《自制编程语言》学习记录,内容基本是摘抄原书
其实原书并不是从头讲怎么写一个计算器的,而是上来就给了代码,对着代码讲解。计算器代码的名字为
mycalc
,内部完全使用double
进行运算。
本篇文章演示代码
1.基础概念介绍
1.1 编程语言的语法处理一般有以下的过程:
1.1.1 词法分析
将源代码分割成若干个记号(token)
的处理。
1.1.2 语法分析
即从记号构建分析树(parse tree)
的处理。分析树也叫作语法树(syntax tree)
或抽象语法树(abstract syntax tree, AST)
。
1.1.3 语义分析
经过语法分析生成的分析树,并不包含数据类型等语义信息。因此在语义分析阶段,会检查程序中是否含有语法正确但是存在逻辑问题的错误。
1.1.4 生成代码
如果是C语言等生成机器码的编译器或Java这样生成字节码的编译器,在分析树构建完毕后悔进入代码生成阶段。
比如如下的代码:
if (a == 10) {
printf("hoge\n");
} else {
printf("piyo\n");
}
执行词法分析后,将被分割成如下图所示的记号(token)
:
对此进行语法分析后构建的分析树如下图:
执行词法分析的程序称为词法分析器(lexical analyzer)
,lex
就是根据词法规则自动生成词法分析器
执行语法分析的程序称为解析器(parser)
,yacc
就是能根据语法规则自动生成解析器的程序yacc
和lex
在mac上已经预装。
1.2 lex:
lex 是自动生成词法分析器的工具,通过输入扩展名为.l
的文件,输出词法分析器的C语言代码。
词法分析器是将输入的字符串分割成记号的程序,因此必须首先定义mycalc
所用到的记号。
mycalc
所用到的记号包括如下:
○ 运算符。在mycalc
中可以使用四则运算,即+
、-
、*
、\
。
○ 整数。如1、2、3等。
○ 实数。如123.456等。
○ 换行符。一个算式输入后,接着输入换行符就会执行计算,因此这里的换行符也应设置为记号
在lex中,使用正则表达式
定义记号。
1.3 yacc:
yacc是自动生成语法分析器的工具,输入扩展名为.y
的文件,就会输出语法分析器的C语言代码。
2.试做一个计算器
mycalc
的实际运行效果如下(%是命令提示符):
2.1 为mycalc
所编写的输入文件mycalc.l
如下(用lex解析):
- 第11行
%%
,此行之前的部分叫作定义区块
。在定义区块内,可以定义初始状态或者为正则表达式命名。 - 第2行到第9行,使用
%{
和%}
包裹的部分,是想让生成的词法分析器将这个部分代码原样输出。后续程序所需的头文件等都包含在这里。比如第3行用#include
包含进来的y.tab.h
头文件,就是之后yacc自动生成的头文件。下面的ADD
、SUB
、MUL
、DIV
、CR
、DOUBLE_LITERAL
等都是在y.tab.h
中用#define
定义的宏。 - 第5行到第9行定义了一个名为
yywrap()
的函数。如果没有这个函数的话,就必须手动链接lex的库文件。 - 第12行到第27行是
规则区块
。这一部分是使用正则表达式*去描述记号。
在规则区块中遵循如下的书写方式:一个正则表达式的后面紧跟若干个空格,后接C代码。如果输入的字符串匹配正则表达式,则执行后面的C代码。
- 第12行到第16行,找到四则运算符以及换行符,然后通过
return
返回其特征符(就是在y.tab.h
的宏定义)。
上面提到很多次记号(token)
,包含三部分含义:
对于+
或-
这样的记号来说,只需要关注其记号种类就可以了,而如果DOUBLE_LITERAL
记号,记号的种类和值都必须传递给解析器
- 第17行的正则表达式是一个匹配“数值”的表带是。表达式匹配成功的结果(即上面列举的记号三要素),“记号的原始字符”会在相应的动作中被名为
yytext
的全局变量引用。并进一步使用第19行的sscanf()
解析
关于第17行正则表达式的解释见这里
- 第23行的正则表达式
[ \t]
是对空格以及制表符进行匹配,对应动作为空,因此可以忽略每一行的空白字符。 - 第24行的
.
会匹配任意一个字符,这里用于检测是否输入了程序不允许的字符。 - 第28行的
%%
表示规则区块的结束,这之后的代码被称为用户代码区块
。用户代码区块可以编写任意的C代码。
2.2 为mycalc
所辨析的输入文件mycalc.y
如下(用yacc解析):
- 第1行到第5行与lex相同,使用
%{ %}
包裹了一些C代码 - 第4行有一句
#define YYDEBUG 1
,这样将全局变量yydebug
设置为一个非零值后会开启Debug模式,可以看到程序运行中语法分析的状态。 - 第6行到第9行声明了记号以及
非终结符
的类型。非终结符是由多个记号共同构成,即代码证的line_list
、line
、expression
、term
这些部分。为了分割非终结符,非终结符最后都会以一个特殊的记号结尾。这种记号称作终结符
- 第10行到第11行是记号的声明。
myclac
所用到的记号类型都在这里定义。ADD
、SUB
、MUL
、DIV
、CR
等记号只需要包含记号的类型就可以,而值DOUBLE_LITERAL
的记号,其类型被指定为<double_value>
。这里的double_value
是来自上面代码中%union
集合的一个成员名(第8行)。 - 第12行声明了非终结符的类型。
- 第13行的
%%
是分界,之后的是规则区块
。yacc的规则区块由语法规则
以及C语言编写的相应动作两部分构成。
语法规则
在yacc中,会使用类似BNF(巴克斯范式)的规范来编写语法规则。将上图的规则代码抽出并注释如下:
// 语法规则代码 2-0
line_list /* 多行的规则 */
: line /* 单行 */
| line_list line /* 或者是一个多行后接单行 */
;
line /* 单行的规则 */
: expression CR /* 一个表达式后接换行符 */
;
expression /* 表达式的规则 */
: term /* 和项 */
| expression ADD term /* 或 表达式 + 和项 */
| expression SUB term /* 或 表达式 - 和项 */
;
term /* 和项的规则 */
: primary_expression /* 一元表达式 */
| term MUL primary_expression /* 或 和项 * 一元表达式 */
| term DIV primary_expression /* 或 和项 / 一元表达式 */
;
primary_expression /* 一元表达式的规则 */
: DOUBLE_LITERAL /* 实数的字面常量 */
;
为了看得更清楚,可以将愈发规则简化成下面的格式:
A
: B C
| D
;
即A的定义是B与C的组合,或者为D。
第1行到第4行的书写方式,表示该语法规则在程序中可能会出现一次以上。mycalc
中,输入一行语句然后回车后会执行运算,之后还可以继续输入语句,所以设计成支持出现一次以上的模式。
请注意上面的计算器语法规则,语法规则本身就包含了运算符的优先顺序以及结合规律。如果不考虑运算法的优先顺序,上文的语法规则应该如下:
expression /* 表达式的规则 */
: term /* 和项 */
| expression ADD term /* 或 表达式 + 和项 */
| expression SUB term /* 或 表达式 - 和项 */
| expression MUL term /* 或 表达式 * 和项 */
| expression DIV term /* 或 表达式 / 和项 */
;
primary_expression /* 一元表达式的规则 */
: DOUBLE_LITERAL /* 实数的字面常量 */
;
yacc解析流程
对照语法规则代码 2-0
跟踪下解析1 + 2 * 3
的执行流程
首先,yacc生成的解析器会保存在程序内部的栈。在这个栈中,记号会像俄罗斯方块中的方块一样,一个个堆积起来。
词法分析器分出来的记号(最初是1)会由右边入栈并堆积到左边。
像这样一个记号进入并堆积的过程叫作移进(shift)
mycalc
所有的计算都是采用double
类型,所以记号1即是DOUBLE_LITERAL
。当记号进入的同时,会触发我们定义的规则:
primary_expression
: DOUBLE_LITERAL
;
然后记号会被换成primary_expression
。
类似这样触发某个规则并进行置换的过程叫作归约(reduce)
primary_expression
进一步触发规则:
term
: primary_expression
然后被归约成term
。
再进一步根据规则:
expression
: term
最终被归约为一个expression
。
接下来,记号+
进入,在进入过程中,由于没匹配到任何一个规则,所以只进行移进不做任何归约。
接下来是记号2
进入。
经过上述同样的规则,记号2(DOUBLE_LITERAL)
会经过primary_expression
被归约为term
。
这里记号2
本应该匹配到如下的规则:
expression
| expression ADD term
yacc预先读取下一个要进入的记号,这里我们主动下一个进入的会是*
,因此应当考虑到记号2
会匹配到term
规则的可能性。
term
| term MUL primary_expression
归约完毕后再一次移进。
接下来记号3
进入。
被归约为primary_expression
后,
term
、*
、primary_expression
这一部分将匹配规则:
term
| term MUL primary_expression
被归约为term
。
之后,expression
、+
、term
匹配规则:
expression
| expression ADD term
最终被归约为expression
。
每次触发归约时,yacc都会执行该规则的相应动作。比如乘法对应的执行规则:
term
| term MUL primary_expression
{
$$ = $1 * $3;
}
$1
、$3
的意思分别保存了term
与primary_expression
的值。即yacc输出解析器的代码时,栈中相应位置的元素会转换为一个能表达元素特征的数组引用。这里的$2
是乘法运算符(*),并不存在记号值,所以这里引用$2
的话会报错。
$1
与$3
进行乘法运算,然后将结果赋给$$
,这个结果值保留在栈中。
如果没有书写动作,yacc会自动补全一个{ $$ = $1 }
的动作。当DOUBLE_LITERAL
被归约为primary_expression
、primary_expression
被归约为term
的时候,DOUBLE_LITERAL
包含的数值也会被继承。
2.3 生成执行文件
mac下按顺序执行如下命令,就会输出名为mycalc
的执行文件
yacc -dv mycalc.y // 运行yacc
lex mycalc.l // 运行lex
cc -o mycalc y.tab.c lex.yy.c //使用C编译器编译
注意:按照上述的命令,在新款的MacOS上在最后一步编译时会报错,类似问题看这。
所以想要正常编译我们需要改一下mycalc.y的前面部分:
%{
#include <stdio.h>
#include <stdlib.h>
#define YYDEBUG 1
int yylex(); // 增加声明
int yyerror(const char *str); // 增加声明
%}
最终的可执行文件打开之后如下图:
整个过程会生成若干文件:
y.tab.c
中包含yacc生成的语法分析器的代码,lex.yy.c
是词法分析器的代码。y.tan.h
是为了将mycalc.y
中定义的记号及联合体(union
)传递给lex.yy.c
。
2.4 冲突
实际用yacc试做一下解析器,可能会被冲突(conflict)
困扰。所谓冲突,就是遇到语法中模糊不清的地方时,yacc报出呃错误。
比如C语言的if语句,就有很明显的语法模糊问题:
if (a == 0)
if (b== 0)
printf(在这里a和b都为0n);
else
printf(这里a非0n);
上面的代码中,else
对应的if
是不清晰的。这就会引起冲突。
yacc运行时,遇到下面任意一种情况都会发生冲突。
- 同时可以进行多个归约。称为归约/归约冲突。
- 满足移进的规则,同时又满足归约的规则。称为移进/归约冲突
即便发生冲突,yacc仍会生成解析器。如果存在归约/归约冲突,则优先匹配前面的语法规则,移进/归约冲突则会优先匹配移进规则。
将mycalc.y
做如下修改:
// 原代码
expression
: term
| expression ADD term
更为:
// 原代码
expression
: term
| expression MUL term
变更后悔产生3个移进/归约冲突:
yacc -dv mycalc.y
conflicts: 3 shift/reduce
再看y.output
文件,前半部分:
Terminals which are not used //没有使用 ADD 的警告
ADD
State 5 conflicts: 1 shift/reduce // 冲突信息(见下文)
State 14 conflicts: 1 shift/reduce
State 15 conflicts: 1 shift/reduce
Grammar
0 $accept: line_list $end
1 line_list: line
2 | line_list line
3 line: expression CR
4 expression: term
5 | expression MUL term
6 | expression SUB term
7 term: primary_expression
8 | term MUL primary_expression
9 | term DIV primary_expression
10 primary_expression: DOUBLE_LITERAL
Terminals, with rules where they appear
mycalc.y
中使用|(竖线,表示或)
书写下面的语法规则:
1 line_list: line
2 | line_list line
实际上与下面的写法一样:
1 line_list: line
2 line_list: line_list line
y.output
文件中会给每一行规则附上编号。
上面的规则0,是yacc自动附加的规则,$accept
代表输入的内容,$end
代表输入结束。
y.output
文件的后半部分会将解析器可能遇到的所有"状态"全部列举出来:
state 0
0 $accept: . line_list $end
DOUBLE_LITERAL shift, and go to state 1
line_list go to state 2
line go to state 3
expression go to state 4
term go to state 5
primary_expression go to state 6
state 1
10 primary_expression: DOUBLE_LITERAL .
$default reduce using rule 10 (primary_expression)
state 2
0 $accept: line_list . $end
2 line_list: line_list . line
$end shift, and go to state 7
DOUBLE_LITERAL shift, and go to state 1
line go to state 8
expression go to state 4
term go to state 5
primary_expression go to state 6
state 3
1 line_list: line .
$default reduce using rule 1 (line_list)
state 4
3 line: expression . CR
5 expression: expression . MUL term
6 | expression . SUB term
SUB shift, and go to state 9
MUL shift, and go to state 10
CR shift, and go to state 11
state 5
4 expression: term .
8 term: term . MUL primary_expression
9 | term . DIV primary_expression
MUL shift, and go to state 12
DIV shift, and go to state 13
MUL [reduce using rule 4 (expression)]
$default reduce using rule 4 (expression)
下略
yacc生成解析器的阶段,将解析器所能遇到的所有状态都列举出来,并做成一个解析对照表(Parse Table),表中记录了“状态A下某幢记号进入后会转换成状态B”这样的映射关系。
根据y.output
开头的信息:
State 5 conflicts: 1 shift/reduce
State 14 conflicts: 1 shift/reduce
State 15 conflicts: 1 shift/reduce
可以看到state 5
引起了冲突:
state 5
4 expression: term .
8 term: term . MUL primary_expression
9 | term . DIV primary_expression
MUL shift, and go to state 12
DIV shift, and go to state 13
MUL [reduce using rule 4 (expression)]
$default reduce using rule 4 (expression)
第一行state 5
为状态编号,接下来的3行是y.output
前半部分中输出的语法规则(4,8,9)。语法规则中间的.
代表记号在当前规则下呗转换到哪个程度。比如state 5
状态下,记号最多被转换成term
,然后需要等待下一个记号进行归约。
再下面,记录的是当前状态下,下一个记号进入时如何变化。具体来讲,当MUL(*)
记号进入后悔进行移进并转换到state 12
,如果进入的是DIV(/)
,则进行移进并转移到state 13
。
再下面:
MUL [reduce using rule 4 (expression)]
意思当MUL进入后,可以按照state 4
进行归约。这就是移进/归约冲突。
yacc默认移进优先,所以MUL进入后悔转移到state 12
:
state 12
8 term: term MUL . primary_expression
DOUBLE_LITERAL shift, and go to state 1
primary_expression go to state 16
如果是归约的话,参照的规则是这样的:
4 expression: term
上述演示的一个冲突,正是由于我们将ADD改为MUL后,*运算优先级被降低导致的。
2.5 错误处理
可以利用yacc的功能给mycalc.y
实现一个简单的错误恢复机制:
// 修改后的代码
line
: expression CR
{
printf(">>%lfn", $1);
}
| error CR
{
yyclearin;
yyerrok;
}
这个错误处理的函数,我没能测试出什么结果。所以只放这段代码。
3 结束
以上结束了一个mycalc
计算器的代码流程,编译完之后确实有一个终端计算器。但是实际上代码都是原书提供的,跟着思路走了一遍。还是没能了解太对自制编程语言知识,算是对词法分析等基础概念有点了解。后续会不借助jacc和lex重新制作一个计算器。本文结束。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。