Miroslav Beneš Dušan Kolář

Prezentace na téma: "Miroslav Beneš Dušan Kolář"— Transkript prezentace:

1 Miroslav Beneš Dušan Kolář
Lexikální analýza Miroslav Beneš Dušan Kolář

2 Rozhraní lexikálního analyzátoru
Lexikální analýza M. Beneš, D. Kolář: Lexikální analýza

3 Úkoly Čtení zdrojového textu Sestavování symbolů
Odstranění mezer a poznámek Normalizace symbolů (velká/malá písmena, spec. znaky, ...) Interpretace direktiv překladače Uchovávání informací pro hlášení chyb Zobrazení protokolu o překladu Lexikální analýza

4 Proč řešit lexikální analýzu samostatně?
Jednodušší návrh překladače Konvence pro mezery a poznámky Vyšší efektivita Specializované algoritmy Lepší přenositelnost Zvláštnosti vstupní abecedy ??( = [ Lexikální analýza

5 Základní pojmy Lexém – slovo nad abecedou
Kategorie symbolů – identifikátor, číslo, relační operátor, levá závorka, ... Atributy symbolu – řetězec, hodnota, kód operátoru, ... Reprezentace symbolu – dvojice (kategorie, atribut) Lexikální analýza

6 Příklady lexikálních symbolů
Lexikální analýza

7 Reprezentace symbolů // kategorie symbolů
enum Symbol { IdSym, NumSym, RelOpSym, DotSym, ... }; // kategorie operátorů enum Oper { LthOp, GthOp, LeqOp, ... }; // atributy symbolů union LexAttr { char* id; int num; Oper relop; ... }; // reprezentace lexikálního symbolu struct Token { Symbol sym; // kategorie LexAttr attr; // atribut Lexikální analýza

8 Problémy se zdrojovým jazykem
Pevný/volný formát (FORTRAN) 12 X=7 * +12*K C poznámka Zpracování mezer (FORTRAN, Basic) DO5I=1.25 / DO5I=1,25 Klíčová slova (PL/I) IF THEN THEN THEN=ELSE; ELSE ELSE=THEN Lexikální analýza

9 Příklad 1 INTEGER FUNCTIONA 2 PARAMETER(A=6,B=2)
IMPLICIT CHARACTER*(A-B)(A-B) INTEGER FORMAT(10),IF(10),DO9E1 FORMAT(4H)=(3) FORMAT(4 )=(3) DO9E1=1 DO9E1=1,2 IF(X)=1 ... Lexikální analýza

10 Příklad (pokr.) 10 IF(X)H=1 11 IF(X)300,200 12 300 CONTINUE 13 END
C this is a comment $FILE(1) END Lexikální analýza

11 Specifikace symbolů Popis běžným jazykem
‘identifikátor je posloupnost písmen a číslic začínající písmenem’ Regulární (lineární) gramatika I -> p X X -> p X | c X | p | c Regulární výrazy a definice p (p | c)* Lexikální analýza

12 Specifikace symbolů Graf přechodů konečného automatu
(syntaktický graf) Lexikální analýza

13 Specifikace symbolů Lexikální symboly lze obvykle popsat regulárními jazyky (typ 3) Co nedokážeme popsat? Zanořené konstrukce (závorky) Opakované konstrukce {wcw|w{a,b}*} Zadaný počet opakování nHa1a2…an (FORTRAN) Lexikální analýza

14 Regulární výrazy nad  RE  označuje {} (prázdný řetězec)
Je-li a, pak a označuje {a} Je-li a,b,c,…, pak [abc…] označuje množinu {a, b, c, …} [aeiouy] [a-zA-Z] [^0-9] – všechno kromě [0-9] Lexikální analýza

15 Regulární výrazy Jsou-li s, t reg. výrazy označující jazyky L(s) a L(t), pak (s) | (t) L(s)  L(t) (s) (t) L(s) L(t) (s)* (L(s))* (s)+ (L(s))+ = L(s) (L(s))* (s)? L(s)  {} (s) L(s) Lexikální analýza

16 Příklad [A-Z]([A-Z]|[0-9])*  [A-Z][A-Z0-9]*
[0-9]+.[0-9]+(E[-+]?[0-9]+)? | [0-9]+E[-+]?[0-9]+ Lexikální analýza

17 Regulární definice Pojmenované regulární výrazy
d1 -> r1 d2 -> r2 ... dn -> rn různá reg. výrazy nad jména   {d1, d2,…, di-1} Lexikální analýza

18 Regulární definice Použití: konstruktory lex. analyzátorů
letter -> [A-Za-z] digit -> [0-9] id -> letter (letter | digit)* Použití: konstruktory lex. analyzátorů Lexikální analýza

19 Konečné automaty (Q, , f, q0, F)  - vstupní abeceda
Q – konečná množina stavů  - vstupní abeceda f – přechodová funkce q0 – počáteční stav F – množina koncových stavů f: Q x (  {e}) -> 2Q rozšířený NKA f: Q x  -> Q DKA Lexikální analýza

20 Konečné automaty desítkové číslo šestnáctkové číslo Lexikální analýza

21 Konečné automaty NKA Lexikální analýza

22 Konečné automaty deterministický konečný automat Lexikální analýza

23 Algoritmy pro transformaci
Reg. gramatika ↔ konečný automat korespondence pravidel gramatiky a přechodové funkce Reg. výraz → konečný automat skládání primitivních KA, převod na DKA, minimalizace stromová reprezentace důležité pro konstruktory lex. analyzátorů Lexikální analýza

24 Algoritmy pro transformaci
Konečný automat → reg. výraz soustava algebraických rovnic X = a X + b  X = a* b derivace reg. výrazu Lexikální analýza

25 Konečný automat pro lexikální analýzu
Zpracování začíná vždy prvním dosud nezpracovaným znakem ze vstupu Zpracování končí, je-li automat v koncovém stavu a pro další vstupní znak již neexistuje žádný přechod (maximal match): 123 není 12 následované 3 Není-li v nekoncovém stavu přechod možný, vrací se automat do posledního dosaženého koncového stavu nebo je chyba: < <= << Lexikální analýza

26 Speciální případy akce po přijetí symbolu klíčová slova
samostatný koncový stav pro každou kategorii výpočet hodnot atributů z lexému klíčová slova koncový stav pro každé klíčové slovo – mnoho stavů obvykle jako id, pak následuje rozlišení tabulkou klíč. slov Lexikální analýza

27 Speciální případy komentáře znakové řetězce
uzavřená cesta procházející poč. stavem diagnostika – neukončený komentář dokumentační komentář – Javadoc zanořené komentáře znakové řetězce escape sekvence ‘\n’ ukončení řádku v řetězci je obvykle chyba Unicode Lexikální analýza

28 Implementace lexikálního analyzátoru
Přímá Efektivita na úkor složitosti návrhu Stav je reprezentován pozicí v programu Simulace konečného automatu Vhodné spíš pro konstruktory Využití konstruktoru Snadná modifikovatelnost Především v počátečních fázích implementace Lexikální analýza

29 Přímá implementace char text[256]; int leng, ival; int lex(void) {
int ch; START: while((ch=getchar())==‘ ‘) ; /* odstranění mezer */ Lexikální analýza

30 Přímá implementace if( isalpha(ch) ) { leng = 0; do {
text[leng++] = ch; } while( isalnum(ch=getchar()) ); text[leng] = ‘\0’; ungetc(ch,stdin); return(IDENT); } Lexikální analýza

31 Přímá implementace else if( isdigit(ch) ) { ival = 0; do {
ival = 10*ival+(ch-’0’); } while( isdigit(ch=getchar()) ); ungetc(ch,stdin); return(NUM); } Lexikální analýza

32 Přímá implementace else if (ch==‘{‘) {
while( (ch=getchar())!=‘}’ && ch!=EOF); if( ch==EOF ) { error(“Missing end of comment”); return(EOF); } goto START; else return(ch); /* ostatní znaky */ Lexikální analýza

33 Přímá implementace getchar() ungetc() čte znaky ze vstupu
udržuje aktuální číslo řádku kopie zdrojového textu do protokolu správa vyrovnávacích pamětí makrogenerátor (např. C, C++) ungetc() vrací zpět jeden nebo více znaků Java: java.io.PushbackInputStream Lexikální analýza

34 Implementace konečného automatu
Tabulka + Přechodová funkce + Interpret výhodné jako výstup konstruktoru Přímý přepis do programu Lexikální analýza

35 Implementace konečného automatu
static int state; int next(int newstate) { state = newstate; return getchar(); } int lex(void) { int ch = next(0); Lexikální analýza

36 Implementace konečného automatu
for(;;) switch(state) { case 0: if (ch==‘ ‘) ch = next(0); else if( isalpha(ch) ) { leng = 0; text[leng]=ch; ch = next(1); } Lexikální analýza

37 Implementace konečného automatu
/* case 0: */ else if (isdigit(ch)) { ival = ch-’0’; ch = next(2); } else if (ch==‘{‘) ch = next(3); else return(ch); break; Lexikální analýza

38 Implementace konečného automatu
case 1: if (isalnum(ch)) { text[++leng] = ch; ch = next(1); } else { text[++leng] = ‘\0’; unget(ch,stdin); return(IDENT); break; Lexikální analýza

39 Implementace konečného automatu
Lexikální analýza

40 Implementace konečného automatu
case 3: if (ch==EOF) { error(“Missing end of comment”); return(EOF); } else if (ch==‘}‘) ch = next(0); else ch = next(3); break; Lexikální analýza

41 Konstruktor LEX / FLEX %{ #include <stdlib.h> #define IDENT 256
#define NUM 257 int yyival; %} Lexikální analýza

42 Konstruktor LEX / FLEX space [ \t\n] ws {space}+|\{[^}]*\}
letter [A-Za-z] digit [0-9] id {letter}({letter}|{digit})* number {digit}+ %% Lexikální analýza

43 Konstruktor LEX / FLEX {ws} {/* no action, no return */}
{id} return(IDENT); {number} { yyival=atoi(yytext); return(NUM); } . return(yytext[0]); Lexikální analýza