语法分析器 Parser

词法分析器-->output: 记号 --> 语法分析器 -->output: AST 抽象语法树



context-free 上下文无关




Top-down 自顶向下:

意思就是从production rules的开始符号开始出发,所以叫Top--down.

如果可以推导出input String 那么就算成功。底下的例子就是从E 先 尝试第一个Production

E - > T+E 然后再第二个Production。。。

Recursive Descent由于算法用到了Backtrack 效率有点差,所以需要线性时间的算法,引出了 LL(1)


Recursively Descent: 递归下降  也叫预测分析  Easy to implement.

Idea: 每个Non-Terminal 构造一个 分析函数, 失败的就backtrack。 



上面情况前看一个符号会发现有好几种情况。[上述没有使用前看符号的Recursive descent]


如果对上述使用LL(1)的话 我们需要使用Left-factor  因为上面情况前看一个符号会发现有好几种情况

某种意义说recursive descent = LL(0)

所以我们需要使用Left-factor before LL(1) 


递归下降 无限循环问题:  S---> Sa


一直进入S,需要使用Elimination left recursive.


Bottom-up parsing:  也叫LR parsing, 不需要Left Factorized.自底向上。First/Follow set




Shift-Reduce:

w is a string of terminals 因为 bottom-up parse 的right-most derivation in reverse性质。

左边是被parsed后的结果,右边是要parse的input。从右往左是parsing,从左往右是reverse order  derivation? 那么rightmost derivation的话 X->beta 却没有改变w,只能证明w是一个terminals.




Predictive Parsing:

deterministic


LL(1)分析算法: 从左向右读, 最左推导,用一个前看符合。 分析高效,Linear Time, Debug信息准确。Main: idea   Table Driven Algorithm. 


这里只前看一个符号,比如T看到哦 是个Int,然后就会很confusing。有2种possible情况

这样的话又要需要试错然后backtrack。。

需要Left-factorization:


用表把不同场景应该怎么parse记录一下


First/Follow sets


First: 如果能够从这个non-terminal x derive 出一个Production such that 第一个字母是a.

那么a就在x的firstset。

Follow: A不能够Derive出t, 但是t是A的production后的第一个字母。t in followset of(A)

这里还有一个重点: A --> e 表示A可以通过一系列move变成e=消失了。


Follow:

Look at where the symbol is used! Also: Follow(x) is subset of FollowB 炒鸡重要


For each non-terminal and token, there's only 1 procedure that could lead to success.


总结:

所以其实Parser的任务就是判断input的这个东西符不符合这个语言的production rules

要么我能够从production rules开始推导出你这个语句,可以你就是valid。[top down].

要么你从这个语句能够推导回我的production rule的起点:E. 那么你就是valid [bottom up]

然后中间各种predictive, 那些都是为了加速parsing的过程。

当然,最后要output出一个AST 语法树!!!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,378评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,356评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,702评论 0 342
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,259评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,263评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,036评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,349评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,979评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,469评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,938评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,059评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,703评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,257评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,262评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,485评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,501评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,792评论 2 345