詞法分析
詞法分析(英語:lexical analysis)是計算機科學中將字符序列轉換為標記(token)序列的過程。進行詞法分析的程序或者函數叫作詞法分析器(lexical analyzer,簡稱lexer),也叫掃描器(scanner)。詞法分析器一般以函數的形式存在,供語法分析器調用。
標記
編輯這裡的標記是一個字串,是構成原始碼的最小單位。從輸入字符流中生成標記的過程叫作標記化(tokenization),在這個過程中,詞法分析器還會對標記進行分類。
詞法分析器通常不會關心標記之間的關係(屬於語法分析的範疇),舉例來說:詞法分析器能夠將括號識別為標記,但並不保證括號是否匹配。
針對如下C語言表達式:
sum=3+2;
將其標記化後可以得到下表內容:
語素 | 標記類型 |
---|---|
sum | 標識符 |
= | 賦值操作符 |
3 | 數字 |
+ | 加法操作符 |
2 | 數字 |
; | 語句結束 |
標記經常使用正則表達式進行定義,像lex一類的詞法分析器生成器就支持使用正則表達式。語法分析器讀取輸入字符流、從中識別出語素、最後生成不同類型的標記。其間一旦發現無效標記,便會報錯。
掃描器
編輯詞法分析的第一階段即掃描器,通常基於有限狀態自動機。掃描器能夠識別其所能處理的標記中可能包含的所有字符序列(單個這樣的字符序列即前面所說的「語素」)。例如「整數」標記可以包含所有數字字符序列。很多情況下,根據第一個非空白字符便可以推導出該標記的類型,於是便可逐個處理之後的字符,直到出現不屬於該類型標記字符集中的字符(即最長一致原則)。
標記生成器
編輯標記化(tokenization)即將輸入字符串分割為標記、進而將標記進行分類的過程。生成的標記隨後便被用來進行語法分析。
例如對於如下字符串:
The quick brown fox jumps over the lazy dog
計算機並不知道這是以空格分隔的九個英語單詞,只知道這是普通的43個字符構成的字符串。可以通過一定的方法(這裡即使用空格作為分隔符)將語素(這裡即英語單詞)從輸入字符串中分割出來。分割後的結果用XML可以表示如下:
<sentence>
<word>The</word>
<word>quick</word>
<word>brown</word>
<word>fox</word>
<word>jumps</word>
<word>over</word>
<word>the</word>
<word>lazy</word>
<word>dog</word>
</sentence>
然而,語素只是一類字符構成的字符串(字符序列),要構建標記,語法分析器需要第二階段的評估器(Evaluator)。評估器根據語素中的字符序列生成一個「值」,這個「值」和語素的類型便構成了可以送入語法分析器的標記。一些諸如括號的語素並沒有「值」,評估器函數便可以什麼都不返回。整數、標識符、字符串的評估器則要複雜的多。評估器有時會抑制語素,被抑制的語素(例如空白語素和注釋語素)隨後不會被送入語法分析器。
例如對於某程序設計語言的源程序片段:
net_worth_future = (assets - liabilities);
在進行語法分析後可能生成以下單詞流(空格被抑制):
NAME "net_worth_future" EQUALS OPEN_PARENTHESIS NAME "assets" MINUS NAME "liabilities" CLOSE_PARENTHESIS SEMICOLON
儘管在某些情況下需要手工編寫詞法分析器,一般情況下詞法分析器都用自動化工具生成。
關聯項目
編輯參考文獻
編輯- CS164: Programming Languages and Compilers (Class Notes #2: Lexical)
- Compiling with C# and Java, Pat Terry, 2005, ISBN 0-321-26360-X 624
- Algorithms + Data Structures = Programs, Niklaus Wirth, 1975, ISBN 0-13-022418-9
- Compiler Construction, Niklaus Wirth, 1996, ISBN 0-201-40353-6