《两周自制脚本语言》第三天：词法分析器

第三天要实现的功能是词法分析器，但并不是完全自己从头写，而是利用java正则表达式（regular expression）及java中的几个类库实现。由于时间原因，只是说明了一般方法，而并未进行代码实现。

1、简介
词法分析是对将源代码分为多个子字符串。在平时的开发工程中，代码的书写都是有着各种各样的缩进以及空格的，但是类似换行是可用专门的（不可见）换行符表示的，这样所有的代码就成了一长串的字符串，将这些字符串按照事先定义的类型进行分组，就得到了多个子字符串。我们使用一个名为Token的对象记录该单词对应的字符串，并且保存单词的类型，以及单词所处位置行号等信息。Stone语言将定义三种单词类型，分别是：标识符（包括变量名、函数名、类名以及+,-等运算符、标点符号），整型字面量，字符串字面量（这里简单定义为双引号中包含的字符序列），将它们都定义为子类，并都具备isIdentifier,isNumber,isString方法，用以判断单词类型。

2.定义正则表达式匹配模式

（1）定义字符串字面量匹配模式：[0-9+]
（2）定义标识符匹配模式：[A-Z_a-z][A-Z_a-z0-9]*|==|<=|>=|&&|\|\|\p{Punct}
对以上正则表达式进行简要说明：
|\|\| #匹配|| \p{Punct} #与任一符号字符匹配

（3）定义字符串字面量：

"(\\|\\\\|\\n|[^"])*"

对以上正则表达式进行简要说明：

"(\\"|	#第一个竖线左边表示匹配一个"\"
\\\\|	#第二个竖线左边表示匹配"\\"
\\n|	#第三个竖线左边表示匹配"\n"
[^"]	#表示匹配除'	"  '外的字符

我们将借助java.util.regex设计词法分析器，定义类似以下正则匹配模式：

\S*((//.*)|(pat1)|(pat2)|(pat3)?

对以上正则表达式进行简要说明：

\S*	#与0个及0个以上空字符匹配
(//.*)	#匹配注释（Stone中的注释定义为"//"）
(pat1)	#匹配整型字面量
(pat2)	#匹配字符串字面量
(pat3)	#匹配标识符

匹配时，将逐行读取源代码，并从头开始检查与以上模式进行匹配，重复简单哪一个括号对应的不是null，即匹配除了单词的模式，也确定出了其类型。

3.java中的语法分析器
Lexer类是一个词法分析器，Lexer对象的构造函数用以接收一个java.io.Reader对象，可用以逐行读取源码。将正则表达式保存在regxPat字段。

Lexer的两个方法，read()将返回一个新单词；peek()进行预读，事先能够知道在调用read()时能够获得什么单词。peek(i)将返回read()即将返回的单词之后的第i个单词。当所有单词读取完毕时，read()和peek()将返回Token.EOF.

语法分析之后开始构造抽象语法树，这里存在一个问题，即如果抽象语法树的构造出错，该如何处理？第一种方式是可以取消前几次read()调用，还原结果，退后重构（即回溯）；也可以采用第二种方式，因为peek()被定义为事先获取单词，因此可以利用peek()方法先进行判断，确定无误之后再进行构造。既然peek()有read()所不具备的好处，是否read()的存在多余呢？答案是否定的。peek()由于事先获知单词，因此必须保存所有返回的单词，这样无意中增加了内存消耗。而read()的返回值不必保留。

4.语法分析器的内部执行流程
（1）首先使用peek()或和ead()方法读取代码，获取单词，read()方法会进行取值并将值返回存在queue对象中。
（2）然后调用事先编译的Pattern对象的matcher()方法，用于获取Matcher对象用于实际的检查匹配。
(3)一方面通过region()限定检查范围，一方面调用lookingAt()进行匹配，调用group()方法获取与各括号对应的子字符串，用end()获取匹配结束位置，反复这一操作，直到所有单词均被匹配。