Yacc与lex入门

转自
Ashish Bansal [email protected], 软件工程师, Sapient 公司

Lex

Lex 是一种生成扫描器的工具。扫描器是一种识别文本中的词汇模式的程序。这些词汇模式（或者常规表达式）在一种特殊的句子结构中定义，这个我们一会儿就要讨论。

一种匹配的常规表达式可能会包含相关的动作。这一动作可能还包括返回一个标记。当 Lex
接收到文件或文本形式的输入时，它试图将文本与常规表达式进行匹配。它一次读入一个输入字符，直到找到一个匹配的模式。如果能够找到一个匹配的模式，Lex
就执行相关的动作（可能包括返回一个标记）。另一方面，如果没有可以匹配的常规表达式，将会停止进一步的处理，Lex 将显示一个错误消息。

Lex 和 C 是强耦合的。一个 _ .lex _ 文件（Lex 文件具有 _ .lex _ 的扩展名）通过 lex 公用程序来传递，并生成 C
的输出文件。这些文件被编译为词法分析器的可执行版本。

Lex 的常规表达式

常规表达式是一种使用元语言的模式描述。表达式由符号组成。符号一般是字符和数字，但是 Lex 中还有一些具有特殊含义的其他标记。 下面两个表格定义了 Lex
中使用的一些标记并给出了几个典型的例子。

用 Lex 定义常规表达式

** 字符 **
** 含义 **

** A-Z, 0-9, a-z **
构成了部分模式的字符和数字。

** . **
匹配任意字符，除了 /n。

** - **
用来指定范围。例如：A-Z 指从 A 到 Z 之间的所有字符。

** [ ] **
一个字符集合。匹配括号内的 _ 任意 _ 字符。如果第一个字符是 ** ^ ** 那么它表示否定模式。例如: [abC] 匹配 a, b, 和
C中的任何一个。

---

匹配 _ 0个 _ 或者多个上述的模式。

** + **
匹配 _ 1个 _ 或者多个上述模式。

** ? **
匹配 _ 0个或1个 _ 上述模式。

** $ **
作为模式的最后一个字符匹配一行的结尾。

** { } **
指出一个模式可能出现的次数。 例如: A{1,3} 表示 A 可能出现1次或3次。

** / **
用来转义元字符。同样用来覆盖字符在此表中定义的特殊意义，只取字符的本意。

** ^ **
否定。

** | **
表达式间的逻辑或。

** “<一些符号>” **
字符的字面含义。元字符具有。

** / **
向前匹配。如果在匹配的模版中的“/”后跟有后续表达式，只匹配模版中“/”前面的部分。如：如果输入 A01，那么在模版 A0/1 中的 A0 是匹配的。

** ( ) **
将一系列常规表达式分组。

常规表达式举例

** 常规表达式 **
** 含义 **

joke[rs]

匹配 jokes 或 joker。

A{1,2}shis+

匹配 AAshis, Ashis, AAshi, Ashi。

(A[b-e])+

匹配在 A 出现位置后跟随的从 b 到 e 的所有字符中的 0 个或 1个。

注：这小朋友将A{1,2}shis*写为了A{1,2}shis+。

Lex 中的标记声明类似 C 中的变量名。每个标记都有一个相关的表达式。（下表中给出了标记和表达式的例子。）使用这个表中的例子，我们就可以编一个字数统计的程
序了。我们的第一个任务就是说明如何声明标记。

标记声明举例

** 标记 **
** 相关表达式 **
** 含义 **

数字(number)

([0-9])+

1个或多个数字

字符(chars)

[A-Za-z]

任意字符

空格(blank)

" "

一个空格

字(word)

(chars)+

1个或多个 _ chars _

变量(variable)

(字符)+(数字)(字符)(数字)*

Lex 编程

Lex 编程可以分为三步：

1. 以 Lex 可以理解的格式指定模式相关的动作。
2. 在这一文件上运行 Lex，生成扫描器的 C 代码。
3. 编译和链接 C 代码，生成可执行的扫描器。

注意: 如果扫描器是用 Yacc 开发的解析器的一部分，只需要进行第一步和第二步。关于这一特殊问题的帮助请阅读 Yacc
和 将 Lex 和
Yacc 结合起来
部分。

现在让我们来看一看 Lex 可以理解的程序格式。一个 Lex 程序分为三个段：第一段是 C 和 Lex 的全局声明，第二段包括模式（C
代码），第三段是补充的 C 函数。 例如, 第三段中一般都有 main() 函数。这些段以%%来分界。 那么，回到字数统计的 Lex
程序，让我们看一下程序不同段的构成。

C 和 Lex 的全局声明

这一段中我们可以增加 C 变量声明。这里我们将为字数统计程序声明一个整型变量，来保存程序统计出来的字数。我们还将进行 Lex 的标记声明。

** 字数统计程序的声明 **
%{
int wordCount = 0;
%}
chars [A-za-z/_/'/./“]
numbers ([0-9])+
delim [” "/n/t]
whitespace {delim}+
words {chars}+
%%
两个百分号标记指出了 Lex 程序中这一段的结束和三段中第二段的开始。

Lex 的模式匹配规则

让我们看一下 Lex 描述我们所要匹配的标记的规则。（我们将使用 C 来定义标记匹配后的动作。）继续看我们的字数统计程序，下面是标记匹配的规则。

** 字数统计程序中的 Lex 规则 **
{words} { wordCount++; /*
increase the word count by one*/ }
{whitespace} { /* do
nothing*/ }
{numbers} { /* one may
want to add some processing here*/ }
%%
C 代码

Lex 编程的第三段，也就是最后一段覆盖了 C 的函数声明（有时是主函数）。注意这一段必须包括 yywrap() 函数。 Lex
有一套可供使用的函数和变量。 其中之一就是 yywrap。一般来说，yywrap() 的定义如下例。我们将在 高级 Lex
中探讨这一问题。

** 字数统计程序的 C 代码段 **
void main()
{
yylex(); /* start the
analysis*/
printf(" No of words:
%d/n", wordCount);
}
int yywrap()
{
return 1;
}
上一节我们讨论了 Lex 编程的基本元素，它将帮助你编写简单的词法分析程序。 在 高级 Lex
这一节中我们将讨论
Lex 提供的函数，这样你就能编写更加复杂的程序了

将它们全部结合起来

_ .lex _ 文件是 Lex 的扫描器。它在 Lex 程序中如下表示：

   $ lex <file name.lex>  

这生成了 lex.yy.c 文件，它可以用 C 编译器来进行编译。它还可以用解析器来生成可执行程序，或者在链接步骤中通过选项�ll 包含 Lex 库。

这里是一些 Lex 的标志：

• _ -c _ 表示 C 动作，它是缺省的。
• _ -t _ 写入 lex.yy.c 程序来代替标准输出。
• _ -v _ 提供一个两行的统计汇总。
• _ -n _ 不打印 -v 的汇总。

高级 Lex

Lex 有几个函数和变量提供了不同的信息，可以用来编译实现复杂函数的程序。下表中列出了一些变量和函数，以及它们的使用。 详尽的列表请参考 Lex 或
Flex 手册（见后文的 资源
）。

Lex 变量

yyin

FILE* 类型。 它指向 lexer 正在解析的当前文件。

yyout

FILE* 类型。 它指向记录 lexer 输出的位置。 缺省情况下，yyin 和 yyout 都指向标准输入和输出。

yytext

匹配模式的文本存储在这一变量中（char*）。

yyleng

给出匹配模式的长度。

yylineno

提供当前的行数信息。（lexer不一定支持。）

Lex 函数

yylex()

这一函数开始分析。 它由 Lex 自动生成。

yywrap()

这一函数在文件（或输入）的末尾调用。如果函数的返回值是1，就停止解析。 因此它可以用来解析多个文件。代码可以写在第三段，这就能够解析多个文件。 方法是使用
yyin 文件指针（见上表）指向不同的文件，直到所有的文件都被解析。最后，yywrap() 可以返回 1 来表示解析的结束。

yyless(int n)

这一函数可以用来送回除了前�n? 个字符外的所有读出标记。

yymore()

这一函数告诉 Lexer 将下一个标记附加到当前标记后。

对 Lex 的讨论就到这里。下面我们来讨论 Yacc…

Yacc

Yacc 代表 Yet Another Compiler Compiler。 Yacc 的 GNU 版叫做
Bison。它是一种工具，将任何一种编程语言的所有语法翻译成针对此种语言的 Yacc 语 法解析器。它用巴科斯范式(BNF, Backus Naur
Form)来书写。按照惯例，Yacc 文件有 .y 后缀。编译行如下调用 Yacc 编译器：

       $ yacc <options>  
        <filename ending with .y>  

在进一步阐述以前，让我们复习一下什么是语法。在上一节中，我们看到 Lex
从输入序列中识别标记。如果你在查看标记序列，你可能想在这一序列出现时执行某一动作。这种情况下有效序列的规范称为语法。Yacc
语法文件包括这一语法规范。它还包含了序列匹配时你想要做的事。

为了更加说清这一概念，让我们以英语为例。 这一套标记可能是：名词, 动词,
形容词等等。为了使用这些标记造一个语法正确的句子，你的结构必须符合一定的规则。一个简单的句子可能是名词+动词或者名词+动词+名词。(如 I care.
See spot run.)

所以在我们这里，标记本身来自语言（Lex），并且标记序列允许用 Yacc 来指定这些标记(标记序列也叫语法)。

** 终端和非终端符号 **
** 终端符号 ** : 代表一类在语法结构上等效的标记。终端符号有三种类型：

_ 命名标记 _ : 这些由 _ %token _ 标识符来定义。按照惯例，它们都是大写。

_ 字符标记 _ : 字符常量的写法与 C 相同。例如, – 就是一个字符标记。

_ 字符串标记 _ : 写法与 C 的字符串常量相同。例如，“<<” 就是一个字符串标记。

lexer 返回命名标记。

** 非终端符号 ** : 是一组非终端符号和终端符号组成的符号。按照惯例，它们都是小写。 在例子中，file 是一个非终端标记而 NAME 是一个终端标记。

。

用 Yacc 编写语法

如同 Lex 一样, 一个 Yacc 程序也用双百分号分为三段。它们是：声明、语法规则和 C 代码。 我们将解析一个格式为 姓名 =
年龄的文件作为例子，来说明语法规则。我们假设文件有多个姓名和年龄，它们以空格分隔。 在看 Yacc 程序的每一段时，我们将为我们的例子编写一个语法文件。

C 与 Yacc 的声明

C 声明可能会定义动作中使用的类型和变量，以及宏。还可以包含头文件。每个 Yacc
声明段声明了终端符号和非终端符号（标记）的名称，还可能描述操作符优先级和针对不同符号的数据类型。 lexer (Lex)
一般返回这些标记。所有这些标记都必须在 Yacc 声明中进行说明。

在文件解析的例子中我们感兴趣的是这些标记：name, equal sign, 和 age。Name 是一个完全由字符组成的值。 Age
是数字。于是声明段就会像这样：

** 文件解析例子的声明 **
%
#typedef char* string; /*
to specify token types as char* /
#define YYSTYPE string /
a Yacc variable which has the value of returned token /
%}
%token NAME EQ AGE
%%
你可能会觉得 YYSTYPE 有点奇怪。但是类似 Lex, Yacc 也有一套变量和函数可供用户来进行功能扩展。 YYSTYPE 定义了用来将值从
lexer 拷贝到解析器或者 Yacc 的 yylval （另一个 Yacc 变量）的类型。默认的类型是 int。 由于字符串可以从 lexer
拷贝，类型被重定义为 char。 关于 Yacc 变量的详细讨论，请参考 Yacc 手册（见 资源
）。

Yacc 语法规则

Yacc 语法规则具有以下一般格式：

result: components { /*  
 action to be taken in C */ }  
 ;  

在这个例子中，result 是规则描述的非终端符号。Components 是根据规则放在一起的不同的终端和非终端符号。 如果匹配特定序列的话
Components 后面可以跟随要执行的动作。 考虑如下的例子：

param : NAME EQ NAME {  
 printf("/tName:%s/tValue(name):%s/n", $1,$3);}  
     | NAME EQ VALUE{  
     printf("/tName:%s/tValue(value):%s/n",$1,$3);}  
 ;  

如果上例中序列 NAME EQ NAME 被匹配，将执行相应的 { } 括号中的动作。 这里另一个有用的就是 $1 和 $3 的使用, 它们引用了标记
NAME 和 NAME（或者第二行的 VALUE）的值。 lexer 通过 Yacc 的变量 yylval 返回这些值。标记 NAME 的 Lex
代码是这样的：

char [A-Za-z]  
 name {char}+  
 %%  
 {name} { yylval = strdup(yytext);  
 return NAME; }  

这里yylval=strdup(yytext);需要进行强制转换。否则有warning.

文件解析例子的规则段是这样的：

** 文件解析的语法 **

file : record file  
 | record  
 ;  
 record: NAME EQ AGE {  
 printf("%s is now %s years old!!!", $1, $3);}  
 ;  
 %%  

附加 C 代码

现在让我们看一下语法文件的最后一段，附加 C 代码。（这一段是可选的，如果有人想要略过它的话：）一个函数如 main() 调用 yyparse()
函数（Yacc 中 Lex 的 yylex() 等效函数）。 一般来说，Yacc 最好提供 yyerror(char msg) 函数的代码。
当解析器遇到错误时调用 yyerror(char msg)。错误消息作为参数来传递。 一个简单的 yyerror( char* ) 可能是这样的：

int yyerror(char* msg)  
 {  
 printf("Error: %s  
 encountered at line number:%d/n", msg, yylineno);  
 }  

yylineno 提供了行数信息。

这一段还包括文件解析例子的主函数：

** 附加 C 代码 **

void main()  
 {  
     yyparse();  
 }  
 int yyerror(char* msg)  
 {  
 printf("Error: %s  
 encountered /n", msg);  

要生成代码，可能用到以下命令：

       $ yacc _d <filename.y>  

这里的命令有误：其实为 yacc -d <filename.y>

这生成了输出文件 y.tab.h 和 y.tab.c，它们可以用 UNIX 上的任何标准 C 编译器来编译（如 gcc）。

命令行的其他常用选项

• _ ‘-d’ ,‘–defines’ _ : 编写额外的输出文件，它们包含这些宏定义：语法中定义的标记类型名称，语义的取值类型 _ YYSTYPE _ , 以及一些外部变量声明。如果解析器输出文件名叫 ‘name.c’, 那么 ‘-d’ 文件就叫做 ‘name.h’。 如果你想将 _ yylex _ 定义放到独立的源文件中，你需要 ‘name.h’, 因为 _ yylex _ 必须能够引用标记类型代码和 _ yylval _ 变量。
• _ ‘-b file-prefix’ ,‘–file-prefix=prefix’ _ : 指定一个所有Yacc输出文件名都可以使用的前缀。选择一个名字，就如输入文件名叫 ‘prefix.c’.
• _ ‘-o outfile’ ,‘–output-file=outfile’ _ : 指定解析器文件的输出文件名。其他输出文件根据 ‘-d’ 选项描述的输出文件来命名。

Yacc 库通常在编译步骤中自动被包括。但是它也能被显式的包括，以便在编译步骤中指定 _ �ly _ 选项。这种情况下的编译命令行是：

$ cc <source file names> -ly  

将 Lex 与 Yacc 结合起来

到目前为止我们已经分别讨论了 Lex 和 Yacc。现在让我们来看一下他们是怎样结合使用的。

一个程序通常在每次返回一个标记时都要调用 _ yylex() _ 函数。只有在文件结束或者出现错误标记时才会终止。

一个由 Yacc 生成的解析器调用 _ yylex() _ 函数来获得标记。 _ yylex() _ 可以由 Lex 来生成或完全由自己来编写。 对于由
Lex 生成的 lexer 来说，要和 Yacc 结合使用，每当 Lex 中匹配一个模式时都必须返回一个标记。 因此 Lex 中匹配模式时的动作一般格式为：

       {pattern} { /* do smthg*/  
        return TOKEN_NAME; }  

于是 Yacc 就会获得返回的标记。当 Yacc 编译一个带有 _d 标记的 _ .y _ 文件时，会生成一个头文件，它对每个标记都有 _ #define
_ 的定义。 如果 Lex 和 Yacc 一起使用的话，头文件必须在相应的 Lex 文件 _ .lex _ 中的 C 声明段中包括。

让我们回到名字和年龄的文件解析例子中，看一看 Lex 和 Yacc 文件的代码。

** Name.y - 语法文件 **

{%  
            typedef char* string;  
            #define YYSTYPE string  
            %}  
            %token NAME EQ AGE  
            %%  
            file : record file  
            | record  
            ;  
            record : NAME EQ AGE {  
            printf("%s is %s years old!!!/n", $1, $3); }  
            ;  
            %%  
            int main()  
            {  
            yyparse();  
            return 0;  
            }  
            int yyerror(char *msg)  
            {  
            printf("Error  
            encountered: %s /n", msg);  
            }  

** Name.lex - Lex 的解析器文件 **

%{  
 #include "y.tab.h"  
 #include <stdio.h>  
 #include <string.h>  
 extern char* yylval;  
 %}  
 char [A-Za-z]  
 num [0-9]  
 eq [=]  
 name {char}+  
 age {num}+  
 %%  
 {name} { yylval = strdup(yytext);  
 return NAME; }  
 {eq} { return EQ; }  
 {age} { yylval = strdup(yytext);  
 return AGE; }  
 %%  
 int yywrap()  
 {  
 return 1;  
 }  

作为一个参考，我们列出了 _ y.tab.h _ , Yacc 生成的头文件。

** y.tab.h - Yacc 生成的头文件 **
# define NAME 257
# define EQ 258
# define AGE 259
当然即使你执行了yacc -d <filename.y>,也执行了lex <filename.l>, 并且执行了gcc y.tab.c lex.yy.c
-o -ly

还是有可能会报错。 欲知解决方案请参考我的下篇文章 。

我们对于 Lex 和 Yacc的讨论到此为止。今天你想要编译什么语言呢？

参考资料

• 您可以参阅本文在 developerWorks 全球站点上的 英文原文 .
• Lex and Yacc , Levine, Mason 和 Branson, O�Reilly 及其合作公司，2nd Ed。
• Program Development in UNIX , J. T. Shen, Prentice-Hall India。
• Compilers: Principles, Techniques and Tools , Ahoo, Sethi 和 Ullman, Addison-Wesley Pub. Co., 1985，11。
• Lex and Yacc and compiler writing 指导。
• Java 版的 Lex 指导, 叫做 Jlex 。
• 使用 Lex 和 Yacc 的 formalizing a grammar 实例。