En
este tutorial se desarrolla un ejemplo sencillo de un intérprete que
recibe como entrada un archivo de texto que contiene varias
expresiones aritméticas que son evaluadas, para ello se hace
análisis léxico y sintáctico de dicha entrada, los analizadores se
generan con Jlex y Cup. Para desarrollar el proyecto se utilizó
Ubuntu 14.04 y Netbeans 8.0, este ejemplo bien se podría adaptar a
algún otro sistema operativo basado en GNU/Linux o a windows, aunque
en windows el proceso de instalación de Jlex y Cup es un poco
distinto, además, tendría que cambiarse el archivo compilar.sh, que
se reemplazaría con un archivo .bat, con instrucciones distintas. El
proyecto completo del ejemplo puede descargarse del siguiente enlace:
JLex es un generador de analizadores léxicos,
escrito en Java, para Java. JLex fue desarrollado por Elliot Berk en
la Universidad de Princeton. Para más información visitar la página
oficial de JLex:
https://www.cs.princeton.edu/~appel/modern/java/JLex/
https://www.cs.princeton.edu/~appel/modern/java/JLex/
La
principal tarea de un analizador léxico es leer los caracteres de
entrada del programa fuente, agruparlos en lexemas y producir como
salida una secuencia de tokens.
-
Un token es un par que consiste en un nombre de token y un valor de atributo opcional.
-
Un lexema es una secuencia de caracteres en el programa fuente, que coinciden con el patrón para un token y que el analizador léxico identifica como una instancia de este tóken.
-
Un patrón es una descripción de la forma que pueden tomar los lexemas de un token.
En
Jlex se definen los patrones de los diferentes tokens que se desean
reconocer, estos patrones pueden definirse a través de expresiones
regulares. Además Jlex cuenta con múltiples opciones, una muy
imporante es su capacidad para integrarse con generadores de
analizadores sintácticos como Cup.
Cup
Cup
es un generador de analizadores sintácticos de tipo LALR para Java.
Para más información visitar la página oficial de Cup:
El
analizador sintáctico obtiene una cadena de tokens del analizador
léxico y verifica que dicha cadena pueda generase con la gramática
para el lenguaje fuente. Una gramática proporciona una
especificación precisa y fácil de entender de un lenguaje de
programación.
Pre-requisitos
Instalación y configuración de las herramientasLo primero que haremos será instalar JLex, para ello abrimos una terminal, en Ubuntu puede hacerse con la combinación de teclas Ctrl+Alt+t o en Aplicaciones → Accesorios → Terminal, una vez abierta la terminal ingresamos el comando “sudo apt-get install jlex”, autenticamos ingresando nuestra contraseña y aceptamos la descarga e instalación, con esto quedará instalado JLex.
Luego
instalamos cup, ejecutando en la terminal el comando “sudo apt-get
install cup”, autenticamos ingresando nuestra contraseña y
aceptamos la descarga e instalación, con esto quedará instalado
Cup.
Abrimos
Netbeans y creamos un nuevo proyecto de Java (File → New Project).
Creamos
un paquete llamado analizadores, este almacenará todo el código
fuente relacionado con el analizador léxico y sintáctico (Clic derecho en Source
Packages → New → Java Package).
Creamos tres archivos en el paquete analizadores, el primero “Lexico”, que
almacenará el código fuente con el cual JLex generará el
analizador léxico que queremos, el segundo “Sintactico”, que
almacenará el código fuente con el cual Cup generará el analizador
sintáctico que queremos y el tercero “compilar.sh”, que guardará
los comandos que deben ejecutarse para solicitarle a JLex y a Cup que
generen los analizadores. Para crear cada uno de los archivos hacemos
clic derecho en el paquete analizadores → New → Other → en la
ventana que despliegue, seleccionar Categories: Other y File Types:
Empty File, seleccionamos siguiente, indicamos el nombre para el
archivo y finalizamos. De tal modo que al final tendremos los tres
archivos archivos.
Ahora
importaremos la llibrería de Cup a nuestro proyecto de netbeans,
para ello descargamos el archivo "java-cup-bin-11b-<versión>.tar.gz" de la página oficial de Cup. En este caso el archivo descargado fue el "java-cup-bin-11b-20150326.tar.gz".
Lo
descomprimimos y veremos que contiene dos archivos .jar, el que nos
interesa es el archivo “java-cup-11b-runtime.jar”.
Creamos
una carpeta lib dentro de la carpeta de nuestro proyecto.
Dentro
de la carpeta lib pegamos el archivo “java-cup-11b-runtime.jar”.
En
el archivo “Lexico” incluiremos todo el código que le indicará
a Jlex lo que debe hacer. El código se muestra a continuación:
/*
* Ejemplo desarrollado por Erick Navarro
* Blog: e-navarro.blogspot.com
* Septiembre - 2015
*/
package analizadores;
import java_cup.runtime.Symbol;
%%
%class Lexico
%public
%line
%char
%cup
%unicode
%ignorecase
%init{
yyline = 1;
yychar = 1;
%init}
BLANCOS=[ \r\t]+
D=[0-9]+
DD=[0-9]+("."[ |0-9]+)?
%%
"Evaluar" {return new Symbol(sym.REVALUAR,yyline,yychar,
yytext());}
";" {return new Symbol(sym.PTCOMA,yyline,yychar, yytext());}
"(" {return new Symbol(sym.PARIZQ,yyline,yychar, yytext());}
")" {return new Symbol(sym.PARDER,yyline,yychar, yytext());}
"[" {return new Symbol(sym.CORIZQ,yyline,yychar, yytext());}
"]" {return new Symbol(sym.CORDER,yyline,yychar, yytext());}
"+" {return new Symbol(sym.MAS,yyline,yychar, yytext());}
"-" {return new Symbol(sym.MENOS,yyline,yychar, yytext());}
"*" {return new Symbol(sym.POR,yyline,yychar, yytext());}
"/" {return new Symbol(sym.DIVIDIDO,yyline,yychar, yytext());}
\n {yychar=1;}
{BLANCOS} {}
{D} {return new Symbol(sym.ENTERO,yyline,yychar, yytext());}
{DD} {return new Symbol(sym.DECIMAL,yyline,yychar, yytext());}
. {
System.out.println("Este es un error lexico: "+yytext()+
", en la linea: "+yyline+", en la columna: "+yychar);
}
Explicación del código fuente para el analizador léxico
En
las primeras líneas indicamos a Jlex que la clase estará en el
paquete analizadores y que es necesario que se importe la clase
Symbol.
package analizadores; import java_cup.runtime.Symbol;
Posteriormente
indicamos a Jlex que:
-
La clase del analizador se llamará "Lexico"
-
La clase será pública
-
Debe llevar el conteo de las líneas
-
Debe llevar el conteo de los caracteres reconocidos
-
Debe integrarse con cup
-
El set de caracteres que debe utilizar es el unicode
-
El analizador no será case sensitive, es decir, no le importa si las letras son mayúsculas o minúsculas
%% %class Lexico %public %line %char %cup %unicode %ignorecase
Luego
viene el bloque init, dentro del init, se ejecutan las acciones de
inicialización, es decir, lo que va dentro del constructor del
analizador léxico.En este caso indicamos dentro del init que:
-
La variable yyline, que lleva la cuenta del número de linea por el que va el analizador valdrá inicialmente 1.
-
La variable yychar, que lleva la cuenta del número de carácter por el que va el analizador valdrá inicialmente 1.
%init{
yyline = 1;
yychar = 1;
%init}
Luego
se escriben algunas expresiones regulares que son almacenadas en
macros, que básicamente son variables que almacenan los patrones, en
este caso se definen las macros: BLANCOS, D y DD. Los patrones para
cada una son los siguientes:
-
BLANCOS - Expresión regular que reconoce uno o muchos espacios en blanco, retornos de carro o tabuladores.
-
D - Expresión regular que reconoce números enteros.
-
DD - Expresión regular que reconoce números con punto decimal.
BLANCOS=[ \r\t]+
D=[0-9]+
DD=[0-9]+("."[ |0-9]+)?
%%
Por
último se definen todas las reglas léxicas, en las que indicamos el
patrón que reconocerá y dentro de llaves lo que debe hacer cuando
lo reconozca. En la mayoría de los casos se retorna un objeto de
tipo Symbol, que vendría siendo un token, este se instancia con el
tipo, la fila en la que se encontró, la columna en la que se
encontró y el lexema en específico que se reconoció, este se
obtiene mediante yytext(). Dentro de las llaves podríamos incluir el
código java que quisiéramos. Vemos que al reconocer el patrón
BLANCOS no se hace nada porque esperamos que ignore los espacios en
blanco. También vemos que al encontrar un salto de linea reinicia la
variable yychar, es decir, reinicia el conteo de caracteres para que
se lleve la cuenta del número de columna en cada fila.
"Evaluar" {return new Symbol(sym.REVALUAR,yyline,yychar,
yytext());}
";" {return new Symbol(sym.PTCOMA,yyline,yychar, yytext());}
"(" {return new Symbol(sym.PARIZQ,yyline,yychar, yytext());}
")" {return new Symbol(sym.PARDER,yyline,yychar, yytext());}
"[" {return new Symbol(sym.CORIZQ,yyline,yychar, yytext());}
"]" {return new Symbol(sym.CORDER,yyline,yychar, yytext());}
"+" {return new Symbol(sym.MAS,yyline,yychar, yytext());}
"-" {return new Symbol(sym.MENOS,yyline,yychar, yytext());}
"*" {return new Symbol(sym.POR,yyline,yychar, yytext());}
"/" {return new Symbol(sym.DIVIDIDO,yyline,yychar, yytext());}
\n {yychar=1;}
{BLANCOS} {}
{D} {return new Symbol(sym.ENTERO,yyline,yychar, yytext());}
{DD} {return new Symbol(sym.DECIMAL,yyline,yychar, yytext());}
. {
System.out.println("Este es un error lexico: "+yytext()+
", en la linea: "+yyline+", en la columna: "+yychar);
}
Código
fuente para el analizador sintáctico
En
el archivo “Sintáctico” incluiremos todo el código que le
indicará a Cup lo que debe hacer. El código se muestra a
continuación:
/*
* Ejemplo desarrollado por Erick Navarro
* Blog: e-navarro.blogspot.com
* Septiembre - 2015
*/
package analizadores;
import java_cup.runtime.*;
parser code
{:
/**
* Método al que se llama automáticamente ante algún error sintactico.
**/
public void syntax_error(Symbol s){
System.out.println("Error Sintáctico en la Línea " + (s.left) +
" Columna "+s.right+ ". No se esperaba este componente: " +s.value+".");
}
/**
* Método al que se llama automáticamente ante algún error sintáctico
* en el que ya no es posible una recuperación de errores.
**/
public void unrecovered_syntax_error(Symbol s) throws java.lang.Exception{
System.out.println("Error síntactico irrecuperable en la Línea " +
(s.left)+ " Columna "+s.right+". Componente " + s.value +
" no reconocido.");
}
:}
terminal String PTCOMA,PARIZQ,PARDER,CORIZQ,CORDER;
terminal String MAS,MENOS,POR,DIVIDIDO;
terminal String ENTERO;
terminal String DECIMAL;
terminal String UMENOS;
terminal String REVALUAR;
non terminal ini;
non terminal instrucciones;
non terminal instruccion;
non terminal Double expresion;
precedence left MAS,MENOS;
precedence left POR,DIVIDIDO;
precedence right UMENOS;
start with ini;
ini::=instrucciones;
instrucciones ::=
instruccion instrucciones
| instruccion
| error instrucciones
;
instruccion ::=
REVALUAR CORIZQ expresion:a CORDER PTCOMA{:System.out.println("El valor de la expresión es: "+a);:}
;
expresion ::=
MENOS expresion:a {:RESULT=a*-1;:}%prec UMENOS
| expresion:a MAS expresion:b {:RESULT=a+b;:}
| expresion:a MENOS expresion:b {:RESULT=a-b;:}
| expresion:a POR expresion:b {:RESULT=a*b;:}
| expresion:a DIVIDIDO expresion:b {:RESULT=a/b;:}
| ENTERO:a {:RESULT=new Double(a);:}
| DECIMAL:a {:RESULT=new Double(a);:}
| PARIZQ expresion:a PARDER {:RESULT=a;:}
;
Explicación
del código fuente para el analizador sintáctico
En
las primeras líneas indicamos a Cup que la clase estará en el
paquete analizadores y que es necesario que se importe todo el
contenido de “java_cup.runtime”.
package analizadores; import java_cup.runtime.*;
Luego
viene la sección “parser code”, en la que se programan acciones
propias del parser o analizador sintáctico que se va a generar, en
este caso se programa lo que se debe hacer ante un error sintáctico
y ante un error sintáctico irrecuperable.
parser code
{:
/**
* Método al que se llama automáticamente ante algún error sintactico.
**/
public void syntax_error(Symbol s){
System.out.println("Error Sintáctico en la Línea " + (s.left) +
" Columna "+s.right+ ". No se esperaba este componente: " +s.value+".");
}
/**
* Método al que se llama automáticamente ante algún error sintáctico
* en el que ya no es posible una recuperación de errores.
**/
public void unrecovered_syntax_error(Symbol s) throws java.lang.Exception{
System.out.println("Error síntactico irrecuperable en la Línea " +
(s.left)+ " Columna "+s.right+". Componente " + s.value +
" no reconocido.");
}
:}
Luego
se definen los terminales, a estos se les puede indicar un tipo, en
este caso todos son de tipo String, si
no se indicara un tipo, los terminales serían por defecto de tipo
Object.
terminal String PTCOMA,PARIZQ,PARDER,CORIZQ,CORDER;
terminal String MAS,MENOS,POR,DIVIDIDO;
terminal String ENTERO;
terminal String DECIMAL;
terminal String UMENOS;
terminal String REVALUAR;
Existe un terminal por cada tipo de token que el analizador léxico
devuelve. Todos estos tipos estarán definidos en la clase “sym”,
que se genera automáticamente y de la que se hablará más adelante.
Luego
viene la declaración de los no terminales, a los que también se les
puede indicar un tipo específico, si no se les indica un tipo, estos
son por defecto de tipo Object.
non terminal ini; non terminal instrucciones; non terminal instruccion; non terminal Double expresion;
Posteriormente
podemos indicar la precedencia de los operadores, ya que la gramática
escrita es ambigua, es necesario definir una precedencia para que el
analizador no entre en conflicto al analizar, en este caso la
precedencia es la misma que la de los operadores aritméticos, la
precedencia más baja la tienen la suma y la resta, luego están la
multiplicación y la división que tienen una precedencia más alta y
por último está el signo menos de las expresiones negativas que
tendría la precedencia más alta.
precedence left MAS,MENOS; precedence left POR,DIVIDIDO; precedence right UMENOS;
Por
último viene el conjunto de reglas de escritura de la gramática o
producciones, al final de cada producción puede incluirse código
java entre llaves y dos puntos “{:<código java>:}”.
Podemos ver que en las producciones del no terminal "expresion", se
utiliza la variable RESULT, esta variable es propia de Cup y nos
permite sintetizar cierto atributo para ese no terminal que se
encuentra del lado izquierdo de la producción, recordemos que Cup trabaja con
analizadores LALR, que son de tipo ascendente, lo que significa que
nos permiten manipular atributos sintetizados. Básicamente eso es
RESULT, un atributo sintetizado.
RESULT
puede ser cualquier objeto, por ejemplo si quisiéramos que RESULT
almacenara varios números enteros hacemos una clase Nodo que
contenga muchas variables de tipo entero y declaramos los no
terminales para que sean de tipo Nodo, entonces el RESULT que
sintetizarán dichos no terminales serán de tipo Nodo.
start with ini;
ini::=instrucciones;
instrucciones ::=
instruccion instrucciones
| instruccion
| error instrucciones
;
instruccion ::=
REVALUAR CORIZQ expresion:a CORDER PTCOMA{:System.out.println("El valor de la expresión es: "+a);:}
;
expresion ::=
MENOS expresion:a {:RESULT=a*-1;:}%prec UMENOS
| expresion:a MAS expresion:b {:RESULT=a+b;:}
| expresion:a MENOS expresion:b {:RESULT=a-b;:}
| expresion:a POR expresion:b {:RESULT=a*b;:}
| expresion:a DIVIDIDO expresion:b {:RESULT=a/b;:}
| ENTERO:a {:RESULT=new Double(a);:}
| DECIMAL:a {:RESULT=new Double(a);:}
| PARIZQ expresion:a PARDER {:RESULT=a;:}
;
El
archivo de compilación
En
el archivo “compilar.sh”, ejecutamos dos líneas, la primera
indica a Jlex que debe generar un analizador léxico en base al
código fuente que se encuentra en el archivo “Lexico”, la
segunda indica a Cup que la clase que debe generar para el analizador
sintáctico se llamará “Sintactico” y que debe generarse en base
al código fuente que se encuentra en el archivo “Sintactico”.
jlex Lexico cup -parser Sintactico Sintactico
Para
ejecutarlo solo vamos a Netbeans, damos clic derecho sobre el archivo
y seleccionamos la opción Run. Al finalizar la ejecución del
archivo, veremos en la consola de Netbeans una salida como la
siguiente:
Processing first section -- user code. Processing second section -- JLex declarations. Processing third section -- lexical rules. Creating NFA machine representation. NFA comprised of 67 states. Working on character classes.:::::.:::::::::::::.:::. NFA has 24 distinct character classes. Creating DFA transition table. Working on DFA states........................... Minimizing DFA transition table. 24 states after removal of redundant states. Outputting lexical analyzer code. ------- CUP v0.11a beta 20060608 Parser Generation Summary ------- 0 errors and 0 warnings 15 terminals, 4 non-terminals, and 14 productions declared, producing 28 unique parse states. 0 terminals declared but not used. 0 non-terminals declared but not used. 0 productions never reduced. 0 conflicts detected (0 expected). Code written to "Sintactico.java", and "sym.java". ---------------------------------------------------- (v0.11a beta 20060608) RUN SUCCESSFUL (total time: 757ms)
Que
nos confirma que la generación del analizador léxico fue exitosa y
que la del analizador sintáctico también. Veremos que se han creado
tres nuevos archivos en el paquete analizadores. Estos archivos son
las clases: Lexico.java, Sintactico.java y sym.java.
La
clase sym.java, sirve como puente entre la clase Lexico.java y
Sintactico.java, por ejemplo, cuando el analizador léxico reconoce
un número entero, instancia un objeto de la clase Symbol e indica
que es de tipo número entero por medio de la constante “sym.ENTERO”,
que se genera dentro de la clase sym.java y esta constante se genera
porque en el archivo de entrada para Cup se indicó que existe un
terminal llamado ENTERO. Entonces tanto el analizador léxico como el
sintáctico hacen referencia a los tokens de tipo número entero con
la constante “sym.ENTERO”. Básicamente eso es sym.java, una
clase con muchas constantes estáticas a las que acceden ambos
analizadores para poder integrarse y ejecutar sus tareas
exitosamente.
Creando
un archivo de entrada para nuestros analizadores
Dentro
de la carpeta del proyecto crearé un archivo de entrada llamado
“entrada.txt”. Que contendrá el archivo de entrada que
reconocerán nuestros analizadores.
El
archivo de “entrada.txt” contiene lo siguiente:
Evaluar[1+1]; Evaluar[1+1*2]; Evaluar[-(1+1*6/3-5+7)]; Evaluar[-(1+1*6/3-5+1*-2)]; Evaluar[-(1+1)];
Clase
principal
Dentro
de la clase principal solo tenemos el método main
y el método interpretar que lee el contenido del archivo que se
encuentra en el path que se le indica y ejecuta análisis léxico y
análisis sintáctico, en el transcurso del analisis sintáctico se
mandan a imprimir en consola los resultados de las expresiones
aritméticas analizadas, por lo que al final del análisis tendremos
todos los resultados de las operaciones en consola. A continuación
se muestra el código de la clase principal.
/*
* Ejemplo desarrollado por Erick Navarro
* Blog: e-navarro.blogspot.com
* Septiembre - 2015
*/
package proyectocupjlex;
import java.io.FileInputStream;
/**
* Clase principal de la aplicación
* @author Erick
*/
public class ProyectoCupJlex {
/**
* @param args argumentos de la linea de comando
*/
public static void main(String[] args) {
interpretar("entrada.txt");
}
/**
* Método que interpreta el contenido del archivo que se encuentra en el path
* que recibe como parámentro
* @param path ruta del archivo a interpretar
*/
private static void interpretar(String path) {
analizadores.Sintactico pars;
try {
pars=new analizadores.Sintactico(new analizadores.Lexico(new FileInputStream(path)));
pars.parse();
} catch (Exception ex) {
System.out.println("Error fatal en compilación de entrada.");
System.out.println("Causa: "+ex.getCause());
}
}
}
Ejecutando
nuestra aplicación
Al
ejecutar la aplicación obtenemos los resultados de las operaciones
evaluadas en consola.
Si
les gusto este tutorial, puede que también estén interesados en este
otro: Intérprete sencillo utilizando Java, Jlex y Cup.
Para tener acceso a más temas como este, pueden
unirse a este blog, solo tienen que hacer clic en el botón
“Participar en este sitio” que se encuentra del lado derecho de
esta página.
Fuentes
consultadas:
Compiladores,
principios, técnicas y herramientas. Aho, Lam, Sethi y Ullman.
Segunda Edición
No hay comentarios:
Publicar un comentario