Giáo trình Chương trình dịch - Chương 2: Phân tích từ vựng

CHƯƠNG IIPhân tích từ vựngMục tiêu: Nắm được vai trò của giai đoạn phân tích từ vựng, sử dụng các khái niệm biểu thức chính qui (regular expression) và ô- tô- mát hứu hạn (finite automata) trong việc biểu diễn và nhận biết ngôn ngữ1Vai trò của phân tích từ vựngĐây là giai đoạn đầu tiên của quá trình biên dịchNhiệm vụ chính: Đọc từng kí tự vào (input characters) từ chương trình nguồn và nhóm lại thành các token phục vụ cho giai đoạn phân tích cú pháp sau đóSource programLexical analyzerGet next tokenTokenParserSymboltable2Phân tích từ vựng giúp cho các giai đoạn biên dịch tiếp theo dễ dàng hơn, ví dụ: Giai đoạn phân tích cú pháp không phải quan tâm đến các khoảng trắng cũng như các lời chú trích vì nó đã được loại bỏ khi khi phân tích từ vựngGiảm đáng kể thời gian đọc chương trình nguồn và nhóm thành các token nhờ một số chương trình xử lí chuyên dụng3Một số khái niệmToken: Một token là một tập hợp các xâu kí tự có một nghĩa xác định, ví dụ identifier token là tập hợp tất cả các identifier. Token chính là các kí hiệu kết thúc (terminal) trong định nghĩa văn phạm của một ngôn ngữ, ví dụ: Các từ khoá, định danh, toán tử, hằng, xâu kí tự, dấu ngoặc đơn, dấu phẩy, dấu chấm phẩy...Pattern: Pattern của một token là các qui tắc kết hợp các kí tự để tạo lên token đóLexeme: Là một chuỗi các kí tự thoả mãn pattern của một token4Bảng sau đưa ra các ví dụ về token, pattern và lexemeTokenLexemeThông tin mô tả của patternconstifrelationidnumliteralconstif, >=, =, pi, count, d23.1416, 0, 6.02E2"computer"constif hoặc >= hoặc = hoặc một kí tự, tiếp theo là các kí tự hoặc chữ sốbất kì hằng số nàocác kí tự nằm giữa " và " ngoại trừ "5Đặc tả TokenXâu kí tự (string): Là một chuỗi các kí tự từ một bảng chữ cái. Kí hiệu xâu rỗng là Một số khái niệm liên quan đến xâu kí tự: Tiền tố (prefix), hậu tố (suffix), xâu con (substring), tiền tố thực sự (proper prefix)....Ngôn ngữ (language): Là tập hợp các xâu kí tự được xây dựng từ một bảng chữ cái6Các phép toán trên ngôn ngữ: Giả sử L và M là hai ngôn ngữ khi đó Hợp (union)của L và M: LM={s|s  L hoặc s  M } Ghép (concatenation) của L và M: LM = { st | s  L và t  M } Bao đóng Kleen (kleene closure) L:    L* = i=0 Li (Ghép của 0 hoặc nhiều L)  Bao đóng dương (positive closure) của L:   L+ = i=1 Li (Ghép của 1 hoặc nhiều L)7Ví dụ: L = {A, B, ..., Z, a, b, ..., z }  và  D = { 0, 1, , ..., 9 }1.   L  D là tập hợp các chữ cái và chữ số2.  LD là tập hợp các xâu bao gồm một chữ cái và một chữ số3.  L4 là tập hợp tất cả các xâu 4 chữ cái4.  L * là tâp hợp tất cả các xâu của các chữ cái bao gồm cả chuỗi rỗng5.  L(L  D)* là tập hợp tất cả các xâu mở đầu bằng một chữ cái theo sau là chữ cái hay chữ số6.  D+ là tập hợp tất cả các xâu gồm một hoặc nhiều chữ số8Biểu thức chính qui (regular expression)Mỗi biểu thức chính qui (BTCQ) r dùng để đặc tả một ngôn ngữ L(r). Ví dụ: Trong pascal mọi identifier được đặc tả bởi biểu thức chính qui letter(letter|digit)* Hai BTCQ r và s được gọi là tương đương (kí hiệu r=s) nếu chúng đặc tả chung một ngôn ngữ Ví dụ: (a|b)=(b|a)Một BTCQ được xây dựng từ những BTCQ đơn giản bằng cách sử dụng các luật9Sau đây là các luật định nghĩa các BTCQ trên một bảng chữ cái  1.  là một BTCQ đặc tả {} (tập hợp chứa xâu rỗng) 2. Nếu a  thì a là BTCQ đặc tả {a} 3. Giả sử r và s là các BTCQ đặc tả các ngôn ngữ L(r) và L(s), khi đó: a) (r)|(s) là một BTCQ đặc tả L(r)L(s) b) (r)(s) là một BTCQ đặc tả L(r)L(s) c) (r)* là một BTCQ đặc tả (L(r))* d) (r) là một BTCQ đặc tả L(r)10 Ví dụ: Cho = { a, b}. 1. BTCQ a | b đặc tả {a, b} 2. BTCQ (a | b) (a | b) đặc tả {aa, ab, ba, bb}.Tập hợp này có thể được đặc tả bởi BTCQ tương đương sau: aa | ab | ba | bb 3. BTCQ a* đặc tả {, a, aa, aaa, ... } 4. BTCQ (a | b)* đặc tả {a, b, aa,bb, ...}. Tập hợp này có thể đặc tả bởi (a*b* )* 5. BTCQ a | a* b đặc tả {a, b, ab, aab,... } 11Định nghĩa chính qui (regular definition)Để thuận tiện về mặt kí hiệu, ta dùng định nghĩa chính qui (ĐNCQ) để đặt tên cho các BTCQMột ĐNCQ là một dãy các định nghĩa có dạng d1  r1 d2  r2 ......... dn  rn Trong đó di là các tên, ri là các BTCQ trên tập các kí hiệu {d1, d2, ....di-1}12Ví dụ: ĐNCQ của các định danh trong pascal là letter  A | B | ...| Z | a | b |...| z digit  0 | 1 | ...| 9 id  letter (letter | digit)*Ví dụ: ĐNCQ của các số không dấu trong pascal như 3254, 23.243E5,16.264E-3... là digit  0 | 1 |...| 9 digits  digit  digit*          optional_fraction  . digits | e          optional_exponent  ( E ( + | - | e ) digits) | e          num  digits  optional_fraction  optional_exponent13Các kí hiệu tắt được sử dụng trong các BTCQ +: Một hoặc nhiều ?: Không hoặc mộtVí dụ: ĐNCQ cho tập số không dấu được viết lại như sau digit  0 | 1 |...| 9 digits  digit +          optional_fraction  (. digits) ?          optional_exponent  ( E ( + | - ) ? digits) ?          num  digits  optional_fraction  optional_exponentSử dụng các tập kí tự [abc]=a | b | c, [a-z]=a | b |..z ta có thể đặc tả các định danh bởi BTCQ [A - Z a - z] [A - Z a - z 0 - 9]* 14Nhận dạng tokenLàm thế nào để nhận dạng được token? Ta sẽ xét 1 ví dụ mang tính chất minh hoạVí dụ: Cho ngữ pháp (grammar) stmt   if  expr  then   stmt          | if  expr  then   stmt   else   stmt                 |   expr  term   relop   term                   | term term  id    | num 15Trong đó các kí hiệu kết thúc (token) if, then, else, relop, id sinh ra tập các xâu kí tự theo các ĐNCQ sau: if  if       then   then       else  else       relop  | > | >=       id  letter (letter | digit) *       num  digit + ( . digit +) ? (E (+ | -) ? digit +) ?Các kí tự khoảng trắng (loại bỏ khi phân tích từ vựng) được định nghĩa bởi ĐNCQ sau: delim  blank | tab | newline        ws  delim+ 16Mục đích của lexical analyzer tạo ra output là các cặp Regular ExpressionTokenAttribute-valuews--ifif-thenthen-elseelse-ididpointer to table entrynumnumpointer to table entryrelopNE>relopGT>=relopGE17Sơ đồ chuyển tiếp (transition diagram): Là bước trung gian minh hoạ tiến trình chuyển đổi trạng thái khi bộ phân tích từ vựng đọc lần lượt từng kí tựTa phải xây dựng các sơ đồ chuyển tiếp để nhận biết từng loại tokenMột sơ đồ chuyển tiếp bao gồm các trạng thái (states) được vẽ bằng hình tròn, có 1 trạng thái bắt đầu (start state). Các trạng thái được nối với nhau bởi các mũi tên ta gọi là các cạnh (edges)Trạng thái được biểu diễn bởi vòng tròn kép là trạng thái được chấp nhận (accepting state) thông báo 1 token đã được nhận dạng18Ví dụ: Sơ đồ chuyển tiếp cho token các toán tử quan hệ relop087654321return (relop, LE)return (relop, NE)return (relop, LT)return (relop, EQ)return (relop, GE)return (relop, GT)**other=>=otherstart19Ví dụ: Sơ đồ chuyển tiếp cho token các identifier và keywordChú ý: - Các từ khoá là các từ được bảo vệ và được lưu trữ sẵn trong symbol-table - Thủ tục gettoken() tra cứu lexeme trong symbol-table nếu là 1 keyword thì token tương ứng được trả về còn ngược lại token id được trả về - Thủ tục install_id() tra cứu lexeme trong symbol-table nếu là 1 keyword thì trả lại giá trị 0, nếu là một biến đã có thì trả lại một con trỏ tới vị trí trong symbol-table. Nếu lexeme không có thì tạo một phần tử mới trong symbol-table và trả về con trỏ tới thành phần mới vừa được tạo91110return (gettoken(), install_id())letterstartletter or digitother*20Ví dụ: Sơ đồ chuyển tiếp cho token các unsigned numbers trong pascal*1214digitstart.18digit15digit13digit191716+ or -EotherdigitdigitEdigit2022digitstart.23digit21digit24otherdigit*25digitstart26digit27other*21Ví dụ: Sơ đồ chuyển tiếp cho token các ws28delimstart29delim30other*22Công cụ phân tích từ vựng LexMột số công cụ có sẵn cho phép xây dựng một bộ phân tích từ vựng dựa trên các biểu thức chính quiMột trong số những công cụ đó là Lex compiler (một công cụ có sẵn của Unix)Sơ đồ sau chỉ rõ cách tạo một bộ phân tích từ vựng bằng cách sử dụng Lex23Lex source program lex.lLexcompilerLex.yy.clex.yy.cCcompilera.outinput streama.outsequence of tokens24Ô- tô- mát hữu hạn (finite automata)Một bộ nhận dạng ngôn ngữ (recognizer for a language) là một chương trình nhận đầu vào là một xâu kí tự x, trả lời "Yes" nếu x thuộc ngôn ngữ và trả lời "No" nếu ngược lạiÔ- tô- mát hữu hạn là một sơ đồ chuyển tiếp được khái quát hoá, đóng vai trò là recognizer cho các biểu thức chính quiMột Ô- tô- mát hữu hạn có thể là deterministic finite automata (DFA) hoặc nondeterministic finite automata (NFA)25"Nondeterministic" nghĩa là khi một kí tự được đọc vào thì sơ đồ chuyển tiếp có thể chuyển đến nhiều hơn một trạng thái tiếp theoCả hai DFA và NFA đều có khả năng nhận dạng các biểu thức chính quiDFA có thể nhận dạng nhanh hơn nhưng cũng có kích thước lớn hơn NFA tương đương26NFAMột NFA là một mô hình toán học bao gồm: - Một tập hợp trạng thái S - Một trạng thái bắt đầu s0S - Một tập hợp các trạng thái chấp nhận (hoặc trạng thái kết thúc) FS - Một tập hợp kí tự vào của bảng chữ cái  - Một hàm chuyển đổi trạng thái move: S x ({})S (Một phép chuyển đổi (sk, )  sj nghĩa là chuyển từ sk sang sj mặc dù không có kí tự nào được đọc vào)NFA được biểu diễn trực tiếp bằng sơ đồ chuyển tiếp27Ví dụ: NFA nhận biết BTCQ (a|b)*abb được mô tả dưới đây trong đó tập S={0, 1, 2, 3}, ={a, b}, s0=0 và trạng thái kết thúc là 3 (vòng tròn kép)Hàm chuyển đổi trạng thái theo bảng dưới đây0astart21a3bbbTrạng tháiKí tự vàoab0{0, 1}{0}1-{2}2-{3}28Ví dụ: NFA nhận biết biểu thức chính qui aa* | bb*0astart21a4bb329DFADFA là một trường hợp đặc biệt của NFA, DFA có thêm các dặc diểm sau: - Không có chuyển đổi trạng thái ứng với kí tự rỗng  - Từ một trạng thái s khi có một kí tự x được đọc vào, DFA sẽ chuyển sang một trạng thái s' duy nhất30Ví dụ: DFA nhận biết BTCQ (a|b)*abb0bstart21a3abbbaa31