编译原理第四章 词法分析.docx
《编译原理第四章 词法分析.docx》由会员分享,可在线阅读,更多相关《编译原理第四章 词法分析.docx(38页珍藏版)》请在冰点文库上搜索。
编译原理第四章词法分析
第四章词法分析
课前索引
【课前思考】
◇词法分析程序的功能是什么?
◇PL/0词法分析程序识别哪几种单词?
◇画出PL/0词法分析程序的流程图。
◇C语言,PASCAL语言的标识符和数的表示分别有什么规定?
◇编写一个程序(C的,或PASCAL的)识别C++语言的标识符。
【学习目标】
◇明确词法分析在编译过程所处的阶段和作用。
◇掌握词法分析程序的手工实现方法。
◇理解通常的单词分类和构词规则。
◇会使用单词的描述和识别机制。
◇掌握词法分析程序的自动构造原理。
【学习指南】
词法分析程序是编译程序的一个构成成分,它的主要任务是扫描源程序,按构词规则识别单词,并报告发现的词法错误。
词法分析也是语法分析的一部分,把词法分析从语法分析中独立出来是为了使编译程序结构清晰,也是为了便于使用自动构造工具,提高编译效率。
本章首先介绍词法分析程序的功能和设计原则,然后引入正规式和其对单词的描述,接着讲述有穷自动机理论,最后给出词法分析程序的自动构造原理。
【难重点】
◇如何设计和实现词法分析程序
◇正规式的定义-如何用作单词的描述工具
◇有穷自动机的定义和分类-如何用作单词的识别系统
◇正规式到有穷自动机的转换算法-词法分析程序的自动构造原理
【知识结构】
词法分析是编译的第一个阶段,它的主要任务是从左至右逐个字符地对源程序进行扫描,产生一个个单词序列,用以语法分析。
执行词法分析的程序称为词法分析程序或扫描程序。
本章我们将讨论词法分析程序的设计原则,单词的描述技术,识别机制及词法分析程序的自动构造原理。
词法分析程序的主要任务:
-读源程序,产生单词符号
词法分析程序的其他任务:
-滤掉空格,跳过注释、换行符
-追踪换行标志,复制出错源程序,
-宏展开,……
本章要点:
-告诉你掌握词法分析程序的设计和实现的办法
-首先需要描述和刻画程序设计语言中的原子单位--单词,其次需要识别单词和执行某些相关的动作。
-描述程序设计语言的词法的机制是正则表达式,识别机制是有穷状态自动机。
4.1词法分析程序
首先讨论词法分析程序与语法分析程序的接口方式
词法分析程序完成的是编译第一阶段的工作。
词法分析工作可以是独立的一遍,把字符流的源程序变为单词序列,输出在一个中间文件上,这个文件做为语法分析程序的输入而继续编译过程。
然而,更一般的情况,是将词法分析程序设计成一个子程序,每当语法分析程序需要一个单词时,则调用该子程序。
词法分析程序每得到一次调用,便从源程序文件中读入一些字符,直到识别出一个单词,或说直到下一单词的第一个字符为止。
这种设计方案中,词法分析程序和语法分析程序是放在同一遍里,而省掉了中间文件,象第2章介绍的PL/0编译程序那样.也是大多数编译程序采用的方案。
实现词法分析(lexicalanalysis)的程序
逐个读入源程序字符并按照构词规则切分成一系列单词。
单词是语言中具有独立意义的最小单位,包括保留字、标识符、运算符、标点符号和常量等。
词法分析是编译过程中的一个阶段,在语法分析前进行。
也可以和语法分析结合在一起作为一遍,由语法分析程序调用词法分析程序来获得当前单词供语法分析使用。
词法分析程序和语法分析程序的关系
f4-1-1.swf
词法分析程序的主要功能是从字符流的源程序中识别单词,它要从左至右逐个字符地扫描源程序,因此它还可完成其它一些任务。
比如,滤掉源程序中的注释和空白(由空格,制表或回车换行字符引起的空白);又比如,为了使编译程序能将发现的错误信息与源程序的出错位置联系起来,词法分析程序负责记录新读入的字符行的行号,以便行号与出错信息相联;再有,在支持宏处理功能的源语言中,可以由词法分析程序完成其预处理等等。
接着讨论词法分析程序的输出
词法分析程序的功能是读入源程序,输出单词符号。
单词符号是一个程序设计语言的基本语法符号。
程序设计语言的单词符号一般可分成下列5种:
①保留字,也称关键字,如PASCAL语言中的begin,end,if,while和var等。
②标识符,用来表示各种名字,如常量名、变量名和过程名等。
③常数,各种类型的常数,如25,3.1415,TRUE和"ABC"等。
④运算符,如+,*,<=等。
⑤界符,如逗点,分号,括号等。
五种单词符号:
-保留字,关键字
-标识符
-常数(量)
-运算符
-界符
你能举出一些例子吗?
词法分析程序所输出的单词符号常常采用以下二元式表示:
(单词种别,单词自身的值)。
单词的种别是语法分析需要的信息,而单词自身的值则是编译其它阶段需要的信息。
比如在PASCAL的语句consti=25,yes=1;中的单词25和1的种别都是常数,常数的值25和1对于代码生成来说,是必不可少的。
有时,对某些单词来说,不仅仅需要它的值,还需要其它一些信息以便编译的进行。
比如,对于标识符来说,还需要记载它的类别、层次还有其它属性,如果这些属性统统收集在符号表中,那么可以将单词的二元式表示设计成如下形式(标识符,指向该标识符所在符号表中位置的指针),如上述语句中的单词i和yes的表示为:
(标识符,指向i的表项的指针)
(标识符,指向yes的表项的指针)
单词的种别可以用整数编码表示,假如标识符编码为1,常数为2,保留字为3,运算符为4,界符为5,程序段ifi=5thenx∶=y;在经词法分析器扫描后输出的单词符号和它们的表示如下:
-保留字if(3,'if')
-标识符i(1,指向i的符号表入口)
-等号=(4,'=')
-常数5(2,'5')
-保留字then(3,'then')
-标识符x(1,指向x的符号表入口)
-赋值号∶=(4,'∶=')
-标识符y(1,指向y的符号表入口)
-分号;(5,';')
将词法分析工作从语法分析中分离出来的原因
实际上,词法也是语法的一部分,词法描述完全可以归并到语法描述中去,只不过词法规则更简单些。
这在后面的章节中可以看到。
为什么将词法分析做为一个独立的阶段?
为什么把编译过程的分析工作划分成词法分析和语法分析两个阶段?
主要的考虑因素为:
①使整个编译程序的结构更简洁、清晰和条理化。
②编译程序的效率会改进。
③增强编译程序的可移植性。
①使整个编译程序的结构更简洁、清晰和条理化。
词法分析比语法分析简单的多,但是由于源程序结构上的一些细节,常使得识别单词的工作甚为曲折和费时。
例如,空白和注释的处理;再比如对于FORTRAN和cobol那种受书写格式限制的语言,需在识别单词时进行特殊处理等等。
如果统统合在语法分析时一并考虑,显然会使得分析程序的结构复杂得多。
②编译程序的效率会改进。
大部分编译时间是花费在扫描字符以把单词符号分离出来。
把词法分析独立出来,采用专门的读字符和分离单词的技术可大大加快编译速度。
另外,由于单词的结构可用有效的方法和工具进行描述和识别,进而可建立词法分析程序的自动构造工具。
③增强编译程序的可移植性。
在同一个语言的不同实现中,或多或少地会涉及到与设备有关的特征,比如采用ASCII还是EBCDIC字符编码。
另外语言的字符集的特殊性的处理,一些专用符号,如PASCAL中的"↑"的表示等等,都可置于词法分析程序中解决而不影响编译程序其它成分的设计。
4.2正规表达式与正规集(正规语言)
程序设计语言中的单词是基本语法符号。
单词符号的语法可以用有效的工具加以描述,并且基于这类描述工具,可以建立词法分析技术,进而可以建立词法分析程序的自动构造方法。
为了理解将使用的形式工具,首先表述一些基本术语和概念。
-符号一个抽象实体,我们不再形式地定义它(就象几何中的"点"一样)。
例如字母是符号,数字也是符号。
-字母表字母表是元素的非空有穷集合,我们把字母表中的元素称为符号,因此字母表也称为符号集。
-符号串由字母表中的符号组成的任何有穷序列称为符号串,例如001110是字母表Σ={0,1}上的符号串。
不同的语言可以有不同的字母表,例如汉语的字母表中包括汉字、数字及标点符号等。
PASCAL语言的字母表是由字母、数字、若干专用符号及BEGIN、IF之类的保留字组成。
字母表A={a,b,c}上的一些符号串有:
a,b,c,ab,aaca。
在符号串中,符号的顺序是很重要的,例如符号串ab就不同于ba,abca和aabc也不同。
可以使用字母表示符号串,如x=STR表示"x是由符号S、T和R,并按此顺序组成的符号串"。
如果某符号串x中有m个符号,则称其长度为m,表示为|x|=m,如001110的长度是6。
允许空符号串,即不包含任何符号的符号串,用ε表示,其长度为0,即|ε|=0。
下面介绍有关符号串的一些运算。
-符号串的头尾,固有头和固有尾
-符号串的连接
-符号串的方幂
-符号串集合
符号串的头尾,固有头和固有尾:
如果z=xy是一符号串,那么x是z的头,y是z的尾,如果x是非空的,那么y是固有尾;同样如果y非空,那么x是固有头。
举个例子:
设z=abc,那么z的头是ε,a,ab,abc,除abc外,其它都是固有头;z的尾是ε,c,bc,abc,z的固有尾是ε,c,bc。
当我们对符号z=xy的头感兴趣而对其余部分不感兴趣时,我们可以采用省略写法:
z=x…;
如果只是为了强调x在符号串z中的某处出现,则可表示为:
z=…x…;符号t是符号串z的第一个符号,则表示为z=t…。
符号串的连接:
设x和y是符号串,它们的连接xy是把y的符号写在x的符号之后得到的符号串.由于ε的含义,显然有εx=xε=x。
例如设x=ST,y=abu,则它们的连接xy=STabu,看出|x|=2,|y|=3,|xy|=5。
符号串的方幂:
设x是符号串,把x自身连接n次得到符号串z,即z=xx…xx,称为符号串x的n次方幂,写作z=xn,也即把符号串x相继地重复写n次。
x0=ε,x1=x,x2=xx,x3=xxx分别对应于n=0,1,2和3
例子;若x=AB则:
x0=ε
x1=AB
x2=ABAB
x3=ABABAB
xn=xxn-1=xn-1x(n>0)
符号串集合:
若集合A中的一切元素都是某字母表Σ上的符号串,则称A为字母表Σ上的符号串集合。
两个符号串集合A和B的乘积定义如下:
AB={xy|x∈A且y∈B},即AB是满足x属于A,y属于B的所有符号串xy所组成的集合。
例如,若A={a,b},B={c,d},则集合AB={ac,ad,bc,bd}。
因为对任意符号串x有εx=xε=x,所以有{ε}A=A{ε}=A。
指定字母表Σ之后,使用Σ*表示Σ上的一切符号串(包括ε)组成的集合。
Σ*称为Σ的闭包。
Σ上的除ε外的所有符号串组成的集合记为Σ+。
Σ+称为Σ的正闭包。
Σ+=Σ*-{ε}=ΣΣ*=Σ∪Σ2∪Σ3∪……
Σ*={ε}∪Σ∪Σ2∪……
例:
Σ={a,b}
Σ*={ε,a,b,aa,ab,ba,bb,aaa,aab,…}
Σ+={a,b,aa,ab,ba,bb,aaa,aab,…}
我们用以描述单词符号的工具是正规式。
正规表达式(regularexpression)是说明单词的模式(pattern)的一种重要的表示法(记号),是定义正规集的工具。
正规式也称正则表达式,也是表示正规集的数学工具。
下面是正规式和它所表示的正规集的递归定义。
定义(正规式和它所表示的正规集):
设字母表为Σ,辅助字母表Σ`={Φ,ε,|,·,*,(,}。
①ε和Φ都是Σ上的正规式,它们所表示的正规集分别为{ε}和{};
②任何a∈Σ,a是Σ上的一个正规式,它所表示的正规集为{a};
③假定e1和e2都是Σ上的正规式,它们所表示的正规集分别为L(e1)和L(e2),那么,(e1),e1|e2,e1·e2,e1*也都是正规式,它们所表示的正规集分别为L(e1),L(e1)∪L(e2),L(e1)L(e2)和(L(e1))*。
④仅由有限次使用上述三步骤而定义的表达式才是Σ上的正规式,仅由这些正规式所表示的字集才是Σ上的正规集。
正规式定义中的“|”读为“或”(也有使用“+”代替“|”的);“·”读为“连接”;“*”读为“闭包”(即,任意有限次的自重复连接)。
在不致混淆时,括号可省去,但规定算符的优先顺序为“(”、“)”、“*”、“·”、“|”。
连接符“·”一般可省略不写。
“*”、“·”和“|”都是左结合的。
令∑={a,b},∑上的正规式和相应的正规集的例子有:
正规式 正规集
a {a}
a|b {a,b}
ab {ab}
(a|b)(a|b) {aa,ab,ba,bb}
a* {ε,a,a,……任意个a的串}
(a|b)* {ε,a,b,aa,ab……所有由a和b组成的串}
(a|b)*(aa|bb)(a|b)* {∑*上所有含有两个相继的a或两个相继的b组成的串}
若两个正规式e1和e2所表示的正规集相同,则说e1和e2等价,写作e1=e2。
例如:
e1=(a|b),e2=b|a
又如:
e1=b(ab)*,e2=(ba)*b
再如:
e1=(a|b)*,e2=(a*|b*)*
设r,s,t为正规式,正规式服从的代数规律有:
①r|s=s|r "或"服从交换律
②r|(s|t)=(r|s)|t "或"的可结合律
③(rs)t=r(st) "连接"的可结合律
④r(s|t)=rs|rt
(s|t)r=sr|tr 分配律
⑤εr=r,rε=r ε是"连接"的恒等元素零一律
⑥r|r=r
r*=ε|r|rr|… "或"的抽取律
程序设计语言的单词都能用正规式来定义。
请看下面两个例子:
例4.1
令Σ={l,d},则Σ上的正规式r=l(l|d)*定义的正规集为:
{l,ll,ld,ldd,……},其中l代表字母,d代表数字,正规式,即是字母(字母|数字)*,它表示的正规集中的每个元素的模式是“字母打头的字母数字串”,就是Pascal和多数程序设计语言允许的的标识符的词法规则。
例4.2
Σ={d,·,ε,+,-},则Σ上的正规式d*(·dd*|ε)(ε(+|-ε|)dd*|ε)表示的是无符号数的集合。
其中d为0~9的数字。
外文教材中常常遇到的术语
-Token单词,词标,符号
-lexeme词素,词位
-pattern模式,式样
这段话帮你理解外文教材中常常遇到的术语Ingeneral,thereisasetofstringsintheinputforwhichthesametokenisproducedasoutput.Thissetofstringsisdescribedbyarulecalledapatternassociatedwiththetoken.Thepatternissaidtomatcheachstringintheset.Alexemeisasequenceofcharactersinthesourceprogramthatismatchedbythepatternforatoken.例如:
源程序语句Constpi=3.14159,x1=10;中的pi和x1是token“identifier”的lexeme,其pattern为字母开头,后面跟有字母和/或数字的字符序列。
4.3有穷自动机
有穷自动机(也称有限自动机)作为一种识别装置,它能准确地识别正规集,即识别正规文法所定义的语言和正规式所表示的集合,引入有穷自动机这个理论,正是为词法分析程序的自动构造寻找特殊的方法和工具。
有穷自动机分为两类:
确定的有穷自动机(DeterministicFiniteAutomata)和不确定的有穷自动机(NondeterministicFiniteAutomata),下面我们分别给出确定有穷自动机和不确定的有穷自动机的定义,有关概念及不确定的有穷自动机的确定化,确定的有穷自动机的化简等算法。
关于有穷自动机我们将讨论如下题目
-确定的有穷自动机DFA
-不确定的有穷自动机NFA
-NFA的确定化
-DFA的最小化
4.3.1确定的有穷自动机DFA
DFA定义:
-一个确定的有穷自动机(DFA)M是一个五元组:
M=(K,Σ,f,S,Z)其中
①K是一个有穷集,它的每个元素称为一个状态;
②Σ是一个有穷字母表,它的每个元素称为一个输入符号,所以也称Σ为输入符号字母表;
③f是转换函数,是K×Σ→K上的映射,即,如f(ki,a)=kj,(ki∈K,kj∈K)就意味着,当前状态为ki,输入符为a时,将转换为下一个状态kj,我们把kj称作ki的一个后继状态;
④S∈K是唯一的一个初态;
⑤Z
K是一个终态集,终态也称可接受状态或结束状态。
举一个DFA的例子:
DFAM=({S,U,V,Q},{a,b},f,S,{Q})其中f定义为:
f(S,a)=Uf(V,a)=U
f(S,b)=Vf(v,b)=Q
f(U,a)=Qf(Q,a)=Q
f(U,b)=Vf(Q,b)=Q
一个DFA可以表示成一个状态图(或称状态转换图)。
假定DFAM含有m个状态,n个输入字符,那么这个状态图含有m个结点,每个结点最多有n个弧射出,整个图含有唯一一个初态结点和若干个终态结点,初态结点冠以双箭头"=>"或标以"-",终态结点用双圈表示或标以"+",若f(ki,a)=kj,则从状态结点ki到状态结点kj画标记为a的弧;
DFA的状态图表示
一个DFA还可以用一个矩阵表示,该矩阵的行表示状态,列表示输入字符,矩阵元素表示相应状态行和输入字符列下的新状态,即k行a列为f(k,a)的值。
用双箭头"=>"标明初态;否则第一行即是初态,相应终态行在表的右端标以1,非终态标以0。
DFA的矩阵表示
状态\字符
a
b
S
U
V
U
Q
V
V
U
Q
Q
Q
Q
0
0
0
1
DFA的确定性表现在转换函数f:
K×Σ→K是一个单值函数,也就是说,对任何状态k∈K,和输入符号a∈Σ,f(k,a)唯一地确定了下一个状态。
从状态转换图来看,若字母表Σ含有n个输入字符,那末任何一个状态结点最多有n条弧射出,而且每条弧以一个不同的输入字符标记。
为了说明DFA如何作为一种识别机制,我们还要理解下面的定义。
∑*上的符号串t在M上运行
-一个输入符号串t,(我们将它表示成Tt1的形式,其中T∈∑,t1∈∑*)在DFAM上运行的定义为:
-f(Q,Tt1)=f(f(Q,T),t1)其中Q∈K
-扩充转换函数f,是K×Σ*→K上的映射,且:
f(ki,ε)=ki
∑*上的符号串t被M接受
-若t∈∑*,f(S,t)=P,其中S为M的开始状态,P∈Z,Z为终态集。
-则称t为DFAM所接受(识别)
DFAM所能接受的符号串的全体记为L(M)
结论:
∑上一个符号串集V
∑*是正规的,当且仅当存在一个∑上的确定有穷自动机M,使得V=L(M)
例:
证明t=baab被下图的DFA所接受。
f(S,baab)=f(f(S,b),aab)
=f(V,aab)=f(f(V,a),ab)
=f(U,ab)=f(f(U,a),b)
=f(Q,b)=Q
Q属于终态。
得证。
4.3.2不确定的有穷自动机NFA
接下来我们讨论不确定的有穷自动机NFA
定义
不确定的有穷自动机NFA N=(K,∑,f,S,Z)
其中:
K为状态的有穷非空集
∑为有穷输入字母表
f为K*∑*到K的子集(2K)的映射
S
K是初始状态集
Z
K为终止状态集。
例子:
NFAN=({S,P,Z},{0,1},f,{S,P},{Z})
其中
f(S,0)={P}
f(Z,0)={P}
f(P,1)={Z}
f(Z,1)={P}
f(S,1)={S,Z}
状态图表示
同样NFA也有矩阵表示
f4-2-1.swf
类似DFA,对NFAN=(K,∑,f,S,Z)也有如下定义
∑*上的符号串t在NFAN上运行
一个输入符号串t,(我们将它表示成Tt1的形式,其中T∈∑,t1∈∑*)在NFAN上运行的定义为:
f(Q,Tt1)=f(f(Q,T),t1)其中Q∈K.
∑*上的符号串t被NFAN接受
若t∈∑*,f(S,t)=P,其中S为N的开始状态,P∈Z,Z为终态集。
则称t为NFAN所接受(识别)
∑*上的符号串t被NFAN接受也可以这样理解:
对于Σ*中的任何一个串t,若存在一条从某一初态结到某一终态结的道路,且这条道路上所有弧的标记字依序连接成的串(不理采那些标记为ε的弧)等于t,则称t可为NFAM所识别(读出或接受)。
若M的某些结既是初态结又是终态结,或者存在一条从某个初态结到某个终态结的ε道路,那么空字可为M所接受。
NFAN所能接受的符号串的全体记为L(N)
结论:
∑上一个符号串集V
∑*是正规的,当且仅当存在一个∑上的不确定的有穷自动机N,使得V=L(N)
下图的NFA称作具有ε转移的不确定的有穷自动机
对任何一个具有ε转移的不确定的有穷自动机NFAN,一定存在一个不具有ε转移的不确定的有穷自动机NFAM,使得L(M)=L(N)。
这里给出与上图等价的一个NFA。
4.3.3不确定的有穷自动机N的确定化
根据定义,显然DFA是NFA的特例。
对于每个NFAM,存在一个DFAM′,使得L(M)=L(M′)。
对于任何两个有穷自动机M和M′,如果L(M)=L(M′),则称M与M′是等价的。
我们将介绍一种算法,对于给定的NFAM,构造其等价的DFAM′。
请你注意这个结论:
DFA是NFA的特例
对每个NFAN一定存在一个DFAM,使得L(M)=L(N)。
对每个NFAN存在着与之等价的DFAM。
与某一NFA等价的DFA不唯一。
在有穷自动机的理论里,有这样的定理:
设L为一个由不确定的有穷自动机接受的集合,则存在一个接受L的确定的有穷自动机。
我们不对定理进行证明,只介绍一种算法(这种