编辑原理系列学习：编译器简介及Lexical analyzer

一、编译器简介

（1）概念

简单地说，编译器是一个程序，输入、输出均为字符串，其中输入字符串就是所谓的源程序，输出字符串就是目标程序。请对此有一个概念，我们编写好的程序就是以字符串形式线性地传入编译器，所以在编译器学习中我们讨论的对象就是字符串string。

（2）编译器与解释器

在介绍编译器时通常都会讲到另一种语言处理器：解释器。解释器直接利用用户提供的输入执行源程序中指定的操作，逐个语句地执行源程序。下面用图直观地解释编译器和解释器的区别：

因此，编译器通常被描述为off-line，而解释器是on-line的。

（3）编译器结构

编译器的编译过程可分为五个步骤，以下对每个步骤的功能进行简要描述，并拿英语的学习进行类比以加深理解：

1. Lexical Analysis：将输入的string翻译成complier speak(token)；                   — 相当于英语学习中的理解句子中单词意思和角色；2. Paring：由token在程序中的角色分析字符串结构，根据语法生成树                   — 相当于英语学习中分析句子的结构：主谓宾等；3. Semantic Analysis：分析string 的meaning，进行类型识别等操作                   — 相当于英语学习中理解句子含义；4. Optimization：不改变语义情况下，对某个指标进行提升；如常数折叠等；                   — 相当于用改动句子某些结构，使句子更加精炼等；5. Code Generation：产生目标机器语言。

在《编译原理 技术与工具》这本书中，将编译器的结构更加细分，分为了Lexical Analyzer、Syntax Analyzer（也就是paring）、Semantic Analyzer、Intermediate Code Generation、Code Optimizer以及Code Generator。相比之下，其实就是多了一个中间代码生成。在中间代码生成的过程中，有一种称为三址码（three－address code）的中间表示形式。这种中间表示的每个指令具有三个运算分量，形式为：

      R3 ＝ R1 op R2， op指的是某一操作，Ri为运算分量。

（4）说明

由于我参考的教材主要是《编译原理 技术与工具》英文版，参考视频为斯坦福大学的Compliers公开课，所以大多数概念以及某些说明、解释还是会用英文表示。请大家见谅。

二、Lexical Analyzer

Lexical analyzer的作用是将输入的字符串翻译成编译器能够明白的语言：Complier speak，就好像我们学习英语，在拿到一句英语句子时，我们会对句子中的单词进行辨析，在脑海中会形成我们所能理解的中文，然后再进行后续的工作。编译器的lexical analysis就相当于我们对英语句子的单词辨析，其结果是形成编译器所能理解的“中文”：Token。Token的组成为

   <Token-class, subStr>

（1）Token class

Token class（可简称class），是一个字符串集合，元素为表征“单词”类型的字符串。这种类型是一种广义的类型，有identifier、integer、keyword、whitespace、’(’ 、’)’ 、’.’ 、’;’ 等。

1.Identifier:  strings of letters or digits, starting with a letter.2.Integer:  a non-empty string of digits.3.Keywords:  “else”  or “if” or “begin” or …4.Whitespace:  a non-empty string of blanks, newlines and tabs.注意：左括号、右括号、点、分号等是各自单独为一类的，即为单元素字符串集合。

（2）Lexeme

subStr，即原字符串中的子字符串，也称lexeme。通常我们会用一个指针或者索引代替，该指针或索引指向一个symbol table，table中存放变量名、变量类型以及编译器为之分配的内存地址等信息。
由上述，可以知道，lexical analysis 的目标就是将输入字符串分割，这种分割是从左到右的，每一次分割辨识一个token，这个token可以表明相应的lexeme在字符串中扮演的角色。因此在这个过程中有两件事是需要做的：

    1. Recognize substrings corresponding to tokens.         (substring == lexeme)    2. Identify the token class of each lexeme.

在分割字符串过程中，需要从左到右进行扫描。由于每一次分割识别一个token，对于一个字符组合到底是不是一个identifier还是一个keyword，我们往往需要上下文进行判断。如当我扫描到一个字符组合“if”，这时并不能立刻下结论说它是一个keyword，还需要判断“f”的下一个字符c，对于C/C++，如果c为whitespace或者“（”，那么我们可以说“if”是一个keyword；如果c为一个字母或者数字，如“ifx”，那么“if”就应该是一个identifier中的一部分。在这个判断的过程中，我们通过往前看（即往字符串的下一位或者下几位看）而获得结果，这个“往前看”，就是所谓的Lookahead，这是lexical analysis中常用到的方法。在执行过程中，我们应该尽量让这个lookahead的次数最小化，如给这个次数一个常数边界。

三、Regular Language

（1）Language

Let ∑ denotes a set of characters, a language over ∑ is a set of finite-length strings of characters drawn from ∑.

即，∑ ＝｛characters｝，Language L ＝｛strings｜c ∈ string ∧ c ∈ ∑ ∧ strlen(string) != infinite｝

（2）Regular Language

这是一个字符串的集合，用于指定编程语言的lexical structure，即指定其token class。对于绝大多数的词法分析，Regular language具有足够的表达能力来完成任务，而且足够的高效，它的花销是输入字符串长度的线性函数。这就是我们使用regular language的原因。

（3）Regular Expression

Regular expression是regular language的标准表示，用于指定regular language，它是一种syntax。也就是说，它是用来指定语言的，在之后的自动机学习中，我们将会看到另一种指定语言的方式。

1. 两个原子表达式

single character

⇒ ’c’ ＝｛“c”｝

epsilon

⇒ ϵ ＝ ｛’’｝（注意，空串不是空集）

2. 三个复合表达式

Union

⇒ A+B＝{a | a ∈ A} ∪ {b | b ∈ B}

Concatenation

⇒ AB = {a++b | a ∈ A ∧ b ∈ B}（表示拼接）

Iteration

⇒ simple Iteration：Ai＝AA…A（i个A拼接）
⇒ Kleene star Iteration：A∗＝⋃i≥0Ai
⇒ Kleene plus Iteration：A+＝⋃i≥1Ai

（4）Meaning Function

这里稍微介绍一下meaning function。Function大家都知道，表示的是一个映射。Meaning function表示一个从syntax到semantics的映射，也就是将expression映射到language（set of strings）上。其实meaning function的作用很简单，就是用来区分syntax和semantics的，即区分expression和language。

用L表示meaning function，则上面提到的五个表达式可重写为:

⇒ L(ϵ) = { “” }
⇒ L(‘c’) = { “c”}
⇒ L(A+B) = L(A) ∪ L(B)
⇒ L(AB) = {a++b | a ∈ L(A) ∧ b ∈ L(B)}
⇒ L(A∗) = ⋃i≥0L(Ai)

为什么需要区分呢？

首先是理解的问题。我们看复合表达式中的union，等号左边A、B是syntax，到了右边就神奇地变成集合了，难免在理解上造成混淆。
此外，其实很多时候syntax到semantics的映射不是一对一的，而是多对一，这也是要区分的原因之一。

最后，小结一下，

    L(Regular expression) ＝ Regular language，

regular expression用来描述定义token：s 属于 L(R)，s就是substring，即lexeme。