词法分析器和lex工具基本学习

词法分析

lexical analysis，是计算机科学中将字符序列转换为单词（Token）序列的过程。
进行词法分析的程序或者函数叫作词法分析器（Lexical analyzer，简称Lexer），也叫扫描器（Scanner）。
词法分析器供语法分析器调用。

词法分析阶段是编译过程的第一个阶段，是编译的基础。
这个阶段的任务是从左到右一个字符一个字符地读入源程序，即对构成源程序的字符流进行扫描然后根据构词规则识别单词(也称单词符号或符号)。
词法分析程序可以使用Lex等工具自动生成。

编译程序把一个源程序翻译成目标程序的工作过程分为五个阶段：词法分析；语法分析；语义检查和中间代码生成；代码优化；目标代码生成。

从输入字符流中生成单词的过程叫作单词化（Tokenization），在这个过程中，词法分析器还会对单词进行分类。

词法分析器通常不会关心单词之间的关系（属于语法分析的范畴），例如，词法分析器能够将括号识别为单词，但并不保证括号是否匹配。

单词经常使用正则表达式进行定义，像lex一类的词法分析器生成器就支持使用正则表达式。

词法分析的第一阶段即扫描器，通常基于有限状态自动机。

开发一个词法分析器是在词法定义的基础上的，词法定义需要使用正则表达式
正则表达式可以转换为NFA（Non-determinate finite automata 不确定的有穷自动机）
NFA可以转换为DFA（determinate finite automata确定的有穷自动机）
DFA可以极小化，进而使用为开发词法分析器的工具

DFA的正式定义
一个DFA定义了一个字符串集合
每个字符串是一个字符的序列，字符属于∑
起始状态给出生成字符串的起始点
终端状态给出了终点
转换函数制定了生成字符串的规则

Lex 基本

Lex编译器将输入的模式转换成一个状态转换图，并生成相应的实现代码，并存放到文件lex.yy.c中。

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。