-
Notifications
You must be signed in to change notification settings - Fork 1
/
golex.py
246 lines (223 loc) · 9.31 KB
/
golex.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
# golex.py
# -*- coding: utf-8 -*-
'''
Programadores: Christhian Julián Gómez Castaño, Steven Valencia Zapata
Asignatura: Compiladores
Periodo académico: 2 semestre del 2016
Año: 2016
Tema: Analizador léxico para un miniGO
'''
# Errores que debe detectar el analizador
# lineno: Caracter ilegal 'c'
# lineno: Cadena sin terminar
# lineno: Comentario sin terminar
# lineno: Cadena de código de escape malo '\..'
# ----------------------------------------------------------------------
# El siguiente import carga una función error(lineno,msg) que se debe
# utilizar para informar de todos los mensajes de error emitidos por su
# lexer. Las pruebas unitarias y otras caracteristicas del compilador
# confiarán en esta función. Ver el archivo errors.py para más documentación
# acerca del mecanismo de manejo de errores.
from errors import error
# ----------------------------------------------------------------------
# Los lexers son definidos usando la librería ply.lex
from ply.lex import lex
# ----------------------------------------------------------------------
# Diccionario de stataments
# removido FOR
reserved = {
'if' : 'IF',
'else' : 'ELSE',
'while' : 'WHILE',
'print' : 'PRINT',
'var' : 'VAR',
'func' : 'FUNC',
'const' : 'CONST',
'extern' : 'EXTERN',
'return' : 'RETURN',
}
# Lista de tokens. Esta lista identifica la lista completa de nombres de
# token que deben ser reconocidos por su lexer. No cambie ninguno de
# estos nombres. Si lo hace, se dañaran las pruebas unitarias.
# removido COLON, LBRACKETS, RBRACKETS
tokens = [
# keyword
'ID',
# Operatores y delimitadores
'PLUS', 'MINUS', 'TIMES', 'DIVIDE', 'MODULE',
'ASSIGN','SEMI', 'LPAREN', 'RPAREN', 'COMMA',
'LBRACE', 'RBRACE',
# Operadores lógicos
'LT', 'LE', 'GT', 'GE', 'LAND', 'LOR', 'LNOT',
'EQ', 'NE',
# Literales
'FLOAT_VALUE','INTEGER_VALUE', 'STRING_VALUE', 'BOOLEAN_VALUE',
] + list(reserved.values())
# ----------------------------------------------------------------------
# Ignora caracteres (whitespace)
t_ignore = ' \t\r'
# ----------------------------------------------------------------------
# Tokens operadores y delimitadores
t_PLUS = r'\+'
t_MINUS = r'-'
t_TIMES = r'\*'
t_DIVIDE = r'/'
t_MODULE = r'\%'
t_ASSIGN = r'='
#t_COLON = r':'
t_SEMI = r';'
t_LPAREN = r'\('
t_RPAREN = r'\)'
#t_LBRACKETS = r'\['
#t_RBRACKETS = r'\]'
t_LBRACE = r'\{'
t_RBRACE = r'\}'
t_COMMA = r','
# Tokens operadores lógicos
t_LT = r'<'
t_LE = r'<='
t_GT = r'>'
t_GE = r'>='
t_LAND = r'&&'
t_LOR = r'\|\|'
t_LNOT = r'!'
t_EQ = r'=='
t_NE = r'!='
# ----------------------------------------------------------------------
# Tokens para literales, INTEGER, FLOAT, STRING.
#
# Expresión regular para flotantes
# 1.23, 1.23e1, 1.23e+1, 1.23e-1, 123., .123, 1e1, 0.
def t_FLOAT_VALUE(t):
r'\d*\.\d*([eE][\+-]?\d+)?|\d+[eE][\+-]?\d+'
t.value = float(t.value)
return t
# Expresión regular para enteros
# 1234 (decimal), 01234 (octal), 0x1234 or 0X1234 (hex)
def t_INTEGER_VALUE(t):
r'0[xX][a-fA-F0-9]+|0[0-7]+|\d+'
t.value = int(t.value,0)
return t
# Expresión regular para strings
escapes_not_b = r'nrt\"'
def _replace_escape_codes(t):
hex_codes = {'a':'a','b':'b','c':'c','d':'d','e':'e','f':'f','A':'A','B':'B','C':'C','D':'D','E':'E','F':'F','0':'0','1':'1','2':'2','3':'3','4':'4','5':'5','6':'6','7':'7','8':'8','9':'9'}
Not_b_codes = {'n':'\\\\n','r':'\\\\r','t':'\\\\t','\\':'\\\\','"':'\\"'}
overflow,aux_string,index = False,"",0 # Cadena auxiliar e índice para recorrer la cadena vieja. overflow es una bandera que se activa en caso de desbordamiento.
while index < len(t.value): # Mientras índice de cadena sea menor que el tamaño completo de la cadena.
if t.value[index] == '\\': # Si detecta un \ en la cadena.
forward_position = index+1 # Se adelanta una posición más allá del \.
if forward_position < len(t.value): # Si esa posición a la qué se adelanta no desborda el tamaño máximo de la cadena.
if t.value[forward_position] == 'b': # Si esa posición a la qué se adelanta es un código byte de caracter hh.
first_h, second_h = forward_position+1, forward_position+2 # asumo las dos posiciones hh
if first_h >= len(t.value) or second_h >= len(t.value): # Si almenos una de estas posiciones desborda el tamaño de cadena.
error(t.lexer.lineno,"BAD ESCAPE CHARACTER!")
overflow = True # Activa la bandera desbordamiento para suspención del while.
if overflow: break # Si hubo desbordamiento entonces detiene el análisis.
if t.value[first_h] == hex_codes.get(t.value[first_h],'') and t.value[second_h] == hex_codes.get(t.value[second_h],''): pass #Si ámbos caracteres h están en los hex, concatena sin error
else: error(t.lexer.lineno,"BAD ESCAPE CHARACTER!")
aux_string+=t.value[first_h] # Concateno el primer caracter h.
aux_string+=t.value[second_h] # Concateno el segundo caracter h.
index = second_h # Actualizo el índice a la posición del segundo caracter h.
else: # Si en la posición a la qué se adelanta no es código escape b, entonces podría ser uno de escape no b.
for C1 in escapes_not_b: # Recorre todos los códigos de escape no b.
if C1 == t.value[forward_position]: # Si coincide con el código de escape no b dado.
aux_string+=Not_b_codes.get(C1,'') # Concatene el código de caracter primitivo.
break # Finalice el for.
elif C1 == '"': # Si no coincidió con ningun símbolo no b, entonces es un código de escape malo.
error(t.lexer.lineno,"BAD ESCAPE CHARACTER!")
index = forward_position # Actualiza índice a la posición del caracter de escape.
else: error(t.lexer.lineno,"BAD ESCAPE CHARACTER!")
else: aux_string+=t.value[index] # Si no se detectó un símbolo \ entonces concatenelo normalmente.
index+=1 #Independiente de todos los casos índice aumenta uno.
t.value = aux_string #Finalmente actualiza el contenido de t.value con lo códigos de caracter sustituidos.
def t_STRING_VALUE(t):
r'"[^\n]*?(?<!\\)"'
# Convierte t.value dentro de una cadena con códigos de escape reemplazados por valores actuales.
t.value = t.value[1:-1]
_replace_escape_codes(t) # Debe implementarse antes
return t
def t_STRING_UNTERM(t):
r'".*'
error(t.lexer.lineno,"STRING UNTERM!")
t.lexer.skip(1)
# Expresión regular para Booleanos
def t_BOOLEAN_VALUE(t):
r'true|false'
if t.value == 'true': t.value = True
else: t.value = False
return t
# ----------------------------------------------------------------------
# Identificadores y keywords.
# Coincida con un identificador primario. Los identificadores siguen las
# mismas reglas de Python. Esto es, ellos inician con una letra o
# subrayado (_) y puede contener un numero arbitario de letras, digitos
# o subrayado desde de ella.
def t_ID(t):
r'[a-zA-Z_][a-zA-Z_0-9]*'
t.type = reserved.get(t.value,'ID')
return t
operators = {# Se utilizará para el analizador semántico, se eliminaron r''
'+' : "PLUS",
'-' : "MINUS",
'*' : "TIMES",
'/' : "DIVIDE",
'=' : "ASSIGN",
';' : "SEMI",
'(' : "LPAREN",
')' : "RPAREN",
',' : "COMMA",
'<' : "LT",
'<=' : "LE",
'==' : "EQ",
'>=' : "GE",
'>' : "GT",
'!=' : "NE",
'&&' : "LAND",
'\|\|' : "LOR",
'!' : "LNOT",
'%' : "MODULE",
}
# ----------------------------------------------------------------------
# Saltos de línea, Comentarios tipo C y C++, y error de comentario
# de tipo lenguaje C sin cerrar /* ...
def t_newline(t):
r'\n+'
t.lexer.lineno += len(t.value)
# Comentarios estilo-C (/* ... */)
def t_COMMENT(t):
r'/\*(.|\n)*?\*/'
t.lexer.lineno += t.value.count('\n')
# Comentarios no cerrados estilo-C ERROR
def t_COMMENT_UNTERM(t):
r'/\*(.|\n)*'
error(t.lexer.lineno,"COMMENT UNTERM!")
t.lexer.skip(1)
# Comentarios estilo-C++ (//...)
def t_CPPCOMMENT(t):
r'//.*\n'
t.lexer.lineno += 1
# ----------------------------------------------------------------------
# Caracteres ilegales (Manejador generico de errores)
def t_error(t):
error(t.lexer.lineno,"ILLEGAL CHARACTER! %r" % t.value[0])
t.lexer.skip(1)
# ----------------------------------------------------------------------
# NO CAMBIE NADA A PARTIR DE AQUI
# ----------------------------------------------------------------------
def make_lexer():
'''
Función de utilidad para crear el objeto lexer
'''
return lex()
if __name__ == '__main__':
import sys
from errors import subscribe_errors
if len(sys.argv) != 2:
sys.stderr.write("Usage: %s filename\n" % sys.argv[0])
raise SystemExit(1)
lexer = make_lexer()
with subscribe_errors(lambda msg: sys.stderr.write(msg+"\n")):
lexer.input(open(sys.argv[1]).read())
for tok in iter(lexer.token,None):
sys.stdout.write("%s\n" % tok)