编译原理-西安交通大学(冯博琴)2_词法分析_30

词法分析的任务：从左至右逐个字符地扫描源程序，产生一个个的单词符号，把作为字符串的源程序改造成为单词符号串的中间程序。词法分析器/扫描器：执行词法分析的程序。源程序扫描器scanner1、关键字词法分析器的功能如下图所示：2、标识符5、界符4、运算符3、常数由程序语言定义的具有固定意义的标识符。也可称为保留字或基本字。例如：Pascal中的begin，end，if等。界符：如逗号、分号、括号、/*，*/等。它是确定的。运算符：如+、-、*、/等。它是确定的。常数的类型一般有整型、实型、布尔型、文字型等。它是不限的。用来表示各种名字，如变量名、数组名、过程名等。它是不限的。词法分析器的功能：输入源程序，输出单词符号。单词符号：一个程序语言的基本语法符号。分为以下5种。1、关键字：由程序语言定义的具有固定意义的标识符。也可称为保留字或基本字。例如：Pascal中的begin，end，if等。它是确定的。2、标识符：用来表示各种名字，如变量名、数组名、过程名等。它是不限的。3、常数：常数的类型一般有整型、实型、布尔型、文字型等。它是不限的。4、运算符：如+、-、*、/等。它是确定的。5、界符：如逗号、分号、括号、/*，*/等。它是确定的。确定不限单词符号的表示形式：词法分析器所输出的单词符号常常表示成二元式（单词种别，单词自身的值）。单词种别可以用以下形式表示：1、一类单词统一用一个整数值代表其属性。例如：1代表关键字，2代表标识符等。2、每一个单词一个类别。例如：1代表BEGIN，2代表END等。单词自身的值可以表示成：常量的二进制表示；常量、变量等在符号表种的地址码，等等。注意：一个语言的单词符号如何分种，分几种，怎样编码，是一个技术问题。标识符一般同归为一种。常数则宜按类型（整、实、布尔）分。关键字可以将其全体视为一种，也可一字一种。运算符可采用一符一种，但也可把具有一定共性的视为一种。界符则一般采用一符一种。如何进行分种主要取决于处理上的方便。若是一符一种分种，单词自身值就不需要了。否则，要查符号表。例2-1：151－FORTRAN编译程序的词法分析器在扫描输入串IF(5·EQ·M)GOTO100后，它输出的单词符号串是：逻辑IF（34，_）左括号（2，_）整常数（20，‘5’的二进制表示）等号（6，_）标识符（26，‘M’）右括号（16，_）GOTO（30，_）标号（19，‘100’的二进制表示）IF为关键字，种别编码34，采用一符一种的编码方式。常数类型，种别编码20，单词自身的值为‘5’的二进制表示。‘(’为界符，种别编码2，采用一符一种的编码方式。等号为运算符，种别编码6，采用一符一种的编码方式。M为标识符，种别编码26，单词自身值为‘M’。‘)’为界符，种别编码16，采用一符一种的编码方式。GOTO为关键字，种别编码30，采用一符一种的编码方式。100为标号，种别编码19，单词内部的值用100的二进制表示。例2-2：下述C++代码段：while(i=j)i--；经词法分析器处理以后，它将被转换为如下的单词符号串(while，_)((，_)(id，指向i的符号表指针)(=，_)(id，指向j的符号表指针)()，_)(id，指向i的符号表指针)(--，_)(；，_)1、把词法分析从语法分析中脱离出来的优点：•使编译程序的结构更加简洁、清晰和条理化。•词法分析和语法分析方法不同，词法分析可以使用正则文法自动构造scanner简单。•有利于提高语法分析的效率。•可以改善词法分析的细节，甚至于一个语法分析配几个scanner，把不同的输入变成一种内部表示。2、把词法分析作为独立的一遍•scanner当作一遍。•把scanner当作子程序。外存scanner语法分析源程序单词符号scanner作为一遍语法分析scanner源程序scanner作为子程序设计前提：•把scanner作为一个独立的子程序；•词法分析器的任务为输出单词符号。•必要性：编辑性字符如空白符、回车符等，除了出现在文字和常数中以外，在别处出现都没有意义。•功能：剔除无用字符。•实现：预处理子程序。输入列表预处理子程序扫描器扫描缓冲区输入缓冲区单词符号图2.1词法分析器语法分析器预处理部分扫描器若识别输入语句IF(5.EQ.M)GOTO100，若缓冲区情况如下所示：IF(5.EQ.M)GO起点指示器搜索指示器输入缓冲区TO100IF(5.EQ.M)GO起点指示器搜索指示器输入缓冲区TO100IF(5.EQ.M)GO起点指示器搜索指示器两个互补输入缓冲区120个字符扫描缓冲区的结构：•缓冲区大小：120个字符。•采用两个指示器：起点指示器、搜索指示器。•两个互补区。单词符号识别的简单方法：超前搜索。关键字识别：例如：在标准FORTRAN中1、DO99K=1,102、IF(5.EQ.M)I=103、DO99K=1.104、IF(5)=55其中的DO、IF为关键字其中的DO、IF为标识符的一部分标识符的识别多数语言的标识符是字母开头的“字母/数字”串，而且在程序中标识符的出现后都跟着算符或界符。因此，不难识别。常数的识别对于某些语言的常数的识别也需要使用超前搜索。算符和界符的识别对于诸如C++语言中的“++”、“--”，这种复合成的算符，需要超前搜索。转换图：是一张有限方向图。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（字符）代表在射出结状态下可能出现的输入字符或字符类。状态转换图的功能:用于识别一定的字符串。初态：一张转换图的启动条件，至少有一个,用圆圈表示。终态：一张转换图的结束条件，至少有一个，用双圈表示。*：表示多读进了一个字符。123XY(a)转换图示例201字母其他字母或数字*（b）识别标识符的转换图其他201数字数字*（c）识别整数的转换图例2-3：简单的状态转换图示例：初态终态从0状态到1状态可能出现字母图2.2状态转换图7*65·数字401数字数字2数字3E或D+或－数字其他E或D·数字其他数字例2-4：识别FORTRAN实型常数的转换图：例如下列实型常数可以被以下转换图识别：1.23E+4.56E-7单词符号种别编码助忆符内码值DIM1$DIM－IF2$IF－DO3$DO－STOP4$STOP－END5$END－标识符6$ID内部字符串常数（整）7$INT标准二进制形式＝8$ASSIGN－＋9$PLUS－*10$STAR－**11$POWER－,12$COMMA－(13$LPAR－)14$RPAR－例2-5：综合实例——做出识别下表所示的小语言的单词符号的状态转换图*120字母非字母与数字字母或数字*空白543数字数字非数字*6101113127*89*非*，（）其他＝＋。。右图即为对上页所示的简单语言进行词法分析的状态转换图。1、CHAR字符变量，存放最新读进的源程序字符。2、TOKEN字符数组，存放构成单词的字符串。3、GETCHAR过程，将下一输入字符读入CHAR，搜索指示器前移一个字符。4、GETBC过程，检查CHAR中的字符是否为空白。若是，则调用GETCHAR直至CHAR中进入一个非空白字符。5、CONCAT过程，把CHAR中的字符连接到TOKEN之后。6、LETTER布尔函数过程，它们分别判断CHAR中的字符是数字或是字母，DIGIT从而给出真假值TRUE、FALSE。7、RESERVE整型函数过程，用TOKEN中的字符串查保留字表，若是一个保留字则给予编码，否则回送0值（假定0不是保留字的编码）。8、RETRACT过程，把搜索指示器回调一个字节，把CHAR中的字符置为空白。以上函数和子程序过程都不难编制，使用它们能够方便的构造状态转换图的对应程序。一般，我们可以让每一个状态结对应一个程序段。例如：我们可以让不含回路的分叉结，对应一个CASE语句，或者是一组IF…THEN…ELSE语句。具体见后面实例。终态结一般对应一个RETURN(C,VAL)语句。其中C为单词种别编码；VAL是字符数组的TOKEN，或者是一个整数值，或者无定义。具体见后面实例。为了把状态转换图转化成程序，每个状态要建立一段程序，它要做的工作如下：第一步：从输入缓冲区中取一个字符。为此，我们使用函数GETCHAR，每次调用它，推进先行指针，送回一个字符。第二步：确定在本状态下，哪一条箭弧是用刚刚来的输入字符标识的。如果找到，控制就转到该弧所指向的状态；若找不到，那么寻找该单词的企图就失败了。失败：先行指针必须重新回到开始指针处，并用另一状态图来搜索另一单词。如果所有的状态转换图都试过之后，还没有匹配的，就表明这是一个词法错误，此时，调用错误校正程序。GETCHAR是过程，将下一输入字符读入CHAR，搜索指示器前移一个字符。例2－6：以下CASE语句段对应的状态图:statei：GETCHAR；CASECHAROF‘A’..‘Z’：…statej…；‘0’..‘9’：…statek…；‘/’：…statel…；END；FAIL数字ijkl字母/字符变量，存放最新读进的源程序字符。过程，将下一输入字符读入CHAR，搜索指示器前移一个字符。对于如上的状态转换图，状态0的代码如下所示：state0：C:=GETCHAR;ifLETTER(C)thengotostate1elseFAIL()201字母其他字母或数字LETTER()是布尔函数过程，当且仅当C中的字符是字母，它返回真假值TRUE。FAIL()是例子程序，它移回先行指针（lookaheadpointer）,开始下一状态转换图，或调用出错程序。例2-7：示例——如何把状态结对应于一段程序：*对于如上的状态转换图，状态1的代码如下所示：state1：C:=GETCHAR;ifLETTER(C)orDIGIT(C)thengotostate1elseifDELIMITER(C)thengotostate2elseFAIL()201字母其他字母或数字DIGIT()是布尔函数过程，当且仅当C中的字符是数字，它返回真假值TRUE。DELIMITER(C)是过程，只要碰到标识符后的分界符，它返回TRUE。分界符一般为：空格、算术、逻辑符号，括号、‘＝’、‘；’、‘.’、‘，’。*对于如上的状态转换图，终态——状态2的代码如下所示：state2：RETRACT();RETURN($id，INSTALL())201字母其他字母或数字RETRACT()是过程，由于分界符不属于标识符，所以我们要把先行指针回调一个字符。INSTALL()是过程，如我们识别出的标识符不在符号表中，我们把它装入符号表。我们还要给语法分析程序返回一个二元式。*如果同时识别标识符和定义符，则需要修改为State2：修改之后，状态2的代码如下所示：state2：RETRACT();c:=RESERVE();ifc=0thenRETURN($id，INSTALL)elseRETURN(C,_)RESERVE()整型函数过程,针对TOKEN中的字符串进行查找，看其是否是保留字，是保留字给出它的编码，否则回送0（假定0不是保留字编码）。例2－8：以下程序段对应的状态图statei：GETCHAR；WHILELETTERORDIGITDOGETCHAR；statej：…布尔函数过程，它们分别判断CHAR中的字符是数字或是字母，从而给出真假值TRUE、FALSE。ij其它字母或数字例2－9：以下程序段对应的状态图‘0’…‘9’：BEGINWHILEDIGITDOBEGINCONCAT；GETCHAREND；RETRACT；RETURN($INT,DTB)；END；3非数字数字数字4*RETURN语句，对应终态结，其中$INT为种别编码，DTB为一个把十进制转换到二进制的转换函数。它把TOKEN中的数字译成标准二进制码，并以此为函数值返回。正规式与正规集的递归定义：1、ε和Φ都是字母表∑上的正规式，它们所表示的正规集分别为{ε}和Φ；2、任何a∈∑，a是∑上的一个正规式，它所表示的正规集为{a}；3、正规式正规集正规式正