Developpez.com

Le Club des Développeurs et IT Pro

Algorithme - L'analyse lexicale, première phase de la compilation qui consiste à lire le code source pour en extraire les unités lexicales,

Un billet blog de matser

Le 06/09/2023, par emmesse, Membre confirmé
L'analyse lexicale est une phase, la première, de la compilation. Elle consiste à lire le code source pour en extraire les unités lexicales.
Une unité lexicale est une entité qui correspond à un élément du langage traduit par le compilateur. Cette unité lexicale peut être accompagnée d'un attribut, un lexème, qui spécifie l'unité lexicale. Par exemple, sur la ligne de code suivante :
Vitesse := 35
L'analyseur lexical retournera, un par un à chaque fois que l'analyseur syntaxique le lui demande, les unités lexicales suivantes :
<identificateur,Vitesse> , <deux-points-egal, > <nb,35>



Pour reconnaître un lexème, l'analyseur lexical utilise des diagrammes de transition. Ce sont des graphes orientés dont les nœuds sont des états en forme de cercle et comportant un numéro. Les arcs sont associés à un caractère. L'analyseur lexical change d'état à chaque caractère lu. Ce diagramme de transition comporte un ou plusieurs états d'acceptations indiqués par un double cercle. Lorsque l'un de ces états est atteint, l'analyseur lexical retourne l'unité lexicale indiquée près de cet état d'acceptation. Parfois, quand un arc indique "autre", l'analyseur lexical doit dépasser le dernier caractère du lexème. Dans ce cas, il doit donc reculer d'un caractère avant de retourner l'unité lexicale. Ce cas est indiqué par une étoile qui précède le nom de l'unité lexicale.

Un diagramme de transition qui représente un identificateur (une lettre éventuellement précédée d'un ou plusieurs underscores et éventuellement suivie par une ou plusieurs lettre ou chiffres ou underscores) pourra être le suivant :



L'analyseur lexical utilise les diagrammes de transition les uns après les autres. Si le diagramme ne correspond pas, les variables sont actualisées afin d'utiliser le diagramme suivant. Si tous les diagrammes ont été parcourus, une erreur est spécifiée.

Le code source est chargé dans un tampon. Il est parcouru par la variable "enavant". La variable "debutlex" indique le premier caractère du lexème courant. Il sert, en cas d'échec d'un diagramme, à remettre la variable enavant au début du lexème.

Afin d'être compatible avec l'UTF-8, on utilise une variable taille qui indique de combien d'octets est le caractère lu. Si le premier octet est compris entre 0 et 127, le caractère est encodé sur un octet. La valeur de la variable taille est égal à 1. Si il est compris entre 224 et 239, taille sera égal à 2. Si il est compris entre 224 et 239, taille sera egal à 3, et à 4 pour une valeur comprise entre 240 et 255. Sinon le programme signale un caractère non utf-8, incrémente enavant et la fonction carsuiv est appelée récursivement.
Le diagramme de transition est implémenté avec l'instruction switch dont chaque cas indique un état. Le caractère est lu par la fonction carsuiv et l'analyseur lexical choisi l'état suivant en fonction de ce caractère.
On utilisera un type énumération pour que l'analyseur désigne une unité lexicale.

Nous allons implémenter un analyseur lexical qui reconnaîtra trois types de lexeme : identificateur, nombre, deux-points et deux-points-egal.
Voici les diagrammes de transitions :




Voici le programme :
terminal.hpp
Code cpp :
1
2
3
4
5
6
#ifndef TERMINAL_HPP 
#define TERMINAL_HPP 
  
enum terminal {identificateur,nombre,deuxpointsegal,deuxpoints,FDF}; 
  
#endif
main.cpp
Code cpp :
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
#include <iostream> 
#include <string> 
#include <vector> 
  
#include "lexical.hpp" 
#include "terminal.hpp" 
  
int main(int argc,char *argv[]){ 
  std::vector<std::string>args; 
  for(unsigned i=0;i<static_cast<unsigned>(argc);++i) 
    args.push_back(argv[i]); 
  if(argc!=2) 
    std::cerr<<"manque le fichier"<<std::endl; 
  else{ 
    lexical L(args[1]); 
    std::string lexeme; 
    terminal ulex; 
    int ligne=1; 
    for(L.analex(ulex,lexeme,ligne);ulex!=FDF;L.analex(ulex,lexeme,ligne)) 
      switch(ulex){ 
      case identificateur: 
	std::cout<<"ligne "<<ligne<<": identificateur "<<lexeme<<std::endl; 
	break; 
      case deuxpoints: 
	std::cout<<"ligne "<<ligne<<": deuxpoints "<<std::endl; 
	break; 
      case deuxpointsegal: 
	std::cout<<"ligne "<<ligne<<": deux-points-egal "<<std::endl; 
	break; 
      case nombre: 
	std::cout<<"ligne "<<ligne<<": nombre "<<lexeme<<std::endl; 
	break; 
      } 
  } 
}
lexical.hpp:
Code cpp :
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
  
#ifndef LEXICAL_HPP 
#define LEXICAL_HPP 
  
#include <string> 
#include <fstream> 
  
#include "terminal.hpp" 
  
class lexical{ 
public: 
  lexical(std::string fichierentree); 
  void analex(terminal &ulex,std::string &lexeme,int &ligne); 
private: 
  std::string texte; 
  std::ifstream entree; 
  size_t enavant,debutlex; 
  int taille; 
  std::string readFileIntoString(const std::string path); 
  bool obtenirFDF(terminal &ulex); 
  bool obtenirblanc(int &ligne); 
  bool obteniridentificateur(terminal &ulex,std::string &lexeme); 
  bool obtenirnombre(terminal &ulex,std::string &lexeme); 
  bool obtenir2ptsega(terminal &ulex); 
  std::string carsuiv(); 
}; 
#endif
lexical.cpp:
Code cpp :
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
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
  
#include <string> 
#include <iostream> 
  
#include "lexical.hpp" 
#include "terminal.hpp" 
  
lexical::lexical(std::string fichierentree):enavant(0),debutlex(0){ 
  entree.open(fichierentree.c_str()); 
  texte = readFileIntoString(fichierentree); 
} 
  
std::string lexical::readFileIntoString(const std::string path) { 
  if (!entree.is_open()){ 
    std::cerr << "Could not open the file - '" << path << "'" << std::endl; 
    exit(1); 
  } 
  else{ 
    return std::string((std::istreambuf_iterator<char>(entree)), 
		       std::istreambuf_iterator<char>()); 
  } 
} 
  
void lexical::analex(terminal &ulex,std::string &lexeme,int &ligne){ 
  if(obtenirblanc(ligne)){ 
    analex(ulex,lexeme,ligne);//ignorer le blanc. enavant pointe sur le premier caractère du lexeme suivant 
  } 
  else if(obtenirFDF(ulex)){ 
    return; 
  } 
  else if(obteniridentificateur(ulex,lexeme)){ 
    return; 
  } 
  else if(obtenir2ptsega(ulex)){ 
    return; 
  } 
  else if(obtenirnombre(ulex,lexeme)){ 
    return; 
  } 
  else{ 
    std::cerr<<"caratère hors langage"<<std::endl; 
    enavant+=taille;//ignorer le caractère hors  langage 
    analex(ulex,lexeme,ligne); 
  } 
} 
  
bool lexical::obtenirblanc(int &ligne){ 
  int etat=0; 
  bool continuer=true; 
  bool reussi; 
  debutlex=enavant; 
  std::string caracterelu; 
  while(continuer) 
    switch(etat){ 
    case 0: 
      caracterelu=carsuiv(); 
      if(caracterelu=="\n"){ 
	ligne++; 
	etat=1; 
      } 
      else if(caracterelu==" "||caracterelu=="\t"||caracterelu=="\r") 
	etat=1; 
      else{ 
	continuer=false; 
	reussi=false; 
	enavant=debutlex; 
      } 
      break; 
    case 1: 
      continuer=false; 
      reussi=true; 
    } 
  return reussi; 
} 
  
bool lexical::obtenirFDF(terminal &ulex){ 
  int etat=0; 
  bool continuer=true; 
  bool reussi; 
  debutlex=enavant; 
  std::string caracterelu; 
  while(continuer) 
    switch(etat){ 
    case 0: 
      caracterelu=carsuiv(); 
      if(caracterelu[0]=='\0') 
	etat=1; 
      else{ 
	continuer=false; 
	reussi=false; 
	enavant=debutlex; 
      } 
      break; 
    case 1: 
      continuer=false; 
      reussi=true; 
      ulex=FDF; 
      break; 
    } 
  return reussi; 
} 
  
bool lexical::obteniridentificateur(terminal &ulex,std::string &lexeme){ 
  int etat=0; 
  bool continuer=true; 
  bool reussi; 
  lexeme=""; 
  debutlex=enavant; 
  std::string caracterelu; 
  while(continuer) 
    switch(etat){ 
    case 0: 
      caracterelu=carsuiv(); 
      if(caracterelu=="_"){ 
	lexeme+=caracterelu; 
	etat=0; 
      } 
      else if(caracterelu >="A" && caracterelu<="Z" || caracterelu >= "a" && caracterelu <= "z"){ 
	lexeme+=caracterelu; 
	etat=1; 
      } 
      else{//echec 
	enavant=debutlex; 
	continuer=false; 
	reussi=false; 
      } 
      break; 
    case 1: 
      caracterelu=carsuiv(); 
      if(caracterelu >="A" && caracterelu<="Z" || caracterelu >= "a" && caracterelu <= "z" || caracterelu >="0" && caracterelu <= "9" || caracterelu=="_"){ 
	lexeme+=caracterelu; 
	etat=1; 
      } 
      else //autre caractère 
	etat=2; 
      break; 
    case 2: 
      continuer=false; 
      reussi=true; 
      enavant-=taille;//reculer pour le dépassement de caractère (autre caractère) 
      ulex=identificateur; 
    } 
  return reussi; 
} 
  
bool lexical::obtenir2ptsega(terminal &ulex){ 
  bool continuer=true; 
  bool reussi; 
  int etat=0; 
  debutlex=enavant; 
  std::string caracterelu; 
  while(continuer) 
    switch(etat){ 
    case 0: 
      caracterelu=carsuiv(); 
      if(caracterelu==":") 
        etat=1; 
      else{ 
        continuer=false; 
	reussi=false; 
	enavant=debutlex; 
      } 
      break; 
    case 1: 
      caracterelu=carsuiv(); 
      if(caracterelu=="=") 
        etat=2; 
      else 
	etat=3; 
      break; 
    case 2: 
      ulex=deuxpointsegal;//ulex est un attribut de la classe lexical 
      continuer=false; 
      reussi=true; 
      break; 
    case 3: 
      ulex=deuxpoints; 
      enavant-=taille; 
      reussi=true; 
      continuer=false; 
      break; 
    } 
  return reussi; 
} 
  
bool lexical::obtenirnombre(terminal &ulex,std::string &lexeme){ 
  int etat=0; 
  bool continuer=true; 
  bool reussi; 
  lexeme=""; 
  debutlex=enavant; 
  std::string caracterelu; 
  while(continuer) 
    switch(etat){ 
    case 0: 
      caracterelu=carsuiv(); 
      if(caracterelu==","){ 
	lexeme+=caracterelu; 
	etat=2; 
      } 
      else if(caracterelu>="0" && caracterelu<="9"){ 
	lexeme+=caracterelu; 
	etat=1; 
      } 
      else{ 
	continuer=false; 
	reussi=false; 
	enavant=debutlex; 
      } 
      break; 
    case 1: 
      caracterelu=carsuiv(); 
      if(caracterelu==","){ 
	lexeme+=caracterelu; 
	etat=2; 
      } 
      else if(caracterelu>="0" && caracterelu<="9"){ 
	lexeme+=caracterelu; 
	etat=1; 
      } 
      else 
	etat=4;//autre 
      break; 
    case 2: 
      caracterelu=carsuiv(); 
      if(caracterelu>="0" && caracterelu<="9"){ 
	lexeme+=caracterelu; 
	etat=3; 
      } 
      else{ 
	enavant=debutlex; 
	continuer=false; 
	reussi=false; 
      } 
      break; 
    case 3: 
      caracterelu=carsuiv(); 
      if(caracterelu>="0" && caracterelu<="9"){ 
	lexeme+=caracterelu; 
	etat=3; 
      } 
      else{ 
	etat=4; 
      } 
      break; 
    case 4: 
      continuer=false; 
      reussi=true; 
      ulex=nombre; 
      enavant-=taille;//reculer pour le dépassement de caractère (autre caractère) 
    } 
  return reussi; 
} 
  
std::string lexical::carsuiv(){ 
  if((unsigned char)texte[enavant] >= (unsigned char)0 && texte[enavant] <= (unsigned char)127) 
    taille=1; 
  else if((unsigned char)texte[enavant] >= (unsigned char)0xC2 && (unsigned char)texte[enavant] <= (unsigned char)0xdf) 
    taille=2; 
  else if((unsigned char)texte[enavant] >= (unsigned char)0xe0 && (unsigned char)texte[enavant] <= (unsigned char)0xef) 
    taille=3; 
  else if((unsigned char)texte[enavant] >= (unsigned char)0xf0 && (unsigned char)texte[enavant] <= (unsigned char)0xff) 
    taille=4; 
  else{ 
    std::cerr<<"caractère non UTF-8"<<std::endl; 
    enavant++; 
    return carsuiv(); 
  } 
  std::string c=texte.substr(enavant,taille); 
  enavant+=taille; 
  return c; 
}
  Billet blog