Lex 是一种生成扫描器的工具。扫描器是一种识别文本中的词汇模式的程序。这些词汇模式(或者常规表达式)在一种特殊的句子结构中定义,这个我们一会儿就要讨论。
一种匹配的常规表达式可能会包含相关的动作。这一动作可能还包括返回一个标记。当 Lex 接收到文件或文本形式的输入时,它试图将文本与常规表达式进行匹配。它一次读入一个输入字符,直到找到一个匹配的模式。如果能够找到一个匹配的模式,Lex 就执行相关的动作(可能包括返回一个标记)。另一方面,如果没有可以匹配的常规表达式,将会停止进一步的处理,Lex 将显示一个错误消息。
Lex 和 C 是强耦合的。一个 .lex
文件(Lex 文件具有
.lex 的扩展名)通过 lex 公用程序来传递,并生成 C 的输出文件。这些文件被编译为词法分析器的可执行版本。
Lex 的常规表达式
常规表达式是一种使用元语言的模式描述。表达式由符号组成。符号一般是字符和数字,但是 Lex 中还有一些具有特殊含义的其他标记。 下面两个表格定义了 Lex 中使用的一些标记并给出了几个典型的例子。
用 Lex 定义常规表达式
字符 | 含义 |
A-Z, 0-9, a-z | 构成了部分模式的字符和数字。 |
. | 匹配任意字符,除了 /n。 |
- | 用来指定范围。例如:A-Z 指从 A 到 Z 之间的所有字符。 |
[ ] | 一个字符集合。匹配括号内的 任意 字符。如果第一个字符是 ^ 那么它表示否定模式。例如: [abC] 匹配 a, b, 和 C中的任何一个。 |
* | 匹配 0个 或者多个上述的模式。 |
+ | 匹配 1个 或者多个上述模式。 |
? | 匹配 0个或1个 上述模式。 |
$ | 作为模式的最后一个字符匹配一行的结尾。 |
{ } | 指出一个模式可能出现的次数。 例如: A{1,3} 表示 A 可能出现1次或3次。 |
/ | 用来转义元字符。同样用来覆盖字符在此表中定义的特殊意义,只取字符的本意。 |
^ | 否定。 |
| 表达式间的逻辑或。 |
"<一些符号>" | 字符的字面含义。元字符具有。 |
/ | 向前匹配。如果在匹配的模版中的“/”后跟有后续表达式,只匹配模版中“/”前面的部分。如:如果输入 A01,那么在模版 A0/1 中的 A0 是匹配的。 |
( ) | 将一系列常规表达式分组。 |
常规表达式举例
常规表达式 | 含义 |
joke[rs] | 匹配 jokes 或 joker。 |
A{1,2}shis+ | 匹配 AAshis, Ashis, AAshi, Ashi。 |
(A[b-e])+ | 匹配在 A 出现位置后跟随的从 b 到 e 的所有字符中的 0 个或 1个。 |
注:这小朋友将A{1,2}shis*写为了A{1,2}shis+。
Lex 中的标记声明类似 C 中的变量名。每个标记都有一个相关的表达式。(下表中给出了标记和表达式的例子。)使用这个表中的例子,我们就可以编一个字数统计的程序了。我们的第一个任务就是说明如何声明标记。
标记声明举例
标记 | 相关表达式 | 含义 |
数字(number) | ([0-9])+ | 1个或多个数字 |
字符(chars) | [A-Za-z] | 任意字符 |
空格(blank) | " " | 一个空格 |
字(word) | (chars)+ | 1个或多个 chars |
变量(variable) | (字符)+(数字)*(字符)*(数字)* | |
Lex 编程
Lex 编程可以分为三步:
以 Lex 可以理解的格式指定模式相关的动作。
在这一文件上运行 Lex,生成扫描器的 C 代码。
编译和链接 C 代码,生成可执行的扫描器。
注意: 如果扫描器是用 Yacc 开发的解析器的一部分,只需要进行第一步和第二步。关于这一特殊问题的帮助请阅读 Yacc 和 将 Lex 和 Yacc 结合起来 部分。
现在让我们来看一看 Lex 可以理解的程序格式。一个 Lex 程序分为三个段:第一段是 C 和 Lex 的全局声明,第二段包括模式(C 代码),第三段是补充的 C 函。 例如, 第三段中一般都有 main() 函数。这些段以%%来分界。 那么,回到字数统计的 Lex 程序,让我们看一下程序不同段的构成。
C 和 Lex 的全局声明
这一段中我们可以增加 C 变量声明。这里我们将为字数统计程序声明一个整型变量,来保存程序统计出来的字数。我们还将进行 Lex 的标记声明。
字数统计程序的声明
%{
int wordCount = 0;
%}
chars [A-za-z/_/'/./"]
numbers ([0-9])+
delim [" "/n/t]
whitespace {delim}+
words {chars}+
%%
两个百分号标记指出了 Lex 程序中这一段的结束和三段中第二段的开始。
Lex 的模式匹配规则
让我们看一下 Lex 描述我们所要匹配的标记的规则。(我们将使用 C 来定义标记匹配后的动作。)继续看我们的字数统计程序,下面是标记匹配的规则。
字数统计程序中的 Lex 规则
{words} { wordCount++; /*
increase the word count by one*/ }
{whitespace} { /* do
nothing*/ }
{numbers} { /* one may
want to add some processing here*/ }
%%
C 代码
Lex 编程的第三段,也就是最后一段覆盖了 C 的函数声明(有时是主函数)。注意这一段必须包括 yywrap() 函数。 Lex 有一套可供使用的函数和变量。 其中之一就是 yywrap。一般来说,yywrap() 的定义如下例。我们将在 高级 Lex 中探讨这一问题。
字数统计程序的 C 代码段
void main()
{
yylex(); /* start the
analysis*/
printf(" No of words:
%d/n", wordCount);
}
int yywrap()
{
return 1;
}
上一节我们讨论了 Lex 编程的基本元素,它将帮助你编写简单的词法分析程序。 在 高级 Lex 这一节中我们将讨论 Lex 提供的函数,这样你就能编写更加复杂的程序了
将它们全部结合起来
.lex
文件是 Lex 的扫描器。它在 Lex 程序中如下表示:
$ lex <file name.lex>
这生成了 lex.yy.c 文件,它可以用 C 编译器来进行编译。它还可以用解析器来生成可执行程序,或者在链接步骤中通过选项�ll 包含 Lex 库。
这里是一些 Lex 的标志:
-c
表示 C 动作,它是缺省的。
-t
写入 lex.yy.c 程序来代替标准输出。
-v
提供一个两行的统计汇总。
-n
不打印 -v 的汇总。
高级 Lex
Lex 有几个函数和变量提供了不同的信息,可以用来编译实现复杂函数的程序。下表中列出了一些变量和函数,以及它们的使用。 详尽的列表请参考 Lex 或 Flex 手册(见后文的 资源 )。
Lex 变量
yyin | FILE* 类型。 它指向 lexer 正在解析的当前文件。 |
yyout | FILE* 类型。 它指向记录 lexer 输出的位置。 缺省情况下,yyin 和 yyout 都指向标准输入和输出。 |
yytext | 匹配模式的文本存储在这一变量中(char*)。 |
yyleng | 给出匹配模式的长度。 |
yylineno | 提供当前的行数信息。(lexer不一定支持。) |
Lex 函数
yylex() | 这一函数开始分析。 它由 Lex 自动生成。 |
yywrap() | 这一函数在文件(或输入)的末尾调用。如果函数的返回值是1,就停止解析。 因此它可以用来解析多个文件。代码可以写在第三段,这就能够解析多个文件。 方法是使用 yyin 文件指针(见上表)指向不同的文件,直到所有的文件都被解析。最后,yywrap() 可以返回 1 来表示解析的结束。 |
yyless(int n) | 这一函数可以用来送回除了前�n? 个字符外的所有读出标记。 |
yymore() | 这一函数告诉 Lexer 将下一个标记附加到当前标记后。 |
对 Lex 的讨论就到这里。下面我们来讨论 Yacc...
Yacc
Yacc 代表 Yet Another Compiler Compiler。 Yacc 的 GNU 版叫做 Bison。它是一种工具,将任何一种编程语言的所有语法翻译成针对此种语言的 Yacc 语 法解析器。它用巴科斯范式(BNF, Backus Naur Form)来书写。按照惯例,Yacc 文件有 .y 后缀。编译行如下调用 Yacc 编译器:
$ yacc <options>
<filename ending with .y>
在进一步阐述以前,让我们复习一下什么是语法。在上一节中,我们看到 Lex 从输入序列中识别标记。如果你在查看标记序列,你可能想在这一序列出现时执行某一动作。这种情况下有效序列的规范称为语法。Yacc 语法文件包括这一语法规范。它还包含了序列匹配时你想要做的事。
为了更加说清这一概念,让我们以英语为例。 这一套标记可能是:名词, 动词, 形容词等等。为了使用这些标记造一个语法正确的句子,你的结构必须符合一定的规则。一个简单的句子可能是名词+动词或者名词+动词+名词。(如 I care. See spot run.)
所以在我们这里,标记本身来自语言(Lex),并且标记序列允许用 Yacc 来指定这些标记(标记序列也叫语法)。