用java实现一个简易编译器1-词法解析入门

本文对应代码下载地址为：

http://download.csdn.net/detail/tyler_download/9435103

视频地址：

http://v.youku.com/v_show/id_XMTQ3NTQwMDkxMg==.html?from=s1.8-1-1.2

技术的发展可谓是日新月异，层出不穷，但无论是炙手可热的大数据，还是火烧鸟了的人工智能，所有这些高大上的尖端科技无不建立在基础技术的根基之上。编译原理，计算机网络，操作系统，便是所有软件技术的基石。在这三根支柱中，维编译原理最为难懂，特别是大学课本那种晦涩难通，不讲人话的言语，更是让人觉得这门基础技术就像九十多岁的老妪，皮肤干巴，老态龙钟，让人提不起一点欲望。除了国内教材，就算是被广为称赞的一千多页的”龙书“，也是满篇理论，让人望而生畏。

味道怎样，咬一口就知道，手感如何，摸一把就晓得。编译原理缺的不是理论概念，而是能够动手实践的流程，代码，很多原理用话语怎么讲都难以明了，但跑一遍代码，基本就水落石出。本文本着动手实操(念第一声)的原则，用java实现一个简单的编译器，让读者朋友能一感编译原理的实质，我秉持一个原则，没有代码可实践的计算机理论，都是耍流氓。

编译器作用就是将一种计算机无法理解的文本，转译成计算机能执行的语句，我们要做的编译器如下，将带有加法和乘法的算术式子，转译成机器能执行的汇编语句，例如语句：

1+2*3+4, 经过编译后转换成：

t0 = 1

t1 = 2

t2 = 3

t1 *= t2

t0 += t1

t1 = 4

t0 += t1

t0, t1 是对寄存器的模拟，上述语句基本上就类似计算机能执行的汇编语句了。

 

本章首先专注于词法解析的探讨。

 

编译原理由两部分组成，一是词法分析，一是语义分析。先说词法分析，词法分析就是将一个语句分割成若干个有意义的字符串的组合，然后给分割的字符串打标签。例如语句：

1+2*3+4; 可以分割成 1+, 2*, 3+, 4; 但这些子字符串没有实质意义，有意义的分割是1, +, 2, * , 3, +, 4, ;. 接着就是给这些分割后的字符串打标签，例如给1, 2, 3, 4 打上的标签是NUM_OR_ID,  + 打的标签是PLUS, ＊的标签是TIMES, ;的标签是SEMI, 好了，看看词法分析的代码，大家可能更容易理解：

Lexer.java:

 

import java.util.Scanner;


public class Lexer {
    public static final int  EOI = 0;
    public static final int  SEMI = 1;
    public static final int  PLUS = 2;
    public static final int  TIMES = 3;
    public static final int  LP = 4;
    public static final int  RP = 5;
    public static final int  NUM_OR_ID = 6;

    private int lookAhead = -1;

    public String yytext = "";
    public int yyleng = 0;
    public int yylineno = 0;

    private String input_buffer = "";
    private String current = "";

    private boolean isAlnum(char c) {
        if (Character.isAlphabetic(c) == true ||
                Character.isDigit(c) == true) {
            return true;
        }

        return false;
    }

    private int lex() {

        while (true) {

            while (current == "") {
                Scanner s = new Scanner(System.in);
                while (true) {
                    String line = s.nextLine();
                    if (line.equals("end")) {
                        break;
                    }
                    input_buffer += line;
                }
                s.close();

                if (input_buffer.length() == 0) {
                    current = "";
                    return EOI;
                }

                current = input_buffer;
                ++yylineno;
                current.trim();
            }//while (current != "")

                for (int i = 0; i < current.length(); i++) {

                    yyleng = 0;
                    yytext = current.substring(0, 1);
                    switch (current.charAt(i)) {
                    case ';': current = current.substring(1); return SEMI;
                    case '+': current = current.substring(1); return PLUS;
                    case '*': current = current.substring(1);return TIMES;
                    case '(': current = current.substring(1);return LP;
                    case ')': current = current.substring(1);return RP;

                    case '
':
                    case '	':
                    case ' ': current = current.substring(1); break;

                    default:
                        if (isAlnum(current.charAt(i)) == false) {
                            System.out.println("Ignoring illegal input: " + current.charAt(i));
                        }
                        else {

                            while (isAlnum(current.charAt(i))) {
                                i++;
                                yyleng++;
                            } // while (isAlnum(current.charAt(i)))

                            yytext = current.substring(0, yyleng);
                            current = current.substring(yyleng);
                            return NUM_OR_ID;
                        }

                        break;

                    } //switch (current.charAt(i))
                }//  for (int i = 0; i < current.length(); i++)

        }//while (true)
    }//lex()

    public boolean match(int token) {
        if (lookAhead == -1) {
            lookAhead = lex();
        }

        return token == lookAhead;
    }

    public void advance() {
        lookAhead = lex();
    }

    public void runLexer() {
        while (!match(EOI)) {
            System.out.println("Token: " + token() + " ,Symbol: " + yytext );
            advance();
        }
    }

    private String token() {
        String token = "";
        switch (lookAhead) {
        case EOI:
            token = "EOI";
            break;
        case PLUS:
            token = "PLUS";
            break;
        case TIMES:
            token = "TIMES";
            break;
        case NUM_OR_ID:
            token = "NUM_OR_ID";
            break;
        case SEMI:
            token = "SEMI";
            break;
        case LP:
            token = "LP";
            break;
        case RP:
            token = "RP";
            break;
        }

        return token;
    }
}

代码中2到6行是对标签的定义，其中LP 代表左括号(,  RP代表右括号)， EOI 表示语句末尾, 第10行的lookAhead 变量用于表明当前分割的字符串指向的标签值，yytext用于存储当前正在分析的字符串，yyleng是当前分析的字符串的长度，yylineno是当前分析的字符串所在的行号。input_buffer 用于存储要分析的语句例如: 1+2*3+4;  isAlNum 用于判断输入的字符是否是数字或字母。lex() 函数开始了词法分析的流程，31到40行从控制台读入语句，语句以"end"表明结束，例如在控制台输入：

1+2*3+4;

end

回车后，从52行开始执行词法解析流程。以上面的输入为例，input_buffer 存储语句 1+2*3+4, 由于第一个字符是 1, 在for 循环中，落入switch 的default 部分，isAlNum 返回为真，yyleng 自加后值为1， yytext 存储的字符串就是 "1", current前进一个字符变为+2*3+4, 再次执行lex(), 则解析的字符是+, 在for 循环中，落入switch的case '+' 分支，于是yytext为"+", 返回的标签就是PLUS依次类推， advance 调用一次， lex()就执行一次词法分析，当lex执行若干次后，语句1+2*3+4;会被分解成1, +, 2, *, 3, +, 4, ; 。字符串1, 2, 3, 4具有的标签是NUM_OR_ID, + 具有的标签是PLUS, ＊的标签是TIMES, ;的标签是SEMI.

 

runLexer() 将驱动词法解析器，执行解析流程，如果解析到的当前字符串，其标签不是EOI(end of input), 也就是没有达到输入末尾，那么就打印出当前分割的字符串和它所属的标签，接着调用advance() 进行下一次解析。

 

match, advance 会被稍后我们将看到的语法解析器调用。

 

接下来我们在main函数中，跑起Lexer, 看看词法解析过程：

Compiler.java

 

public class Compiler {

    public static void main(String[] args) {
        Lexer lexer = new Lexer();
        //Parser parser = new Parser(lexer);
        //parser.statements();
        lexer.runLexer();
    }
}

在eclipse 中运行给定代码，然后在控制台中输入如下：

 

1+2*3+4;

end

程序运行后输出：

 

 

Token: NUM_OR_ID ,Symbol: 1

Token: PLUS ,Symbol: +

Token: NUM_OR_ID ,Symbol: 2

Token: TIMES ,Symbol: *

Token: NUM_OR_ID ,Symbol: 3

Token: PLUS ,Symbol: +

Token: NUM_OR_ID ,Symbol: 4

Token: SEMI ,Symbol: ;

 

后记：

该篇叙述的只是一个简单的词法解析入门，希望通过可运行的代码，让大家能体会一下词法分析的流程，从感性上获得直接的认识，为后续理解完整专业的词法解析打下基础。

完整的代码我会上传到csdn, 大家可以获得代码后，自己运行尝试一下。我将在后续的文章中，继续与大家一起探讨一个完整编译器的开发。

 

另外，我希望将此教程制作成视频模式，大家通过观看视频，可以更直观的看到代码调试，解析，运行等流程，更容易学习和加深理解，如果哪位朋友有兴趣，留个邮箱，我把

制作好的视频发给你们，并虚心的向诸位朋友求教。