Análise Léxica: Introdução, Tokens, Expressões Regulares, Tabela de Símbolos Prof. Alexandre Monteiro Baseado em material cedido pelo Prof. Euclides Arcoverde Recife ‹#› Contatos Prof. Guilherme Alexandre Monteiro Reinaldo Apelido: Alexandre Cordel E-mail/gtalk: [email protected] [email protected] Site: http://www.alexandrecordel.com.br/fbv Celular: (81) 9801-1878 Agenda Características das Linguagens de Alto Nível Tipos de Especificação Especificando a Sintaxe – Tokens Especificando a Sintaxe – Gramática 3 Introdução Para criar uma linguagem de programação, é necessário • Escolher as características desejadas • Especificar a linguagem A seguir: • Características comuns nas linguagens de hoje • Como especificar linguagens 4 Características das Linguagens de Alto Nível Relembrando... Da linguagem de máquina às linguagens de alto nível... A tendência hoje é de criar linguagens de nível cada vez mais alto, ou seja, mais intuitivas Mas como fazer isso? Que elementos tornam as linguagens de alto nível? 6 Características Controle de fluxo mais rígido •Laços (como o while) •Comandos de decisão (como o if-else) •Sem comandos “goto” •Execução Sequencial Expressões em notações próximas da matemática •2 + (temp * 10) / 3 7 Características Tipos de dados e verificações de tipo • Tipos numéricos (int, Integer, double, float), strings, char, booblean, arrays, registros e tipos abstratos dão ao programador maneiras intuitivas de manipular dados binários da memória • Cada tipo oferece operações especializadas - Ex: adição (para inteiros) e acesso por índice (para arrays) • Com isso, a linguagem pode impedir operações inadequadas - Ex: uma variável inteira não pode receber valor float 8 Características Declarações • As declarações preparam um nome (de variável, função/método, classe, etc.) para ser usado • Geralmente já identificam o tipo, para facilitar o entendimento • Regras de escopo vão indicar em que partes do código o nome (que foi declarado) é válido (variáveis globais ou locais) 9 Características Desalocação automática de memória • Quanto menos o programador precisar se preocupar com a gestão de hardware, como a desalocação de memória, melhor. • Em C, as variáveis são desalocadas automaticamente, mas o usuário tem que desalocar manualmente endereços que ele alocar com a função malloc(). • Em Java, toda posição de memória é desalocada automaticamente pelo Garbage Collector, gc(). 10 Características Abstração (em geral) • Tirar do usuário controle de detalhes irrelevantes (ex: alocação de memória, tamanho do array), para facilitar • Separar “o que” deve ser feito de “como” é feito - Ex: interfaces em Java Uma boa regra é incorporar características de abstração sempre 11 Linguagem de Alto Nível Outros elementos podem ser criados, mas os que vimos formam o estado atual da área •Pode ser o ponto de partida para criar outras linguagens de alto nível Após escolher o que se deseja em uma linguagem é preciso especificá-la... 12 Tipos de Especificação O Que Especificar? Uma linguagem apresenta duas partes que precisam ser especificadas: •Sintaxe - Restrições de forma, ordem e escrita; •Semântica - Restrições contextuais, de sentido lógico. 14 Sintaxe Diz respeito aos formatos dos programas Restringe quais símbolos podem ser usados em cada situação Exemplos: • Um declaração é um tipo seguindo de um nome e valor. • Todo comando termina em “;” • Todo “(“ precisa ter um “)” correspondente - int nota = 0 if ( nota > 7 ) { print(“Aprovado!!!”); } else { print(“Reprovado!!!”); } 15 Semântica Diz respeito ao significado do programa Especifica qual deve ser o comportamento dele quando for compilado e executado Exemplo para um comando while: • Primeiro ele avalia a expressão de teste • Se for positiva, executa o comando do corpo do while e volta para a primeira etapa • Se for negativa, passa para o próximo comando 16 Restrições Contextuais Tratam o que não pode ser especificado na sintaxe facilmente, pois depende do contexto • Regras de escopo • Regras de tipo Também chamada “semântica estática” Vamos considerá-la parte da semântica 17 Como Especificar? Formalmente – Especificações formais • São mais precisas • Permitem um entendimento uniforme Informalmente – Textos em linguagem natural • Geralmente são muito ambíguas • Diferentes leitores podem entender diferentemente 18 Na Prática Sintaxe • Especificada formalmente • Formalismos vistos em Teoria da Computação Semântica • Especificações formais são muito pouco usadas • Informalmente especificada 19 Na Disciplina Seguiremos a prática comum: •Sintaxe especificada formalmente •Semântica especificada informalmente 20 Especificando a Sintaxe Geralmente, feita em duas partes •Tokens (ligada à 1ª etapa da compilação) •Gramática (ligada à 2ª etapa da compilação) 21 Especificando a Sintaxe Parte 1 Análise Léxica A primeira fase da compilação Recebe os caracteres do programa e os converte em um fluxo de tokens Tokens são unidades lógicas que representam um ou mais caracteres Cada palavra-chave é um token: Ex. begin, then, if, int Cada idetificador é um token: Ex. a, soma, num, var1 Cada constante é um token: Ex. 123, 3.14, 1.2E3 Cada sinal é um token: Ex. >, <, =, >=, +, -, /, ( 23 Análise Léxica A análise léxica é, usualmente, invocada pelo parser cada vez que um novo token é necessário É uma fase que processa caracter por caracter. (velocidade) Possui 2 fases: •Scanning: remove espaços e comentários •Análise Léxica: agrupa os caracteres em tokens 24 Análise Léxica Como funciona a primeira etapa de um compilador •Lê o fluxo de caracteres do código fonte •Agrupa-os em sequências significativas •Classifica essas sequências 25 Análise Léxica Exemplo de código fonte •pos = initial + rate * 60; Exemplo de saída • <ID, “pos”> <EQ> <ID,”initial”> <ADD> <ID,”rate”> <MUL> <NUM_INT,60> <PV> 26 Adiantando... Lexema: sequência de caracteres com significado interligado Token: classificação dada ao lexema • Geralmente retornado junto com o próprio lexema ou outro atributo, como um ponteiro Padrão: é uma descrição da forma que os lexemas de um token podem tomar. •Ex. sequência de caracteres que formam palavra-chave como um token. 27 Exemplos 28 Especificando Tokens Geralmente são especificados com expressões regulares Cada token é associado a uma expressão regular que representa seus lexemas válidos •Padrão que representa várias palavras (dizemos que as palavras “casam” com o padrão) 29 Especificando Tokens Expressões Regulares • Formalismo utilizado para definir o conjunto de aceitação de uma linguagem • Principais operadores utilizados pelas ERs Expressão Reconhece ε A cadeia de caractedes vazia “” “str” A string “str” A|B Todas as cadeias reconhecidas por A ou B A.B Cadeias formadas pela concatenação das cadeias reconhecidas por A e B A+ Reconhece cadeias formadas pela concatenação de um número finito de cadeias reconhecidas 30 por A Especificando Tokens Operadores derivados Expressão Equivale a (A) Agrupamento de operadores A* A+ | ε A? A|ε [A-Z] A | B | ... | Y | Z A{N} A . A . A ... } N vezes A{M,N} A . A . A ... } entre M e N vezes AB A.B abc String “abc” 31 Especificadores Especificam o conjunto de caracteres a casar em uma posição. Um metacaractere é um caractere ou sequência de caracteres com significado especial em expressões regulares. Os metacaracteres podem ser categorizados conforme seu uso. 32 Quantificadores Definem o número permitido repetições da expressão regular precedente. 33 Âncoras Estabelecem posições de referência para o casamento do restante da regex. Note que estes metacaracteres não casam com caracteres no texto, mas sim com posições antes, depois ou entre os caracteres. 34 Agrupamentos Definem ou grupos ou alternativas. 35 Especificando Tokens Exercícios •Defina expressões para expressar: - Número IP: Números naturais (e inteiros): Números de telefone (com DDD opcional): Horas: E-mails: URLs: Placa de Carro: CEP: 36 Especificando Tokens Exercícios •Defina expressões para expressar: - Número IP: \d{3}.\d{3} .\d{3} .\d{3} Números naturais (e inteiros): \d{n} ou [0-9]{n} Números de telefone (com DDD opcional): \([0-9]{2}\).[0-9]{4}. [0-9]{4} Horas: [012]\d:[0-5]\d E-mails: [a-zA-Z0-9\._-]@[A-Za-z]+\\.[A-Za-z]+ Placa de Carro: [A-Z]{3}-\d{4} CEP: \d{5}-\d{3} ou \d\d\d\d\d URLs: - Com http - (http|https)://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)? - Sem http - ([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)? 37 Especificando Tokens Exercícios •Testar as definições de ERs anteriores (em Java) •Pattern •Matcher 38 Especificando Tokens Definições regulares • Define nomes para expressões regulares • Uma definição pode usar definições anteriores Exemplo letra → [a-zA-Z] dígito → [0-9] letra_ → (letra|_) dois_dígt → [1-9][0-9]? data → dois_dígt/dois_dígt/dois_dígt 39 Especificando Tokens Tokens são, geralmente, especificados na forma de definições definições regulares 40 Exemplo Linguagem Expressao1 ABRE_PAR →( FECHA_PAR →) ATRIB →= ADD →+ MULT →* DEF → def ID → [_a-z][_a-z0-9]* NUM_INT → [0-9][0-9]* PT_VG → ; WHITESPACE → [ \t\n\r]+ 41 Especificando Tokens A maioria das linguagens definem tokens para os seguintes elementos: • Tokens para os operadores, em grupo ou separadamente • Um só token para todos os identificadores (nomes) • Tokens diferentes para cada palavra-chave • Tokens diferentes para constantes numéricas de tipos diferentes e para as strings literais (int, double, float e char, String) • Tokens para cada símbolo de pontuação (;) 42 Alguns Tokens Tokens para operadores podem ser definidos individualmente ou agrupados •Fica a critério do criador da linguagem Exemplo 1 ADD → + MUL → * DIV → / Exemplo 2 OP → (+|*|/) 43 Alguns Tokens Identificadores •Nomes que podem ser atribuídos a variáveis, funções, classes, etc. •Usa-se um único token para todos os casos 44 Alguns Tokens Palavras-chave •Parecem identificadores, mas têm significados especiais •Exemplos de Java: “class”, “int”, “float”, “return” •Melhor considerar como tokens diferentes 45 Tokens Especiais Palavras reservadas •São palavras-chaves que não podem ser usadas como identificadores - Neste caso, não é permitido usar palavras-chave para dar nome a entidades da linguagem (variáveis, etc.) •Considerar todas as palavras-chaves como palavras reservadas é muito comum - Facilita a construção do compilador 46 Tokens Especiais Exemplo de PL/I, onde palavras-chave não são palavras reservadas IF (THEN) THEN THEN = ELSE; ELSE ELSE = THEN; 47 Tokens Especiais Espaços em branco • Caracteres que devem ser ignorados - Na verdade, é um “não-token” • Exemplo de definição WHITESPACE → [ \t\n\r]+ • A primeira etapa do compilador simplesmente não retorna token para esse padrão 48 Especificando a Sintaxe Parte 2 Adiantando... Como funciona a segunda etapa de um compilador •Lê a sequência de tokens •Monta uma organização lógica deles na forma de árvore sintática 50 Árvore sintática Exemplo de árvore sintática DECLARACAO TIPO INT ID PTO_VIRG CHAR Como definir formalmente essa estrutura? 51 Especificando Sintaxe Pensar na organização dos tokens em frases • Uma declaração é um tipo seguido de um identificador seguido de ponto-e-vírgula • Um tipo pode ser os tokens INT ou CHAR “Regras de formação” declaração -> tipo tipo -> INT tipo -> CHAR ID ; 52 Especificando Sintaxe Notação quando há mais de uma produção para o mesmo conceito: expressao -> CTE_INT expressao -> ID expressao -> expressao + expressao Ou simplificando... expressao -> CTE_INT | ID | expressao + expressao 53 Especificando Sintaxe São usadas gramáticas livres de contexto, que possuem quatro elementos: •Símbolos terminais •Símbolos não-terminais •Símbolo inicial •Produções 54 Especificando Sintaxe Elementos das gramáticas livres de contexto: • Símbolos terminais: - Símbolos assumidos como atômicos, indivisíveis - Assumiremos os tokens como terminais • Símbolos não-terminais: - Auxiliares usados para organizar os tokens em “frases” 55 Especificando Sintaxe Elementos das gramáticas livres de contexto: • Símbolo inicial: - Não-terminal que será a raiz (topo) da árvore - Geralmente é um não-terminal chamado programa • Produções: - São as regras de formação - Definem as “frases” de símbolos válidas 56 Especificando Sintaxe Diferentes notações para as produções •BNF (Backus-Naur Form) •EBNF (Extended BNF) 57 BNF (Backus-Naur Form) Não-terminais entre “<“ e “>” Terminais entre aspas ou sem delimitadores Usa “::=“ ao invés de “→” <bloco> ::= BEGIN <comando-l> END <comando-l> ::= <comando> | <comando> <comando-l> <comando> ::= ... 58 EBNF (Extended BNF) Existem diversas variações... • Numa boa especificação, devem vir anotações sobre quais as extensões assumidas A característica mais comum é que nãoterminais aparecem sem delimitador bloco = BEGIN comando* END comando = ... 59 EBNF (Extended BNF) Outras características típicas • Chaves ou “*” significam repetições • Colchetes ou “?” significam opcional (zero ou um) • Oferecer expressões regulares, permitindo que os tokens sejam especificados como não-terminais Identificador = [a-zA-Z]+ Igual = “=“ Comando = Identificador Igual Expresssao 60 Exemplo Linguagem Expressao1 •Uma linguagem simples para criar expressões •Apenas dois comandos: - Definir um nome para alguma expressão (constante) - Avaliar uma expressão 61 Exemplo Linguagem Expressao1 <programa> ::= <comando>* <comando> ::= <definicao> ; | <expr> ; <definicao> ::= def ID = <expr> <expr> ::= <expr> + <expr> | <expr> * <expr> | ( <expr> ) | NUM | ID 62 Exemplo Linguagem Expressao1 (com os tokens explícitos) <programa> ::= <comando>* <comando> ::= <definicao> PT_VG | <expr> PT_VG <definicao> ::= DEF ID EQ <expr> <expr> ::= | | | | <expr> ADD <expr> <expr> MUL <expr> ABRE_PAR <expr> FECHA_PAR NUM ID 63 Especificando Sintaxe As gramáticas livres de contexto podem representar tudo que expressões regulares representam (e algo mais) Por isso, às vezes, a definição completa da sintaxe da linguagem (incluindo tokens) é feita usando apenas uma gramática em EBNF. 64 Bibliografia AHO, A., LAM, M. S., SETHI, R., ULLMAN, J. D., Compiladores: princípios, técnicas e ferramentas. Ed. Addison Wesley. 2a Edição, 2008 (Capítulo 2) 65 Análise Léxica: Introdução, Tokens, Expressões Regulares, Tabela de Símbolos Prof. Alexandre Monteiro Baseado em material cedido pelo Prof. Euclides Arcoverde Recife ‹#›