Lex和yacc工具介绍
不要皱眉 2012-07-06
在编译过程中，词法分析和语法分析是两个重要阶段。lex和yacc是Unix环境下非常著名的两个工具，可以生成分别完成词法分析和语法分析功能的C代码。在学习编译原理过程中，可以善加利用这两个工具，加深对两个阶段的理解。在平时的工作中，这两个工具也会起到重要的作用。Lex是LEXicalcompiler的缩写，主要功能是生成一个词法分析器(scanner)的C源码。描述词法分析器的文件，经过lex编译后，生成一个lex.yy.c的文件，然后由C编译器编译生成一个词法分析器。词法分析器，简单来说，其任务就是将输入的各种符号，转化成相应的标识符(token)，转化后的标识符很容被后续阶段处理。
先让我们来看一个简单的例子：
intnum_lines=0,num_chars=0;
%%
\n{++num_lines;++num_chars;}
.{++num_chars;}
%%
main()
{
yylex();
printf("#oflines=%d,#ofchars=%d\n",num_lines,num_chars);
}
然后编译，输入一个文本试试：
$flexsample1.l$mvlex.yy.csample1.c$gccsample1.c-osample1-ll$./sample1正则表达式声明。希望出现在目标C源码中的代码，用％{…％}扩在一起。比如：
%
{#include
#include"y.tab.h"
typedefchar*YYSTYPE;
char*yylval;
%
}
正则表达式声明如下
/*regulardefinitions*/
delim[\t\n]
ws{delim}+
letter[A-Za-z]
digit[0-9]
id{letter}({letter}{digit})*
number{digit}+(\.{digit}+)?(E[+\-]?{digit}+}?
这段正则表达式描述识别数(number)、标识符(id)的"规则"。过一会我们再细说正则表达式。
规则段是由正则表达式和相应的动作组成的。
p1{action1}
p2{action2}
……
pn{actionn}
值得注意的是，lex依次尝试每一个规则，尽可能地匹配最长的输入流。如果有一些内容根本不匹配任何规则，那么lex将只是把它拷贝到标准输出。比如
%%
A{printf("you");}
AA{printf("love");}
AAAA{printf("I");}
%%编译后运行一下，
$./sample3
AAAAAAA
Iloveyou
可以看出lex的确按照最长的规则匹配。
程序段部分放一些扫描器的其它模块，比如一些动作执行时需要的模块。也可以在另一个程序文件中编写，最后再链接到一起。生成C代码后，需用C的编译器编译。连接时需要指定链接库。gcc的连接参数为-ll。
[编辑]正则表达式
正则表达式(regularexpression)可以描述有穷状态自动机(finiteautomata)接受的语言，也就是定义一个可以接受的串的集合。限于篇幅，我们就不展开关于这方面的话题了。有兴趣的请参考[4]。这里只介绍一下lex中用到的正则表达式的一些规则。
转义字符（也称操作符）：
"\[]^-?.*+|()$/{}%这些符号有特殊含义，不能用来匹配自身。如果需要匹配的话，可以通过引号(")或者转义符号(\)来指示。比如
C"++"C\+\+都可以匹配C++。
非转义字符：所有除了转义字符之外的字符都是非转义字符。一个非转义字符可以匹配自身。比如
integer匹配文本中出现的integer。
通配符：通配符就是.（dot），可以匹配任何一个字符。
字符集：用一对[]指定的字符构成一个字符集。比如[abc]表示一个字符集，可以匹配a、b、c中的任意一个字符。使用可以指定范围。比如[a-z]表示可以匹配所有小写字母的字符集。
重复：
*任意次重复+至少一次的重复，相当于xx*?零次或者一次选择和分组：|符号表示选择，二者则一；括号表示分组，括号内的组合被看作是一个原子。比如(ab|cd)匹配ab或者cd。
简单来说，yacc(YetAnotherCompiler-Compiler)就是编译器的编译器。Yacc是一个通用的工具，能够根据用户指定的规则，生成一个词法分析程序。yacc能识别LALR(1)且无歧义的文法，它的输入是词法分析器的输出。我们知道，生成词法分析器是lex分内的事，因此lex和yacc常常珠联璧合。
先让我们看一下yacc文件的格式。和前面介绍的lex的格式类似：
declarations(声明)
%%rules(规则)%%
programs(代码)
其中声明段声明一些符号常量，可以为空。同lex一样，声明段中可以有出现在目标C程序中的代码，放在%{…%}中；还有一些yacc关键词可以指示出token的结合顺序：％left左结合%right右结合%nonassoc不结合%token声明token
俗话说"没有规矩，不成方圆"。规则段描述规则，自然是重中之重了。规则段的结构是如下，
A:BODY;
A表示非终结符名，BODY表示产生式和动作。产生式包括非终结符和终结符，终结符用''引用。一些转义字符，比如'\r','\n'等，和C里面的表示是一样的。动作(action)则是在输入被当前规则识别出来时而执行的。动作实际上就是C的代码，写在{}中。为了沟通词法分析器和动作，yacc引入了形式变量，以$开头。如果希望获得词法分析器和前面的动作返回的值，我们可以使用$1,$2,…。$i表示一条规则右侧第i个单元的值。比如有这样的一条规则，
A:BCD;C的返回值为$2，D为$3。依此类推。
程序段放一些其它的程序，也可以省略，连%%都可以不要。
连接时需要指定连接库，gcc的参数为-ly。
[编辑]举例
让我们看一个典型的例子，它实现一个简单的计算器：
%
{
#include
#include
intregs[26];
intbase;%
}
%startlist
%tokenDIGITLETTER
%left'|'
%left'&'
%left'+''-'
%left'*''/''%'
%leftUMINUS/*suppliesprecedenceforunaryminus*/
%%
/*beginningofrulessection
*/list:
/*empty*/
|liststat'\n'
|listerror'\n'
{
yyerrok;
};
stat:expr
{printf("=%d\n",$1);}
|LETTER'='expr
{regs[$1]=$3;};
expr:'('expr')'
{$=$2;}
|expr'+'expr
{$=$1+$3;}
|expr'-'expr
{$=$1-$3;}
|expr'*'expr
{$=$1*$3;}
|expr'/'expr
{$=$1/$3;}
|expr'%'expr
{$=$1%$3;}
|expr'&'expr
{$=$1&$3;}
|expr'|'expr
{$=$1|$3;}
|'-'expr%precUMINUS
{$=-$2;}
|LETTER
{$=regs[$1];}
|number;number:DIGIT{$=$1;base=($1==0)?8:10;}|numberDIGIT{$=base*$1+$2;};%%/*startofprograms*/yylex(){/*lexicalanalysisroutine*//*returnsLETTERforalowercaseletter,yylval=0through25*//*returnDIGITforadigit,yylval=0through9*//*allothercharactersarereturnedimmediately*/intc;while((c=getchar())==''){/*skipblanks*/}/*cisnownonblank*/if(islower(c)){yylval=c-'a';return(LETTER);}if(isdigit(c)){yylval=c-'0';return(DIGIT);}return(c);}编译、执行：
$bisonexample.y
$gccexample.tab.cly-oexample
$./example
20+30*50=1520
小结
lex是词法分析器的生成工具，yacc是文法分析器的生成工具。lex的描述规则采用正则表达式，关于正则表达式的详细讨论，参见文献[1]；yacc的描述规则采用无歧异文法。在GNU中有相应lex和yacc工具：flex和bison，与lex和yacc兼容。
