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:

1. import java.util.Scanner;
2. public class Lexer {
3. public static final int  EOI = 0;
4. public static final int  SEMI = 1;
5. public static final int  PLUS = 2;
6. public static final int  TIMES = 3;
7. public static final int  LP = 4;
8. public static final int  RP = 5;
9. public static final int  NUM_OR_ID = 6;
10. private int lookAhead = -1;
11. public String yytext = "";
12. public int yyleng = 0;
13. public int yylineno = 0;
14. private String input_buffer = "";
15. private String current = "";
16. private boolean isAlnum(char c) {
17. if (Character.isAlphabetic(c) == true ||
18. Character.isDigit(c) == true) {
19. return true;
20. }
21. return false;
22. }
23. private int lex() {
24. while (true) {
25. while (current == "") {
26. Scanner s = new Scanner(System.in);
27. while (true) {
28. String line = s.nextLine();
29. if (line.equals("end")) {
30. break;
31. }
32. input_buffer += line;
33. }
34. s.close();
35. if (input_buffer.length() == 0) {
36. current = "";
37. return EOI;
38. }
39. current = input_buffer;
40. ++yylineno;
41. current.trim();
42. }//while (current != "")
43. for (int i = 0; i < current.length(); i++) {
44. yyleng = 0;
45. yytext = current.substring(0, 1);
46. switch (current.charAt(i)) {
47. case ';': current = current.substring(1); return SEMI;
48. case '+': current = current.substring(1); return PLUS;
49. case '*': current = current.substring(1);return TIMES;
50. case '(': current = current.substring(1);return LP;
51. case ')': current = current.substring(1);return RP;
52. case '\n':
53. case '\t':
54. case ' ': current = current.substring(1); break;
55. default:
56. if (isAlnum(current.charAt(i)) == false) {
57. System.out.println("Ignoring illegal input: " + current.charAt(i));
58. }
59. else {
60. while (isAlnum(current.charAt(i))) {
61. i++;
62. yyleng++;
63. } // while (isAlnum(current.charAt(i)))
64. yytext = current.substring(0, yyleng);
65. current = current.substring(yyleng);
66. return NUM_OR_ID;
67. }
68. break;
69. } //switch (current.charAt(i))
70. }//  for (int i = 0; i < current.length(); i++)
71. }//while (true)
72. }//lex()
73. public boolean match(int token) {
74. if (lookAhead == -1) {
75. lookAhead = lex();
76. }
77. return token == lookAhead;
78. }
79. public void advance() {
80. lookAhead = lex();
81. }
82. public void runLexer() {
83. while (!match(EOI)) {
84. System.out.println("Token: " + token() + " ,Symbol: " + yytext );
85. advance();
86. }
87. }
88. private String token() {
89. String token = "";
90. switch (lookAhead) {
91. case EOI:
92. token = "EOI";
93. break;
94. case PLUS:
95. token = "PLUS";
96. break;
97. case TIMES:
98. token = "TIMES";
99. break;
100. case NUM_OR_ID:
101. token = "NUM_OR_ID";
102. break;
103. case SEMI:
104. token = "SEMI";
105. break;
106. case LP:
107. token = "LP";
108. break;
109. case RP:
110. token = "RP";
111. break;
112. }
113. return token;
114. }
115. }

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

1. public class Compiler {
2. public static void main(String[] args) {
3. Lexer lexer = new Lexer();
4. //Parser parser = new Parser(lexer);
5. //parser.statements();
6. lexer.runLexer();
7. }
8. }

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。