительных состояний. Детерминированный конечный автомат (ДКА) - это пятерка M=(Q,T,D,q0,F), где (1) Q - конечное множество состояний; (2) T - конечное множество допустимых входных символов; (3) D - функция переходов, отображающая множества QxT в множество Q и определяющая поведение управляющего устройства; (4) q0<-Q - начальное состояние управляющего устройства; (5) F<=Q - множество заключительных состояний. Работа конечного автомата представляет собой некоторую последовательность шагов, или тактов. Такт определяется текущим состоянием управляющего устройства и входным символом, обозреваемым в данный момент входной головкой. Сам шаг состоит из изменения состояния и сдвига входной головки на одну ячейку вправо (рис. 2.3).
+-----------+
| Состояние |
+-----------+
|
v
+---------------------------------------+
| | a | .............. |
+---------------------------------------+
Прочитанная Текущий Непрочитанная
часть входной входной часть входной
входной цепочки символ цепочки
Рис. 2.3
Текущее состояние управляющего устройства, символ под головкой и цепочка символов вправо от головки называются конфигурацией автомата. Конфигурация (q0,w) называется начальной, а пара (q,e), где q<-F, называется заключительной (или допускающей).
|
v
+---+
| 1 |
+---+
| Цифра
+------ v
| \---+Не (цифра,Е,"." +-----+
| Цифра | 2 |--------------->|| 3 ||
| /---\ +-----+
+------ |. \ E
v --------------------+
+---+ |
| 4 | |
+---+ |
| Цифра |
+------- v |
| \--- Не цифра,Е +-----+ |
| Цифра | 5 |------------>|| 6 || |
| /--- +-----+ |
+------- |E |
v |
+---+ |
| 7 |<--------------------+
+---\
+,- | \ Цифра
v \
+---+ |
| 8 | |
+---+ |
Цифра | /
+------- v /
| \---/ Не цифра +------+
| Цифра | 9 |--------->|| 10 ||
| /--- +------+
+-------
Рис. 2.4
Такт автомата M представляется бинарным отношением |-, определенным на конфигурациях: отношение имеет место, если есть переход из конфигурации (q1,w1) в конфигурацию (q2,w2). Отношения |-+ и |-* - это, соответственно, транзитивное и рефлексивно-транзитивное замыкание отношения |-. Говорят, что автомат M допускает цепочку w, если (q0,w)|-*(q,e) для некоторого q<-F. Языком, допускаемым (распознаваемым, определяемым) автоматом M, (обозначается L(M)), называется множество входных цепочек, допускаемых автоматом M. Т.е.
L(M)={w | w<-T* и (q0,w)|-*(q,e) для некоторого q<-F}
Конечный автомат может быть изображен графически в виде графа, в котором каждому состоянию соответствует вершина, а дуга, помеченная символом a, соединяет две вершины p и q, если функция переходов содержит (q,a)->p. На диаграмме выделяются конечные состояния (в примерах выше двойным контуром). Пример 2.2. Диаграмма для чисел языка Паскаль приведена на рис. 2.4. 2.3. Построение детерминированного конечного автомата по регулярному выражению. Приведем теперь алгоритм построения детерминированного конечного автомата по регулярному выражению [1]. К регулярному выражению (сокращенно РВ) r добавим маркер конца: (r)#. После построения ДКА для расширенного РВ легко построить ДКА для исходного РВ: все состояния ДКА из которых есть переход в конечное с чтением символа "#", можно считать конечными, а символ "#" и соответствующие переходы удалить. Представим РВ в виде дерева, листья которого - терминальные символы, а внутренние вершины - операции "." (конкатенации), "U" (объединение), "*" (итерация). Каждому листу дерева (кроме e-листьев) припишем уникальный номер и ссылаться на него будем, с одной стороны, как на позицию в дереве и, с другой стороны, как на позицию символа, соответствующего листу. Теперь, обходя дерево T сверху-вниз слева-направо, вычислим четыре функции: nullable, firstpos, lastpos и followpos. Функции nullable, firstpos и lastpos определены на узлах дерева, а followpos - на множестве позиций. Значением всех функций, кроме nullable, является множество позиций. Функция followpos вычисляется через три остальные функции. Функция firstpos(n) для каждого узла n синтаксического дерева регулярного выражения дает множество позиций, которые соответствуют первым символам в подцепочках, генерируемых подвыражением с вершиной в n. Аналогично, lastpos(n) дает множество позиций, которым соответствуют последние символы в подцепочках, генерируемых подвыражениями с вершиной n. Для узлов n, поддеревья которых (т.е. дерево, у которого узел n является корнем) могут породить пустое слово, определим nullable(n)=true, а для остальных узлов false.
узел n nullable(n) firstpos(n) lastpos(n)
---------------------------------------------------------
лист е | true | 0 | 0
--------+-------------+------------------+--------------
лист i | false | {i} | {i}
--------+-------------+------------------+--------------
U | nullable(a) | firstpos(a) | lastpos(a)
/ \ | or | U | U
a b | nullable(b) | firstpos(b) | lastpos(b)
--------+-------------+------------------+--------------
. | nullable(a) | if nullable(a) |if nullable(b)
/ \ | and | then firstpos(a) |then lastpos(a)
| | U firstpos(b) | U lastpos(b)
a b | nullable(b) | else firstpos(a) |else lastpos(b)
--------+-------------+------------------+--------------
* | | |
| | true | firstpos(a) | lastpos(a)
a | | |
--------------------------------------------------------
Рис. 2.5
Таблица для вычисления функций nullable и firstpos приведена на рис. 2.5. Вычисление функции lastpos строится аналогично.
{1,2,3}.{6}
/ \
{1,2,3}.{5} {6}#{6}
/ \ позиция | followpos
{1,2,3}.{4} {5}b{5} --------+-------------
/ \ 1 | {1,2,3}
{1,2,3}.{3} {4}b{4} 2 | {1,2,3}
/ \ 3 | {4}
{1,2}*{1,2} {3}a{3} 4 | {5}
| 5 | {6}
{1,2}U{1,2} 6 | -
/ \ ----------------------
{1}a{1} {2}b{2}
Рис. 2.6 Рис. 2.7
Пример 2.3. Функции firstpos и lastpos для выражения (a+b)abb# приведены на рис. 2.6. Слева от каждой вершины значение firstpos, справа - lastpos. Заметим, что эти функции могут быть вычислены за один обход дерева. Если i - позиция, то followpos(i) есть множество позиций j таких, что существует некоторая строка ...cd..., входящая в язык, описываемый РВ, такая, что i - соответствует этому вхождению c, а j - вхождению d. Функция followpos может быть вычислена также за один обход дерева по следующим двум правилам 1. Пусть n - внутренний узел с операцией "." (конкатенация), a,b - его потомки. Тогда для каждой позиции i, входящей в lastpos(a), добавляем к множеству значений followpos(i) множество firstpos(b). 2. Пусть n - внутренний узел с операцией "*" (итерация), a - его потомок. Тогда для каждой позиции i, входящей в lastpos(a), добавляем к множеству значений followpos(i) множество firstpos(а). Для примера 2.3 значения функции followpos приведены на рис. 2.7. Функция followpos позволит теперь сразу построить детерминированный конечный автомат с помощью следующего алгоритма. Алгоритм 2.1. Прямое построение ДКА по регулярному выражению. Будем строить множество состояний автомата Dstates и помечать их. Состояния ДКА соответствуют множествам позиций. Начальным состоянием будет состояние firstpos(root), где root - вершина синтаксического дерева регулярного выражения, конечными - все состояния, содержащие позиции, связанные с символом "#". Сначала в Dstates имеется только одно непомеченное состояние firstpos(root).
while есть непомеченное состояние T в Dstates do
пометить T;
for каждого входного символа a<-T do
пусть символу a в T соответствуют позиции
p1,...,pi, и пусть S=U followpos(pi)
i
Если S не пусто и S не принадлежит Dstates, то
добавить непомеченное состояние S в Dstates
(рис. 2.8)
Функцию перехода Dtran для T и a определить как
Dtran(T,a)=S.
end;
end;
|
Автор проекта: USU Software
Вы можете выкупить этот проект.