雖然文章的標題是詞法分析，但首先還是要從編譯原理說開來。編譯原理應該很多人都聽說過，雖然不一定會有多么了解。

簡單的說，編譯原理就是研究如何進行編譯——也就如何從代碼（*.cs 文件）轉(zhuǎn)換為計算機可以執(zhí)行的程序（*.exe 文件）。當然也有些語言如 JavaScript 是解釋執(zhí)行的，它的代碼是直接被執(zhí)行的，不需要生成可執(zhí)行程序。

編譯過程是很復雜的，它涉及到很多步驟，直接拿《編譯原理》（Compilers: Principles, Techniques and Tools，紅龍書）上的圖來看：

圖 1 編譯器的各個步驟，其實是我根據(jù)書上的圖綜合了一下后畫的

這里給出了 7 個步驟（后面的優(yōu)化步驟是可選的），其中前 4 個步驟是分析部分（也被稱為前端 front end），是把源程序分解為多個組成要素，并在這些要素上加上語法結(jié)構(gòu)，最后把信息存放在符號表（symbol table）中。后三個步驟是綜合部分（也成為后端 back end），它們根據(jù)中間表示和符號表中的信息構(gòu)造期待的目標程序。

將編譯器分為這么多步驟，其好處就是使得每個步驟更加簡單，從而使編譯器更加容易設(shè)計，也可以利用很多現(xiàn)有的工具——例如詞法分析器可以用 Lex 或 Flex 生成，語法分析器可以用 Yacc 或 Bison 生成，幾乎不用做太多編碼工作就能得到一顆語法樹，前端的工作也就完成的差不多了。而至于后端，也有很多現(xiàn)有的技術(shù)可以使用，例如現(xiàn)成的虛擬機（CLR 或 Java，只要翻譯成相應的 IL 就可以了）。

這個系列的文章，說的就是編譯原理的第一步：語法分析。大部分算法和理論都來自《編譯原理》，其余的部分則是自己搞出來的，或者是參考了 Flex 的實現(xiàn)（這里的 Flex 是指 fast lexical analyzer generator，一種著名的提供詞法分析的程序，而不是 Adobe 的 Flex）。

我會盡量完整的介紹詞法分析器的編寫過程，包括一些細節(jié)的實現(xiàn)。當然，目前只能根據(jù)正則表達式定義得到一個可以用來進行詞法分析的對象，要想達到 Flex 那樣直接根據(jù)詞法定義文件生成詞法分析器源代碼，還有很多工作要做，不是短期內(nèi)能夠搞定的。

本篇文章作為系列的第一篇，將會對詞法分析做綜合的概述，介紹一下其中用到的技術(shù)和大致的流程。

詞法分析（lexical analysis）或掃描（scanning）是編譯器的第一個步驟。詞法分析器讀入組成源程序的字符流，并且將它們組織成有意義的詞素（lexeme）的序列，并對每個詞素產(chǎn)生詞法單元（token）作為輸出。

簡單的來說，詞法分析就是將源程序（可以認為是一個很長的字符串）讀進來，并且“切”成小段（每一段就是一個詞法單元 token），每個單元都是有具體的意義的，例如表示某個特定的關(guān)鍵詞，或者代表一個數(shù)字。而這個詞法單元在源程序中對應的文本，就叫做“詞素”。

以計算器來舉例，12+34*9 這一段“源程序”的詞法分析過程如下所示：

圖 2 算式的詞法分析過程

一段對計算機來說豪無意義的字符串，經(jīng)過語法分析后就得到了略微有意義的 Token 流。digit 就表示這個詞法單元對應的是數(shù)字，operator 則表示操作符，后面相應的數(shù)字和符號（粉色背景）就是詞素。同時，程序中一些不必要的空白、注釋也可以由詞法分析器來過濾掉，這樣，之后的語法分析等步驟處理起來就會容易得多。

在實際的程序中，詞法單元都會以枚舉或數(shù)字來表示這是哪一類詞法單元。我的 Token.cs 定義如下所示：

里面的 Index 和 Text 屬性不必多做解釋，Start 和 End 是用來在源文件中定位的（索引，行數(shù)和列數(shù)），Value 則僅僅是為了方便傳遞一些值而設(shè)。

二、如何描述詞素

現(xiàn)在知道了詞法分析可以將詞素分割開來，那么詞素是怎么描述的？或者說，為什么 12、+ 和 34 都是詞素，而 1、 2+3 和 4 就不是詞素呢？這就需要用到模式了。

模式（pattern）描述了一個詞法單元的詞素可能具有的形式。

也就是說，我定義了 digit 模式為“由一個或多個數(shù)字組成的序列”，和 operator 模式為“單個 + 或 * 字符”，詞法分析器就知道 12 是一個詞素，而 2+3 則不是詞素了。

現(xiàn)在，模式一般都是用正則表達式（regular expression）表示的，這里所謂的正則表達式，與平常所說的正則表達式（例如 System.Text.RegularExpressions.Regex 類）形式完全相同，功能卻更有限，它只包含了字符串的匹配能力，而沒有分組、引用和替換的能力。簡單的舉個例子，a+ 這個正則表達式就表示“由一個或多個字符 a 組成的序列”。關(guān)于正則表達式更多詳細信息，我會在后面的文章中列出來，當然，有限的參考一下 System.Text.RegularExpressions.Regex 也是可以的。

在本系列之后的文章中所提的正則表達式，都指的是這種只具有字符串匹配能力的正則表達式，大家一定要注意不要與 System.Text.RegularExpressions.Regex 相混淆。

三、如何構(gòu)造詞法分析器

說完了詞素的描述，就到如何根據(jù)詞素的描述來構(gòu)造詞法分析器了。大致的流程如下：

圖 3 構(gòu)造詞法分析器

從上圖來看，定義了模式的正則表達式，經(jīng)過 NFA 轉(zhuǎn)換、DFA 轉(zhuǎn)換和 DFA 化簡，得到了一張轉(zhuǎn)換表。這張轉(zhuǎn)換表再加上一個固定的 DFA 模擬器，就組成了詞法分析器。它不斷的從輸入緩沖區(qū)中讀取字符，利用自動機來識別詞素并輸出。可以說，詞法分析的精華就是如何得到這張轉(zhuǎn)換表。

說了這么多，詞法分析算是簡單的介紹完了，從下一篇開始，就是如何一步一步實現(xiàn)完整的詞法分析器。

最新評論