Lex中有趣问题

Lex和Yacc是Unix下不错的词法分析器和语法分析器，在linux下，这两个工具被成为flex和bison，也是C++经常用来构建字符分析程序的工具。

本文不是一篇入门文章，我们假设您已经了解了Lex和Yacc的基本语法

入门文章请参考IBM的：【Yacc 与 Lex 快速入门】

我们这里讨论一些其有趣的用法和注意的事项

字符串的识别

常规的正则式和匹配问题都难不倒大家，那么下面来想一个问题，C语言中字符串如何识别？

我们知道，字符串一般是这样的

"some \"string\" problem.\n"

但我们会发现其中包含有转移符和引号，如何只是简单的如下书写正则式：

\"[^"]*\"

则会导致引号表达能力不全，不能满足C语言的要求。

所以我们考虑将里面的表达部分拆开，首先，虽然不能有引号，但可以让其有\"，所以我们的正则式改完如下：

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

好的，那么我们可以用这个\"转义引号了，但如何你认为就这样就可以了，那未免有点心急，因为还有很重要的情况，那就是后一半中其实也可以含有\，但其实我们的\实际上是转义符，要成对配套使用，单独用\是不正确的，所以我们应该加上对其的限制，不让\随意出现，那么我们的正则变成了这样：

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

好，这就是我们的C语言字符串识别的正则式了。

注释的识别

恩，解决了棘手的字符串识别难题，那么，又发现了另外的情况，C语言有两种注释，如何正确的识别他们呢？

// hello world

/**
 * hello world
 */

首先第一种较为容易实现，类似上面的方法，只要让注释中不存在换行符就好：

//[^\n]*

但下面一种较为复杂，当然也有简单实现的方式

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

这个正则式十分复杂，我们分解讲解一下

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

( [^\*] | (\*)* [^\*/] )*这一段是在找所以的非*内容，或者是*后面不是*或/的部分，这是被允许的，有人问，为何里面*不能跟*呢？

这是由于一旦可以跟*，下一次匹配就限制不住匹配/开头的了，为了避免这一情况，做出限制，但又由于可能存在末尾连续的*的情况，所以在后面又补充了连续的*

这里，其实使用别的正则引擎，还有简单的解决方案，具体可以参考这篇英文博客：【Finding Comments in Source Code Using Regular Expressions】

另外在Lex的实际使用中，还有一种简便的方式，那就是利用固定的C代码，处理注释的丢弃，方法如下：

"/*"                    comment();

%%

comment()
{
    char c, c1;

loop:
    while ((c = input()) != ‘*‘ && c != 0)
        putchar(c);

    if ((c1 = input()) != ‘/‘ && c != 0)
    {
        unput(c1);
        goto loop;
    }

    if (c != 0)
        putchar(c1);
}