自制操作系统Antz(14)——实现内置编程语言(词法解析器)

AntzScript

🎓 The language executed in the Antz system.

基于以实现的内置vim，接下来需要实现Antz系统中内置语言AntzScript。

Antz系统更新地址

Antz项目地址

AntzScript项目地址

vim

---

一、概述

1. 解释器与编译器

1.1 解释器

解释器根据程序中的算法执行运算。简单地说，它是一种用于执行程序的软件。

1.2 编译器

编译器能将某种语言写成的程序转换为另一种语言的程序。通常它会将源程序转换为机器语言程序。编译器转换程序的行为称为编译，转换前的程序称为源程序。

• Java虚拟机为了提高性能，会在执行过程中通过编译器将一部分Java二进制代码直接转换为机器语言使用。

过去的编译器编译过程非常费时，不过由于编译后实际执行的是机器语言，因此执行速度很快。而解释器，会在程序输入的同时立即执行，执行速度较慢。这就是两者的基本区别。

在为Antz制作内置脚本语言时，因为是直接执行，处理器属于解释器，不过，为了提高性能，该解释器内部将采用编译器。

基本流程如下

2. Token

语言处理器的第一个组成部分是词法分析器（lexer）。程序的源代码最初只是一长串字符串，这样的字符串很难处理，语言处理器通常会首先将字符串中的字符以解析单元分组，切割成多个Token，这就是词法分析。

解析结果

Token类中需要对源代码分割成最小单元，并解析出变量类型，数值量，符号，标识符等

Token

Token中k代表单元含义,lexeme代表其在代码中的内容。kindMap是一个提前预置关系转换符表。在需要添加其他关键字时可以直接在KindMap中添加。

词法解析器的实现方法有手工构造法和正则表达式的方法。

手工构造法-状态图

这种方法较为复杂，需要大量的代码，而正则表达式的方法较为便捷。

二、实现词法解析

借助正则表达式库能简单地实现词法分析器。下表列出的记号在大多数情况下都能使用。例如，.*\.java指的是以.java结束的任意长度的字符串模式。.*\.由两部分组成，.*表示由任意字符组成的任意长度的字符串模式，\.表示与句点字符相匹配的字符串模式。(java|javax)\..*则表示由java.或javax.起始的任意长度的字符串模式。

元字符	含义
.	与任意字符匹配
[0-9]	与0至9中的某个数字匹配
[^0-9]	与0至9这些数字之外的的某个字符匹配
pattern*	模式pattern至少重复出现0次
pattern+	模式pattern至少重复出现1次
pattern?	模式pattern出现0次或1次
pattern1	pattern2
()	将括号内视为一个完整的模式
\c	与单个字符c（元字符*或.等）匹配

整型字面量的匹配

[0-9]+

标识符的匹配

[A-Z_a-z][A-Z_a-z0-9]*

• 以字母、下划线开头，之后仅包含有字母、数字、下划线的就是标识符的定义规则。

[A-Z_a-z][A-Z_a-z0-9]*|==|<=|>=|&&|\|\||\p{Punct}

最后的\p{Punct}表示与任意一个符号字符匹配。模式\|\|将会匹配||。由于|是正则表达式的元字符，因此在使用时必须添加反斜线转义。

最后需要定义的是字符串字面量。由于不得不处理各种转义字符，字符串字面量的定义略微复杂。

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

首先，从整体上看，这是一个"(pattern)*"形式的模式，即双引号内是一个与pattern重复出现至少0次的结果匹配的字符串。其中，模式pattern与\"、\\、\n匹配，同时也与除"之外任意一个字符匹配。

所以我们可以得到一个下图的匹配规则regexPat。

ArrayList<Token> tokens是词法解析器Lexer中已解析的Token。

源码source作为参数传入Lexer的add方法中。

在创建Token时，单元作为构造函数的参数。同时变量,数字值等单元我们无法通过KindMap类来判断k值，所以需要在这里判断。

判断是否是变量类型

判断是否是数值类型

判断是否是字符串类型

三、效果

测试代码

Token解析

将源代码转换为了相应的Token单元，这就是词法解析的主要工作了。

接下来按照源代码获得转换后的直译代码。

效果图