编译原理笔记2024-9-27
29/9/2024
书接上回,要想判断一个字符串是否符合某个token的定义,需要有限自动机。
有限自动机(Finite Automata)
有限自动机是一个五元组:一个字母表,一个有限的状态集合,一个初始状态,一组终结状态的集合(必须是S的子集)和transition(状态的变化)。
系统初始状态是s1在接受到a之后,变化到s2状态。输入如果是一串字符串就是一直重复刚刚类似的过程,直到最后进入了一个终结状态(accept state),代表这个输入被接受了,这个字符串属于这个自动机对应的regular language。
举个例子:只接受一串1之后跟了一个0的有限自动机
比如接收1110,而11101就会reject 0后的1
在举两个例子
左边这个是transition 不唯一了,右边这个是我们加上的E(一佩龙)转移,说明可以不接收字符就可以无条件从A转移到B。
后两个例子明显和第一个例子有区别,我们把transition是确定的叫做DFA(deterministic finite automata),把后面的不确定transition叫做NFA(nondeterministic finite automata)。但是两种都是非常简单的计算模型,我们在实现的时候,只需要当前状态和input就可以决定我们的动作,和之前无关,同时状态的数量也是有限的。
只要有一种能够到达终结状态就行。得出结论就是:NFA和DFA能够识别的东西是相同的。DFA写出来的代码是很容易的,只需要n * n的一张transition表就可以了。但是有个缺点直接构造DFA会比较困难,更加麻烦( 同一个NFA变成DFA的时候,有可能其状态会指数增长),所以我们要先用regular expression 构造NFA。
用描述token的正则表达式来构造NFA
下边我们来看一下,我们用regular expression来描述词法,描述好词法以后,我们希望用这个regular expression来构造出NFA,再转化成DFA,然后就变成一个查表判定的过程。整体流程如下图,我们现在做的就是箭头的地方
这个步骤的5个构造法则:
举个例子: 就是把上面的公式套进去
NFA->DFA
五个小策略:
- 模拟NFA
- 每个DFA的状态都是非空NFA状态的子集
- DFA的起始状态是:所有E(一佩龙)能够到达的状态,都是DFA的起始状态
- 从一个状态S接收一个字符a到另一个状态S’,我们要看看碰到每个字母表中的字符会变到哪里去,从而增加状态转移。、
- DFA的终止状态就是NFA的终止状态
举个例子: 这个步骤执行可以,但是可能出现指数爆炸
用查表描述一个DFA
这个表里,横轴是字符集合,纵轴是状态集合。
有了这个表,就可以从start_state开始一个个字符走,如果到了终止状态,就是符合的可接受的;如果到一半走不下去,就说明reject了。T[i,a] = k表示状态Si接受到了a到了状态Sk。
我们有一些自动化的工具,一般叫做lex,比如flex和jlex。也就是我们写regular expression,它会生成NFA, DFA,DFA的表,然后我们就可以进行查表判定。
压缩DFA的状态数目
NFA变DFA的状态会有很多,我们希望对DFA的状态进行简化一下,压缩一下状态。比如说我们有上面的这个DFA,有7个状态ABCDEF。要做化简实际上是做一个等价类,也就是说当我们状态S1能够接收字符串s的时候,S2也能接收s,方法如下:
这上面起始就走完完了最上面的那张图里的步骤
因为我们的词法分析不是回答yes/no的事情,我们要切割出来某个子token串,来判断其是否属于L(Ri)还要满足maximal munch和priority rule。已经落到某一类的时候,我们需要继续往前走来找到更长的符合条件的情况。所以刚才那个table我们只是有了一个基础的这个东西,我们要把这个东西扩展,扩展成我们的词法可以用的这个东西
把DFA扩展使其支持那两个原则
举个例子:前面是我们规定的一个词法:分别keyword(if), identifier(返回ID), number, 实数,注解(两个”–”+一串字母+\n,或者space, \n, tab),错误(如果前面的都不能匹配,就报错了)
现在我们输入:if –not-a-com
流程是这样子的:
我们需要增加一些状态。
》》》
为了满足优先级原则:
显然abb是a*b+的子集,但是abb优先,同时进入4和6作为accept states的时候,应该是4优先,因为4的优先级高。我们把NFA画成DFA。
LEX工具
我们写代码的时候还是写一串declearation,我们还需要写一串花括号。报错的时候我们要往前走。我们不但要有识别,我们还要做一些动作。花括号里的东西都是C程序。
我们写一些declearation(regular expression)和action(C),有一个简单的编译器生成C代码。生成了C以后,就可以放到编译器里头,编译出可执行的文件。a.out就是输入一个tiger program,通过a.out运行以后能就变成了一个token串。
LEX有三部分:
- %{ … %}:C代码。
- tokens.h会定义一些token的类型
- union yylval :因为每个token对应一个lexeme, 所以一个lexeme 可以用一个整数int来表示
- string sval :就是关键词,用字符串表示就行
- double fval:实数用double类型表示
- int charPos: 表示当前character的位置,开始都是1,每一次可以调整
- length()当前匹配了多长,char_pos_每次的起始位置
- lex definition:定义一些宏,比如用digits替换掉[0-9]+
- %%开始:regular expression + action
- if 直接往前走
- identity,除了往前走外,还要把lexeme算出来,yytext就是|和T之间的字符串;其他的同理。
处理嵌套注释
它在lex里头是可以支持的,这个支持就是说我们会有两个start_state。一个叫inital,一个comment,在lex definition声明了两个初始状态。正常情况下都是initial的if,字符串。如果我们碰到了(* 就说明我们进入了一个可能comments的情况,也就是我们进入了一个新的start_state(COMMENT),在这个状态下碰到任意输入都无所谓,直接过滤掉。过滤掉以后,一直到 *),它要回到INITIAL的情况。一开始我们想让它进入INITIAL状态,我们就用最后一行。也就是BEGIN INITIAL;吃掉的一个字符要还回去,也就是yyless(1)。