词法分析

一个高级语言程序在计算机中一般以文件形式存在，文件是一堆字节的集合，而它要表达的含义显然不是一堆字节，最小单位是一个个词，因此编译一个程序，一开始的工作就是词法分析  

龙书的词法分析部分，掺杂了很多自动机相关的东西，其实这些在计算理论有更详细的描述，在编译原理里面讲大概是希望能让零基础的人看懂，可惜这样一来内容就比较臃肿，而且好像也讲的不是很系统反而让人看糊涂，就好像算法导论里面讲NP一样，虽然没有错误但个人觉得有误人的嫌疑，NP的学习还是结合图灵机更好点  

词法分析是要用到自动机原理的，但并非说一定要直接用自动机（早期是需要的），计算理论里讲的很清楚，有限状态自动机和正则语言是等价的，因此就现在来说，犯不着自己写NFA，或用lex生成NFA，一个正则表达式引擎足够了，所以重点就在于语言本身的词法相关的设计了，不过一般来说大部分语言的词法都同质化的，规则差不多，出现在代码里面的词一般也就三种：常量，标识符，符号，一个正则搞定（python表示）：  

_TOKEN_RE_EXPR = ( 
    #float 
    r"""(\d+\.?\d*[eE][+-]?\w+|""" + 
    r"""\.\d+[eE][+-]?\w+|""" + 
    r"""\d+\.\w*|""" + 
    r"""\.\d\w*)|""" + 
    #symbol 
    r"""(!=|\*\*|==|<<|<=|>>|>=|\W)|""" + 
    #int 
    r"""(\d\w*)|""" + 
    #word 
    r"""([a-zA-Z_]\w*)""") 

比较复杂的就是浮点数的表示形式有很多种，其余都很简单，需要说明的两种数字都以\w+或\w*结尾，假如整数写\d\d*这种，像111aaa这种就会被拆成111和aaa，实际应该是个编译错误，再者整数可能也有0x12f，123UL这类表示形式，或其他自定义的末尾表示，如果每种情况都写在正则就很麻烦了，所以统一拿一个\d\w*然后再详细分析，同样的道理，单字符符号统一用\W，可能匹配到一些不合词法的字符，比如$或非ascii码，拿出来再分析  

词法分析中需要注意的一点是最长子串原则，简单说就是会匹配尽可能长的一个合法词，比如碰到==，会匹配为相等逻辑操作，而不是两个赋值符号，当然这种时候两个赋值连在一起是没有什么意义的，但有时候就会出现歧义，比如C语言中：  
a=b/*c;  
写这个代码的人原意大概是用*c去除b，结果赋值给a，但根据最长子串原则，/*开启了一个C语言的注释，如果编辑器没有颜色和高亮显示，可能比较难看出来，当然如果按代码规范加入适当空格就规避这个问题了  

有时候语法的发展会和这个原则冲突，比如C++的模板如果嵌套定义，后面连续两个反尖括号>>会被解析成右移符号，因此中间要加一个空格，这样不太美观，所以后面的编译器和C++标准注意到了这个问题，做了特殊处理，但歧义仍然可能存在，比如：  
A<B<10 >> 1>>  
将10>>1的结果作为模板参数，其实就算没有右移符号这个问题，也存在上面的情况，因为>大于运算本身也是表达式，好在这种情况可以通过加个()来规避  

词法分析光靠一个正则还不够，还需要检查每个词的合法性，比如上面的111aaa。另外，正则处理一些复杂的词很麻烦，比如说字符串，无论多长都是一个常量词，上面的正则只能分析出一个起始的引号，拿到引号后可能需要自己写个循环来读完整个词，因为字符串格式往往比较复杂，有各种转义符，如果不合法还需检查具体的错误等。最终的输出是一个token_list，其中每个词需要有自己的类型（常量，标识符，符号），每个常量有自己的数据类型（字符串，整数，浮点等），每个符号转为内部表示，方便后面的语法分析  

上面这个正则没有考虑空格等空白符，空白是用代码处理了，其实加个\s*即可，这是假设了空白符在词法中仅作必要的分隔作用，如C的变量定义int a中的空白，但在有些语言中，空白符有更强的词法特性，比如python用缩进来标识代码块，后面也打算做成这种，所以需要说一下  

首先是缩进的计算规则，如果都用空格，或都用tab，一般没什么问题，如果两者混用，python规定统一折算为空格计算，折算方法是，如果碰到tab，则空格数量增加至当前位置向前的最小的一个8的倍数，和unix下的文件编辑的风格一致  

然后是按行解析的问题，C和java因为是以分号表示语句结束，所以换行一般不做处理，python的语句是以一行结束为结束，但是可以折行，编译器需要区分这两种情况，一般折行有三种情况：1，上一行以“\”结束；2，三引号多行字符串；3，上一行有未匹配完的括号  

做这种语言的词法分析时，可以先分成一行行字符串，每行前导空白符折算成缩进空格，然后在分析过程中对上述三种折行情况作状态处理即可，如果出现折行则恢复前导空白（多行字符串），或忽略，最后将缩进空格也一起放进token_list，就是有点麻烦  

当然，还有一些细节问题，比如编译如果出错，应该报出是哪一行哪个字符，分析过程中记录下这些信息就行了