Analiza lexicala

Analiza lexicala

Totusi. de cele mai multe ori limitarae aparand in urma implementarii si nu datorita definitiei limbajului. in clasa identificatorilor sau constantelor vom gasi un numar reletiv mare de elemente. De exemplu. toate trei vor conduce la crearea aceluiasi atom lexical. Un atom lexical poate fi privit ca un reprezentant al unei clase de siruri de caractere cu reguli de formare precise. intr-un sir de simboluri numite atomi lexicali (tokeus). multimi finite. In majoritatea limbajelor de programare. Clasele sunt pentru o anumita implementare.clasa operatorilor. In momentul in care o secventa de caractere a fost identificata ca o aparitie a unui simbol de baza. ³LESS´ si ³LT´. .clasa constante reale .Analiza lexicala transforma programul sursa. daca consideram ca reprezentari posibile pentru operatorul relational ³mai mic´ pe ³<´.clasa identif. daca in clasa operatorilor intra de obicei putini operatori (10 ± 20). .clasa constante intregi . drept clase vom gasi: . vazut ca un sir de caractere. analizorul lexical va crea un atom lexical care sa o descrie.

atomul lexical va contine un cod numeric. subsiruri ce respecta regulile de formare ale atomilor lexicali. sa clasifice aceste subsiruri si sa le traduca in atomi lexicali. atom lexical Clasa Valoare 1 zona sirurilor beta .Sarcina analizorului lexical (scanner) este sa detecteze in sirul de caractere al PS. De exemplu. reprezentand clasa si un indicator spre zona in care se gaseste memorat sirul de caractere. adica in informatii codificate ce vor pastra esentialul : clasa fiecarui subsir si eventual. in cazul unui subsir clasificat ca identificator. sa zicem 1. modul de regasire al subsirului.

sau ce reprezinta el in general.In mod curent. atom lexical Clasa Valoare Nume/ valoare Atribute 1 beta Zona sirurilor . iar in loc de indicator spre sir. In acest scop. In aceasta tabela trebuie cautat identificatorul depistat in sirul de intrare. De exemplu: pentru fiecare identificator ne intereseaza daca el apare pentru prima data in program. atributele sale. compilatorul mentine o zona rezervata pentru Tabela de Simboluri (TS). in atomul lexical se plaseaza un indicator spre intrarea din TS corespunzatoare identificatorului. indicatia (valoarea) este prelucrata spre a servi altor scopuri. care este un ³dictionar´ al tuturor identificatorilor si constantelor din program.

Construirea unui analizor lexical presupune parcurgerea urmatoarelor etape: Stabilirea simbolurilor de baza Stabilirea modului de recunoastere. Stabilirea modului de tratare a erorilor. extragere si reprezentare a simbolurilor de baza. caracterele speciale precum si combinatiile de caractere speciale) impreuna cu identificatorii si constantele reprezinta simbolurile de baza ale unui program sursa. determinand sfarsitul simbolului in timpul cautarii. De regula. Implementarea analizorului lexical. pornind de la simbolurile de baza pot fi construite automate finite care sa le accepte. Proiectarea atomului finit pentru fiecare symbol de baza. In momentul in care un analizor Pascal ajunge in starea finala corespunzatoare acestuia se poate opri si poate accepta simbolul. nefiind inceputul unui alt simbol de baza. Sarcina unui analizor lexical este sa extraga urmatorul sibol de baza din textul de intrare. . Reprezentarea si structura acestor simboluri de baza poate fi modificata fara a altera puterea de exprimare a limbajului. Pentru exemplificare sa consideram caracterul ³:´ care in limbajul Pascal este un simbol de baza. Delimitatorii (cuvintele cheie. In acest caz s-a depistat sfarsitul sirului iar in capul de citire a benzii de intrare este pozitionat pe urmatorul caracter.

De aceea. succesiuni de caractere speciale. cuvinte cheie. Automatul trebuie deci sa retina informatii referitoare la cea mai recenta stare finala intalnita. In caz contrar. analizorul trebuie sa avanseze dincolo de el pentru a vedea ce urmeaza. procesul de obtinere a unui nou simbol de baza se incheie. Daca atomul se opreste intr-o stare finala. se reface textul de la intrare in pozitia ultimei stari finale intalnite. constante caractere speciale. O reprezentare a gramaticilor pentru aceste simboluri poate fi urmatoarea: . Pentru reprezentare se pot folosi diagramele de tranzitie. Exemplu: Presupunem ca un limbaj are urmatoarele simboluri de baza: identificatori. dar este inceputul simbolului ³:=´.Caracterul ³:´ este de asemenea un simbol de baza Pascal. Se semnaleaza eroare lexicala doar in cazul in care nu s-a trecut printr-o stare finala in timpul parcurgerii sirului. a alfabetului de intrare si a functiei de tranzitie. Proiectarea automatului finit pentru determinarea unui anumit simbol de baza (atom lexical) presupune determinarea starilor automatului. asigurandu-se astel o pozitie de intoarcere.

¶. constante cifra. Automatele finite corespunzatoare sunt urmatoarele: l 1 l. caracter_special ¶:¶| µ. cuvant_cheie ¶and¶|¶begin¶.indetificator -> litera (litera|cifra) litera ¶A¶|«|¶Z¶. succesiune_caractere_speciale ´:=´| ³<>´. cifra ¶0¶|«|¶9¶. 4 2 3 c .c 0 A1 c A2 0 : A3 0 .

Acesta se realizeaza prin cuplarea celor 4 automate pe starea initiala 0. Pentru a reprezenta analizorul lexical se construieste un automat global pentru recunoasterea simbolurilor de baza ale limbajului.= : A4 0 < 7 > 8 5 6 unde l reprezinta litera iar c cifra. 0 c : < 5 = > 7 6 8 A4 2 A2 . astfel: A1 1 l : 3 4 A3 .

Eliminarea caracterelor nesemnificative se poate face astfel: Spatiu alb orice car inafara de * si / / * * 0 9 10 11 / Analizorul lexical trebuie sa tina seama de urmatoarele cerinte: .pentru fiecare tranzitie intr-o stare finala se introduce o actiune semantica care va codifica corespunzator atomul lexical.in cazul tuturor tranzitiilor care provin din automatele A1 si A2 se va introduce o actiune care va concatena caracterul curent de la intrare la un sir dat. se va introduce cate o actiune semantica pentru tratarea acesteia. .in caz de eroare. .Pentru a extrage simbolul de baza care incepe dupa o pozitie p in sirul de intrare trebuie sa recunoastem si sa stergem caracterele nesemnificative ± ca de exemplu spatiile albe (blanc) si comentariile (/* orice sir format din caractere diferite de * si /) ± trebuie sa folosim automatul pentru a citi simbolul si sa fixam pozitia finala p¶. .

cifra µ0¶ |«|¶9¶. indetificator litera (litera | cifra)* litera ¶a¶ | µA¶ «|¶Z¶.Problema rezolvata Sa se implementeze un analizor lexical care sa recunoasca: -identificatori.¶cifra+ [scara] scara µe¶ [µ+¶ | µ-µ] constanta_intreaga. . 2. ³end´. Se va folosi o structura de date de tip inregistrare care va contine urmatoarele campuri: codul atomului lexical si valoarea sa. -constante intregi -caracterele speciale µ:¶ si µ. -constante reale. dupa modelul anterior urmatoarele gramatici: 1. constanta_reala cifra+ scara | cifra+ ¶. Se vor construi.¶ -secventa de aractere speciale ³:=´ -cuvintele cheie ³begin´.constanta_intreaga cifra+ 3.

repeta | | * adauga caracterul ch la nume | | citeste ch | | pana ch este diferit de cifra | | .repeta | | * adauga caracterul ch la nume | | citeste ch | | pana ch este diferit de litera sau cifra | | .Algoritmul in pseudocod: * initializeaza nume=´ ³ -cat_timp ch este spatiu alb repeta |citeste ch .daca * nume este cuvant cheie atunci | | *codifica corespunzator | | astfel | | * atomul este identificator | | altfel daca ch este cifra atunci | .daca ch este litera atunci | .

daca ch este µ.daca ch este cifra atunci | | .daca ch este µ+¶ sau µ-µ atunci | | | * adauga semnul in nume | | | citeste ch | | - .daca ch este µe¶ sau µE¶ atunci | | * atomul este constanta reala | | * adauga caracterul la nume | | citeste ch | | .repeta | | | | * adauga caracterul ch la nume | | | | citeste ch | | | | pana ch este diferit de cifra | | | | | | | .¶ atunci | | * atomul este constanta reala | | * adauga caracterul la nume | | citeste ch | | .|* atomul este constanta intreaga | .

daca ch este µ=¶ atunci | | * secventa ³:=´ | | citeste ch | | altfel | | * Caracterul special µ:¶ | | altfel daca ch este µ.| | .¶ | citeste ch | altfel | * atom necunoscut | citeste ch - .repeat | | | | * adauga caracterul ch la nume | | | | citeste ch | | | | pana ch este diferit de cifra | | | | | | | altfel daca ch este µ:¶ atunci | * adauga ch la nume | citeste ch | .daca ch este cifra atunci | | | .¶ | * Caracterul special µ.

void Adauga(int *k){ if(*k < dim-1) { atom.cpv.h> #include <conio. atom. FILE *f.catrib. } atom. int ch.h> #include <stdlib.creal.nume[0]=0.nume[*k+1]=0.ceof }tipAtom . /*Elimina spatiile*/ while(isspace(ch)) ch=getc(f).h> #include <ctype.Programul C este: #include <stdio.cint. /*Daca este litera */ .cbad.cdpct. } } void Analex(void){ static int k.h> #define dim 25 typedef enum {cid. /*Initializare atom */ atom.nume[*k]=ch. struct {tipAtom cod. atom. char nume[dim].h> #include <string.cend.cod=cbad. (*k)++.cbegin.

if(isalpha(ch)){ k=0.cod=cid.nume. ch=getc(f).cod=cint."begin")) atom. /*Atomul este constanta intreaga */ atom."end")) atom. else if(!strcmp(atom. } /*Daca este cifra */ else if(isdigit(ch)){ k=0. }while(isdigit(ch)). else atom.cod=cend.cod=cbegin. ch=getc(f). /*Retine partea fractionara */ . Adauga(&k). } if(!strcmp(atom. while(isalnum(ch)){ Adauga(&k). ch=getc(f).nume. do{ Adauga(&k).

ch=getc(f).cod=creal. if(isdigit(ch)){ do{ Adauga(&k). } } . } } /*Retine exponentul */ if(ch=='e' || ch=='E'){ /*Atomul este constanta reala */ atom. Adauga(&k). }while(isdigit(ch)).'){ /*Atomul este constanta reala */ atom. }while(isdigit(ch)).if(ch=='. Adauga(&k). ch=getc(f). } if(isdigit(ch)){ do{ Adauga(&k). ch=getc(f). ch=getc(f).cod=creal. if(ch=='+' || ch=='-'){ Adauga(&k). ch=getc(f).

ch=getc(f).'){ k=0. ch=getc(f). Adauga(&k)./*Avanseaza la urmatorul caracter */ } } . ch=getc(f). atom. }/*Daca este sfarsit de fisier */ else if(ch==-1) atom.cod=cdpct.cod=cpv.cod=catrib. Adauga(&k).} /*Daca este doua puncte*/ else if(ch==':'){ k=0. atom. if(ch=='='){ Adauga(&k).cod=cbad. ch=getc(f). atom. atom. atom.cod=ceof.nume[0]=ch.nume[1]=0. } } /*Daca este punct si virgula */ else if(ch=='. else{ /*Este caracter ilegal */ atom.

atom. } ch=' '.int main(void){ char fisier[17].atom. printf("%5d %-15s\n"."*COD*".atom. } . exit(1).fisier). printf("%5s %-15s\n". printf("\nDati numele fisierului care se analizeaza ")."*NUME*******").cod. for(."rt"))==NULL){ fprintf(stderr. // clrscr().cod !=ceof.){ Analex(). } return 0. scanf("%s". if((f=fopen(fisier."Cannot open input file \n").nume).

adica: + pentru orice A. In cazul unui limbaj regulat. Pentru a vea imaginea completa. daca este posibil. Modelul va fi completat in momentul proiectarii cu alte facilitati pentru a raspunde ami bine nevoilor analizei lexicale. numai un tip de recursivitate: la stanga sau la dreapta. in primul rand necesitatii de generare a atomilor lexicali. In general. instrumentul matematic. iar problema apartenentei la un limbaj este decidabila. Se va pune in evidenta modul in care se face detectarea erorilor in analizorul lexical.Modelul analizorului lexical Sintaxa atomilor lexicali se prezinta sub forma unei gramatici regulate sau a unui GIC care genereaza un limbaj regulat. . In acest din urma caz exista metode simple de a transforma gramatica intr-o gramatica regulata echivalenta. problema analizei lexicale apare. in continuare. se obisnuieste ca toate aspectele legate de tratarea erorilor sa se rezolve printr-o colectie proceduri comune tuturor fazelor. A A [( = sau = ] O solutie simpla pentru a obtine aceasta conditie este ca in productiile gramaticii sa se foloseasca. De aceea. restrictia impusa GIC pentru a putea fi transformata. Automatul finit poate fi considerat modelul de baza al analizorului lexical. Odata stabilit tipul atomilor lexicali si avand o gramatica pentru acest limbaj. problema de decizie trebuie. ca o problema de decizie: sa stabileasca despre sirul de caractere daca este sau nu atom lexical. modulul formal folosit in conceperea cuvintelor din limbaj este automatul finit. este ca niciun neterminal sa nu fie autocontinut. A N. In diferite faze ale compilarii exista sarcini comune ale tratarii erorilor. in primul rand. completata cu problema codificarii atomilor lexicali si cu probelma semnalarii si tratarii erorilor.