Bài giảng Công nghệ thông tin - Chương 2: Phân tích từ vựng

Nội dung text: Bài giảng Công nghệ thông tin - Chương 2: Phân tích từ vựng

1. CHƯƠNG II Phân tích từ vựng Mục tiêu: Nắm được vai trò của giai đoạn phân tích từ vựng, sử dụng các khái niệm biểu thức chính qui (regular expression) và ô- tô- mát hứu hạn (finite automata) trong việc biểu diễn và nhận biết ngôn ngữ 1
2. Vai trò của phân tích từ vựng • Đây là giai đoạn đầu tiên của quá trình biên dịch • Nhiệm vụ chính: Đọc từng kí tự vào (input characters) từ chương trình nguồn và nhóm lại thành các token phục vụ cho giai đoạn phân tích cú pháp sau đó Token Source Lexical Parser program analyzer Get next token Symbol table 2
3. • Phân tích từ vựng giúp cho các giai đoạn biên dịch tiếp theo dễ dàng hơn, ví dụ: Giai đoạn phân tích cú pháp không phải quan tâm đến các khoảng trắng cũng như các lời chú trích vì nó đã được loại bỏ khi khi phân tích từ vựng • Giảm đáng kể thời gian đọc chương trình nguồn và nhóm thành các token nhờ một số chương trình xử lí chuyên dụng 3
4. Một số khái niệm • Token: Một token là một tập hợp các xâu 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
5. • Bảng sau đưa ra các ví dụ về token, pattern và lexeme Token Lexeme Thông tin mô tả của pattern const const const if if if relation , >=, =, hoặc >= hoặc = hoặc <> id pi, count, d2 một kí tự, tiếp theo là các kí tự hoặc chữ số num 3.1416, 0, 6.02E2 bất kì hằng số nào literal "computer" các kí tự nằm giữa " và " ngoại trừ " 5
6. 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
7. • 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 } i Bao đóng Kleen (kleene closure) L: L* = i=0 L (Ghép của 0 hoặc nhiều L) + i Bao đóng dương (positive closure) của L: L = i=1 L (Ghép của 1 hoặc nhiều L) 7
8. 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. L4 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
9. 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
10. • 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
11. 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
12. 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 d1 r1 d2 r2 dn rn Trong đó di là các tên, ri là các BTCQ trên tập các kí hiệu {d1, d2, di-1} 12
13. 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
14. • 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
15. 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 term | term term id | num 15
16. • 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
17. • 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 NE > relop GT >= relop GE 17
18. • 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
19. Ví dụ: Sơ đồ chuyển tiếp cho token các toán tử quan hệ relop start 3 return (relop, NE) other * 4 return (relop, LT) = 5 return (relop, EQ) > 6 = 7 return (relop, GE) other * 8 return (relop, GT) 19
20. Ví dụ: Sơ đồ chuyển tiếp cho token các identifier và keyword letter or digit start letter other * 9 10 11 return (gettoken(), install_id()) • 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 20
21. Ví dụ: Sơ đồ chuyển tiếp cho token các unsigned numbers trong pascal digit digit digit * start digit . digit E + or - digit other 12 13 14 15 16 17 18 19 E digit digit digit start digit . digit other * 20 21 22 23 24 digit start digit other * 25 26 27 21
22. Ví dụ: Sơ đồ chuyển tiếp cho token các ws delim start delim other * 28 29 30 22
23. 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
24. Lex source Lex Lex.yy.c program lex.l compiler C lex.yy.c a.out compiler input sequence a.out stream of tokens 24
25. 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
26. • "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
27. NFA • Một NFA là một mô hình toán học bao gồm: - Một tập hợp trạng thái S - Một trạng thái bắt đầu s0 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 (sk, ) sj nghĩa là chuyển từ sk sang sj mặc dù không có kí tự nào được đọc vào) • NFA được biểu diễn trực tiếp bằng sơ đồ chuyển tiếp 27
28. 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 và trạng thái kết thúc là 3 (vòng tròn kép) 0 a start a b b 0 1 2 3 b • Hàm chuyển đổi trạng thái theo bảng dưới đây Trạng Kí tự vào thái a b 0 {0, 1} {0} 1 - {2} 2 - {3} 28
29. Ví dụ: NFA nhận biết biểu thức chính qui aa* | bb* a a 1 2  start 0 b  b 3 4 29
30. 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
31. Ví dụ: DFA nhận biết BTCQ (a|b)*abb a b a start 0 1 2 3 a b b a b 31