Analiza lexicala

Analiza lexicala

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

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

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

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

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

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

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

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

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

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 ch este litera atunci | .repeta | | * adauga caracterul ch la nume | | citeste ch | | pana ch este diferit de cifra | | .daca * nume este cuvant cheie atunci | | *codifica corespunzator | | astfel | | * atomul este identificator | | altfel daca ch este cifra atunci | .

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

¶ | citeste ch | altfel | * atom necunoscut | citeste ch - .daca ch este cifra atunci | | | .¶ | * Caracterul special µ.| | .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.

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

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

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

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

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

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

Sign up to vote on this title
UsefulNot useful