词法分析器或者叫扫描器主要用来分析字符串的文本，然后把文本里组成的单词分析出来，识别为某一类型的属性。对于编写编译器或者解析器的第一步工作就是做这样的事情：词法分析。以前有很多种使用字符串搜索的办法，这里使用正则表达式来实现这个目的。
例子：
print("词法分析器")
import collections
import re
Token = collections.namedtuple(‘Token‘, [‘typ‘, ‘value‘, ‘line‘, ‘column‘])
def tokenize(code):
keywords = {‘IF‘, ‘THEN‘, ‘ENDIF‘, ‘FOR‘, ‘NEXT‘, ‘GOSUB‘, ‘RETURN‘}
token_specification = [
(‘NUMBER‘, r‘\d+(\.\d*)?‘), # Integer or decimal number
(‘ASSIGN‘, r‘:=‘), # Assignment operator
(‘END‘, r‘;‘), # Statement terminator
(‘ID‘, r‘[A-Za-z]+‘), # Identifiers
(‘OP‘, r‘[+\-*/]‘), # Arithmetic operators
(‘NEWLINE‘, r‘\n‘), # Line endings
(‘SKIP‘, r‘[ \t]+‘), # Skip over spaces and tabs
(‘MISMATCH‘,r‘.‘), # Any other character
]
tok_regex = ‘|‘.join(‘(?P<%s>%s)‘ % pair for pair in token_specification)
line_num = 1
line_start = 0
for mo in re.finditer(tok_regex, code):
kind = mo.lastgroup
value = mo.group(kind)
if kind == ‘NEWLINE‘:
line_start = mo.end()
line_num += 1
elif kind == ‘SKIP‘:
pass
elif kind == ‘MISMATCH‘:
raise RuntimeError(‘%r unexpected on line %d‘ % (value, line_num))
else:
if kind == ‘ID‘ and value in keywords:
kind = value
column = mo.start() - line_start
yield Token(kind, value, line_num, column)
statements = ‘‘‘
IF quantity THEN
total := total + price * quantity;
tax := price * 0.05;
ENDIF;
‘‘‘
for token in tokenize(statements):
print(token)
结果输出如下：
词法分析器
Token(typ=‘IF‘, value=‘IF‘, line=2, column=4)
Token(typ=‘ID‘, value=‘quantity‘, line=2, column=7)
Token(typ=‘THEN‘, value=‘THEN‘, line=2, column=16)
Token(typ=‘ID‘, value=‘total‘, line=3, column=8)
Token(typ=‘ASSIGN‘, value=‘:=‘, line=3, column=14)
Token(typ=‘ID‘, value=‘total‘, line=3, column=17)
Token(typ=‘OP‘, value=‘+‘, line=3, column=23)
Token(typ=‘ID‘, value=‘price‘, line=3, column=25)
Token(typ=‘OP‘, value=‘*‘, line=3, column=31)
Token(typ=‘ID‘, value=‘quantity‘, line=3, column=33)
Token(typ=‘END‘, value=‘;‘, line=3, column=41)
Token(typ=‘ID‘, value=‘tax‘, line=4, column=8)
Token(typ=‘ASSIGN‘, value=‘:=‘, line=4, column=12)
Token(typ=‘ID‘, value=‘price‘, line=4, column=15)
Token(typ=‘OP‘, value=‘*‘, line=4, column=21)
Token(typ=‘NUMBER‘, value=‘0.05‘, line=4, column=23)
Token(typ=‘END‘, value=‘;‘, line=4, column=27)
Token(typ=‘ENDIF‘, value=‘ENDIF‘, line=5, column=4)
Token(typ=‘END‘, value=‘;‘, line=5, column=9)
在这个例子里，先从库collections导入namedtuple，以便可以记录每个单词（Token）的属性，在这里主要为4个属性：类型、值、行号、列号，因此创建一个命名的元组Token数据结构，为后面保存每一个单词属性提供了空间。
接着定义一个函数tokenize（），在函数里先定义关键字集合keywords，定义识别不同单词的正则表达式的字典token_specification，然后通过通过字符串join函数生成一个正则表达式：
(?P<NUMBER>\d+(\.\d*)?)|(?P<ASSIGN>:=)|(?P<END>;)|(?P<ID>[A-Za-z]+)|(?P<OP>[+\-*/])|(?P<NEWLINE>\n)|(?P<SKIP>[ \t]+)|(?P<MISMATCH>.)
通过上面正则表达式，就可匹配所有规则，只要匹配成功，就保存在最后一个分组里，因而使用了lastgroup来获取。具体来分析一个正则表达式(?P<NUMBER>\d+(\.\d*)?)，外面大括号表示分组，?表示可以出现，P<NUMBER>表示分组的名称为NUMBER，\d+表示匹配所有数字字符，+(\.\d*)?表示小数点部分是否可以存在。
通过语句re.finditer(tok_regex, code)来匹配整个输入文本中所有单词，然后在for循环里得到所有匹配成功的单词，接着判断单词的类型，并根据换行符来增加行号，判断列号，有了单词的类型、行号、列表号，再把值保存起来就完成了整个词法分析过程。
值得注意的是，由于分析的文本长度不限，有可能达到1M，或者几M大小，因此不可能把所有单词全部保存在一起再返回，因而采用迭代子的方式进行返回，从而使用了关键字yield来返回。从上面看来，有了正则表达式的功能，再来写一个词法分析器是轻而易举的事情，不费吹灰之力，这是为“懒人”准备的好工具。
蔡军生 微信号：shenzhencai 深圳
版权声明：本文为博主原创文章，未经博主允许不得转载。