HTML4基本编译原理,Stanford公开课《编译原理》学习笔记(1~4课)

课程里涉及到的内容讲的还是很清楚的，但个别地方有点脱节，任何看不懂卡住的地方，请自行查阅经典著作《Compilers——priciples, Techniques and Tools》(也就是大名鼎鼎的龙书)的对应章节。

一. 编译的基本流程

完整的编译的5个基本步骤包括lexcical anlysis,parse,sematic,optimize,code generate。课程中并没有使用复杂的编程语言，而是一种用于课堂教学的自发明语言COOL，很明显老师为它写好了编译器程序。

二. Lexical Analysis(词法分析阶段)

任务：将字符串分解成为[Type, (Value)]元组的形式的词法单元。

“龙书”里的示例更为直观，例如表达式语句 E = M * C ** 2进行词法分析后会得到如下的类似结果：

[id,指向符号表中E的条目的指针]

[assign_op]

[id,指向符号表中M的条目的指针]

[mult_op]

[id,指向符号表中C的条目的指针]

[exp_op]

[number,整数值2]

词法分析基本需要经历如下几个阶段：

Lexical Specification——>Regular expressions——>NFA——>DFA——>Table-driven Implementation of DFA

2.1 Lexical Specification(分词原则)

COOL中的基本Type包括如下几个类别：

Indentifier标识符-指以字母开头后续为若干个字母或数字的字符组

Integer-指一组非空的数字字符

Keyword- 指语言中的关键词，例如if，else等

Whitespace- 指一组非空的空格字符或换行符或制表符

很多程序设计语言中的分词原则基本都会覆盖关键字，运算符，标识符，常量，标点符号，他们也会在后面的实现中被作为终止符集合，课程板书中也提供了COOL分词原则的类正则形式。

分词时类型的正则匹配默认为贪婪模式，即匹配更多的字符。词法单元也具备一定的优先级次序(通常也是代码逻辑的实现顺序)，例如if从正则上来判断既符合Keywords也符合Identifier，此时该单元的类型就应该标记为Keywords。这个阶段就完成了从Lecical Specification——>Regular expressions的部分。

2.2 Finite Automata (典型分词算法-有穷自动机)

FA是一个可以自动识别词法单元的机器，它是一个状态转换图，“有限”是指它包含的状态是有限的，一个状态读入一个字符后，后继的状态可能为：

后继状态为自身

后继状态只有一个

后继状态有多个

如果每次转换后的后继状态都是唯一的，则称为DFA(确定有限自动机)，如果后继状态可能有多个则称为NFA(不确定有限状态机)。由于DFA的状态转移路径是唯一的，所以作为状态查询图时，无论成功或者失败只需要运行一次，但NFA就可能需要运行多次。

正则表达式是可以转换为NFA形式的，或许你已经在一些可视化正则表达式的网站上[https://regexper.com ]见过类似的形式。下图比较清晰地展示了从正则表达式到NFA状态图的转换规则(Regular expressions——>NFA)：

如果一个DFA和一个NFA能够识别的字符集是一致的，则称它们为等价的，对于任意NFA，一定存在一个DFA与其等价，由NFA构建DFA的过程被称为DFA的确定化，也就是NFA——>DFA的过程。这个过程是围绕ε -closure状态集合的概念展开的，大致的过程就是从起点开始，每次将当前状态和通过若干次ε转换(它是一个特殊的状态转移函数，表示转换后的状态还是当前状态)作为一个新的ε -closure状态集合，使用矩阵记录每个ε -closure集合转换前后的集合，最后对整个状态转移矩阵进行标记重命名，就可以得到一个DFA，事实上转化后的DFA中的每一个状态，就是NFA中的一个ε -closure集合，你可以将它理解成一个通过分组来简化表达方式的过程，相关的过程可以参考下面这个文章西北农林科技大学编译原理课程PPT【词法分析】，里面图比较多，能够辅助理解，本文不再赘述。

三. 手动实现分词器

至此1-4课就结束了，估计看视频课程的人也是一脸懵逼，因为课程并没有讲解如何利用DFA得到最终期望的形式——Token元组，那么最后我们就自己手动来实现一下。

3.1 基本定义

假设我们需要对下面这段代码进行分词解析：

let snippet = `

var b3 = 2;

a = 1 + ( b3 + 4);

return a;

那么先来进行一些基本类型集合定义：

//解析结束标记

const EOF = undefined;

//Token Type 可识别的Token类型，

const TT = {

num: 'num',

id: 'id',

keywords: 'keywords', //var | return

lparen: 'lparen',// (

rparen: 'rparen',// )

semicolon: 'semicolon', //;

whitespace: 'whitespace', // \n | \t | \s (空格，制表符，换行符)

plus: 'plus', // +

assign: 'assign',// =

}

// 状态集类型，除开始和结束外，其他可以与Token支持的类型相对应，每次分词从start状态开始，接收一个字符后改变状态，直到在done状态结束时，可以得到一个token

const S = {

start: 'start',

done: 'done',

...TT

}

进行工具函数定义：

//判断是否为关键词(为简化流程，仅检测上面示例中包含的关键词)

const isKeywords = (token) => ['function', 'return', 'if', 'var'].includes(token);

//判断是否为数字

const isDigit = c => /\d/.test(c);

//判断是否为合法的标识符字符

const isValidId = c => /[A-Za-z0-9]/.test(c);

//判断是否为空格

const isBlank = c => /(\s|\t|\n)/.test(c);

3.2 构建DFA

以上面定义的状态集合和token类别为依据构建DFA:

3.3 开始分词

分词的逻辑实际上就是，每次先将状态置为start,然后读入一个字符，根据该字符判断下一个状态，只要没有到达完成状态done就继续读入字符，每次到达done状态时，就可以得到一个token，将其记录下来，然后重新将状态置为start，开始寻找下一个token直到分析完整个代码段。也就是说DFA状态机每运行一轮，就得到一个token。参考代码如下：

/**

* 词法分析

function tokenize(code) {

let state = S.start;

let currentToken;//标记当前寻找到的token

let index = 0;//起始指针,每次分析指向start状态

let lookup = 0;//前探指针,每次分析最终指向done状态，start->done之间的字符即为token

while (code[lookup] !== EOF) { //如果还有字符

while (state !== S.done) { //开始拆分token

//获取下一个字符

let c = code[lookup++];

//根据当前状态和下一个字符判断DFA如何跳转