制作词法分析器

Question

我正在使用Lexical Analyzer程序,我正在使用Java.我一直在研究这个问题的答案,但直到现在我都找不到.这是我的问题:

输入:

System.out.println ("Hello World");

期望的输出:

Lexeme----------------------Token

System [Key_Word]

.       [Object_Accessor]

out   [Key_Word]

. [Object_Accessor]

println  [Key_Word]

(  [left_Parenthesis]

"Hello World"    [String_Literal]

)   [right_Parenthesis]

;  [statement_separator]

我还是初学者,所以我希望你们能帮助我.谢谢.

Answer 1

您既不需要ANTLR也不需要Dragon书来手工编写简单的词法分析器.即使是用于更全面的语言(如Java)的词法分析器,手工编写也不是非常复杂.显然,如果您有工业任务,您可能需要考虑像ANTLR或某些词法变体这样的工业强度工具,但为了学习词汇分析的工作原理,手工编写可能会证明是一项有用的练习.我假设情况就是这样,因为你说你还是初学者.

这是一个简单的词法分析器,用Java编写,用于类似Scheme的语言的一个子集,我在看到这个问题之后写了这个.我认为代码相对容易理解,即使你之前从未见过lexer,只是因为将一串字符(在本例中为a String)分成一个标记流(在这种情况下为a List<Token>)并不那么难.如果您有疑问,我可以尝试更深入地解释.

import java.util.List;
import java.util.ArrayList;

/*
 * Lexical analyzer for Scheme-like minilanguage:
 * (define (foo x) (bar (baz x)))
 */
public class Lexer {
    public static enum Type {
        // This Scheme-like language has three token types:
        // open parens, close parens, and an "atom" type
        LPAREN, RPAREN, ATOM;
    }
    public static class Token {
        public final Type t;
        public final String c; // contents mainly for atom tokens
        // could have column and line number fields too, for reporting errors later
        public Token(Type t, String c) {
            this.t = t;
            this.c = c;
        }
        public String toString() {
            if(t == Type.ATOM) {
                return "ATOM<" + c + ">";
            }
            return t.toString();
        }
    }

    /*
     * Given a String, and an index, get the atom starting at that index
     */
    public static String getAtom(String s, int i) {
        int j = i;
        for( ; j < s.length(); ) {
            if(Character.isLetter(s.charAt(j))) {
                j++;
            } else {
                return s.substring(i, j);
            }
        }
        return s.substring(i, j);
    }

    public static List<Token> lex(String input) {
        List<Token> result = new ArrayList<Token>();
        for(int i = 0; i < input.length(); ) {
            switch(input.charAt(i)) {
            case '(':
                result.add(new Token(Type.LPAREN, "("));
                i++;
                break;
            case ')':
                result.add(new Token(Type.RPAREN, ")"));
                i++;
                break;
            default:
                if(Character.isWhitespace(input.charAt(i))) {
                    i++;
                } else {
                    String atom = getAtom(input, i);
                    i += atom.length();
                    result.add(new Token(Type.ATOM, atom));
                }
                break;
            }
        }
        return result;
    }

    public static void main(String[] args) {
        if(args.length < 1) {
            System.out.println("Usage: java Lexer \"((some Scheme) (code to) lex)\".");
            return;
        }
        List<Token> tokens = lex(args[0]);
        for(Token t : tokens) {
            System.out.println(t);
        }
    }
}

使用示例:

~/code/scratch $ java Lexer ""
~/code/scratch $ java Lexer "("
LPAREN
~/code/scratch $ java Lexer "()"
LPAREN
RPAREN
~/code/scratch $ java Lexer "(foo)"
LPAREN
ATOM<foo>
RPAREN
~/code/scratch $ java Lexer "(foo bar)"
LPAREN
ATOM<foo>
ATOM<bar>
RPAREN
~/code/scratch $ java Lexer "(foo (bar))"
LPAREN
ATOM<foo>
LPAREN
ATOM<bar>
RPAREN
RPAREN

一旦你编写了这样的一个或两个简单词法分析器,你就会很好地理解这个问题是如何分解的.然后探索如何使用像lex这样的自动化工具会很有趣.基于正则表达式的匹配器背后的理论并不太难,但确实需要一段时间才能完全理解.我认为手工编写词法分析器可以激发这项研究,并帮助你更好地掌握这个问题,而不是深入研究将正则表达式转换为有限自动机(首先是NFA,然后是NFA到DFA)等理论的方法......涉及到该理论可以要立刻吸收很多东西,很容易被淹没.

就个人而言,虽然龙书很好而且非常彻底,但报道可能并不是最容易理解的,因为它的目的是完整,不一定是可访问的.在打开Dragon书之前,您可能想尝试一些其他编译器文本.这里有一些免费的书籍,有很好的介绍性报道,恕我直言:

http://www.ethoberon.ethz.ch/WirthPubl/CBEAll.pdf

http://www.diku.dk/~torbenm/Basics/

一些关于正则表达式实现的文章(自动词法分析通常使用正则表达式)

http://swtch.com/~rsc/regexp/

我希望有所帮助.祝好运.