Analiza lexicala

Analiza lexicala

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

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

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

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

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

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

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

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¶.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. 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: . .in caz de eroare. .pentru fiecare tranzitie intr-o stare finala se introduce o actiune semantica care va codifica corespunzator atomul lexical. se va introduce cate o actiune semantica pentru tratarea acesteia. .

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

daca ch este litera atunci | .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 | .repeta | | * adauga caracterul ch la nume | | citeste ch | | pana ch este diferit de cifra | | .

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

¶ | citeste ch | altfel | * atom necunoscut | citeste ch - .¶ | * Caracterul special µ.| | .daca ch este cifra atunci | | | .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 µ=¶ atunci | | * secventa ³:=´ | | citeste ch | | altfel | | * Caracterul special µ:¶ | | altfel daca ch este µ.

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

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

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

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

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

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