Bài giảng Chương trình dịch - Chương II: Phân tích từ vựng

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 đó 
Lexeme: Là một chuỗi các kí tự thoả mãn pattern của một token 
4 
Bảng sau đưa ra các ví dụ về token, pattern và lexeme 
Token 
Lexeme 
Thông tin mô tả của pattern 
const 
if 
relation 
id 
num 
literal 
const 
if 
, >=, =, 
pi, count, d2 
3.1416, 0, 6.02E2 
"computer" 
const 
if 
 hoặc >= hoặc = hoặc 
một kí tự, tiếp theo là các kí tự hoặc chữ số 
bất kì hằng số nào 
các kí tự nằm giữa " và " ngoại trừ " 
5 
Đặc tả Token 
Xâu 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 cái 
6 
Các 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  L i 
	(Ghép của 0 hoặc nhiều L)  
	Bao đóng dương (positive closure) của L:     L + =  i=1  L i 	 (Ghép của 1 hoặc nhiều L) 
7 
Ví dụ: L = {A, B, ..., Z, a, b, ..., z }  và  
	 D = { 0, 1, , ..., 9 } 
1.   L  D là tập hợp các chữ cái và chữ số 
2.  LD là tập hợp các xâu bao gồm một chữ cái và một chữ số 
3.  L 4 là tập hợp tất cả các xâu 4 chữ cái 
4.  L * là tâp hợp tất cả các xâu của các chữ cái bao gồm cả chuỗi rỗng 
5.  L(L  D)* là tập hợp tất cả các xâu mở đầu bằng một chữ cái theo sau là chữ cái hay chữ số 
6.  D + là tập hợp tất cả các xâu gồm một hoặc nhiều chữ số 
8 
Biểu 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 luật 
9 
Sau 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,... } 
11 
Định nghĩa chính qui (regular definition) 
Để thuận tiện về mặt kí hiệu, ta dùng định nghĩa chính qui (ĐNCQ) để đặt tên cho các BTCQ 
Một ĐNCQ là một dãy các định nghĩa có dạng 
	d 1  r 1 
	d 2  r 2 
	......... 
	d n  r n 
	Trong đó d i là các tên, r i là các BTCQ trên tập các kí hiệu {d 1 , d 2 , ....d i-1 } 
12 
Ví 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_exponent 
13 
Các kí hiệu tắt được sử dụng trong các BTCQ 
	 +: Một hoặc nhiều 
	?: Không hoặc một 
Ví 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_exponent 
Sử 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]* 
14 
Nhận dạng token 
Làm thế nào để nhận dạng được token? Ta sẽ xét 1 ví dụ mang tính chất minh hoạ 
Ví dụ: Cho ngữ pháp (grammar) 
	 stmt    if   expr   then    stmt 
    	      | if   expr   then    stmt    else    stmt 
                 |  
	  expr  term    relop    ter m  
                 | term 
	 term  id 
   	 | num   
15 
Trong 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 + 
16 
Mục đích của lexical analyzer tạo ra output là các cặp 
Regular Expression 
Token 
Attribute-value 
ws 
- 
- 
if 
if 
- 
then 
then 
- 
else 
else 
- 
id 
id 
pointer to table entry 
num 
num 
pointer to table entry 
< 
relop 
LT 
<= 
relop 
LE 
= 
relop 
EQ 
relop 
NE 
> 
relop 
GT 
>= 
relop 
GE 
17 
Sơ 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 tự 
Ta phải xây dựng các sơ đồ chuyển tiếp để nhận biết từng loại token 
Một 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 dạng 
18 
Ví dụ: Sơ đồ chuyển tiếp cho token các toán tử quan hệ relop 
0 
8 
7 
6 
5 
4 
3 
2 
1 
return (relop, LE ) 
return (relop, NE ) 
return (relop, LT ) 
return (relop, EQ ) 
return (relop, GE ) 
return (relop, GT ) 
* 
* 
< 
= 
> 
other 
= 
> 
= 
other 
start 
19 
Ví dụ: Sơ đồ chuyển tiếp cho token các identifier và keyword 
Chú 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 tạo 
9 
11 
10 
return ( gettoken(), install_id() ) 
letter 
start 
letter or digit 
other 
* 
20 
Ví dụ: Sơ đồ chuyển tiếp cho token các unsigned numbers trong pascal 
* 
12 
14 
digit 
start 
. 
18 
digit 
15 
digit 
13 
digit 
19 
17 
16 
+ or - 
E 
other 
digit 
digit 
E 
digit 
20 
22 
digit 
start 
. 
23 
digit 
21 
digit 
24 
other 
digit 
* 
25 
digit 
start 
26 
digit 
27 
other 
* 
21 
Ví dụ: Sơ đồ chuyển tiếp cho token các ws 
28 
delim 
start 
29 
delim 
30 
other 
* 
22 
Công cụ phân tích từ vựng Lex 
Một số công cụ có sẵn cho phép xây dựng một bộ phân tích từ vựng dựa trên các biểu thức chính qui 
Một 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 Lex 
23 
Lex source program lex.l 
Lex 
compiler 
Lex.yy.c 
lex.yy.c 
C 
compiler 
a.out 
input stream 
a.out 
sequence of tokens 
24 
Ô- 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 lại 
Ô- tô- mát hữu hạn là một sơ đồ chuyển tiếp được khái quát hoá, đóng vai trò là recognizer cho các biểu thức chính qui 
Một 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 theo 
Cả hai DFA và NFA đều có khả năng nhận dạng các biểu thức chính qui 
DFA có thể nhận dạng nhanh hơn nhưng cũng có kích thước lớn hơn NFA tương đương 
26 
NFA 
Một NFA là một mô hình toán học bao gồm: 
	 - Một tập hợp trạng thái S 
	- Một trạng thái bắt đầu s 0 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 (s k , )  s j nghĩa là chuyển từ s k sang s j mặc dù không có kí tự nào được đọc vào) 
NFA được biểu diễn trực tiếp bằng sơ đồ chuyển tiếp 
27 
Ví dụ: NFA nhận biết BTCQ (a|b) * abb được mô tả dưới đây trong đó tập S={0, 1, 2, 3}, ={a, b}, s 0 =0 và trạng thái kết thúc là 3 (vòng tròn kép) 
Hàm chuyển đổi trạng thái theo bảng dưới đây 
0 
a 
start 
2 
1 
a 
3 
b 
b 
b 
Trạng thái 
Kí tự vào 
a 
b 
0 
{0, 1} 
{0} 
1 
- 
{2} 
2 
- 
{3} 
28 
Ví dụ: NFA nhận biết biểu thức chính qui aa * | bb * 
0 
a 
start 
2 
1 
a 
4 
 
b 
b 
3 
 
29 
DFA 
DFA 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 nhất 
30 
Ví dụ: DFA nhận biết BTCQ (a|b) * abb 
0 
b 
start 
2 
1 
a 
3 
a 
b 
b 
b 
a 
a 
31