Provided by:
manpages-es-extra_0.8a-14ubuntu1_all 
NOMBRE
flex - generador de analizadores léxicos rápidos
SINOPSIS
flex [-bcdfhilnpstvwBFILTV78+? -C[aefFmr] -osalida -Pprefijo
-Sesqueleto] [--help --version] [nombrefichero ...]
INTRODUCCIÓN
Este manual describe flex, una herramienta para la generación de
programas que realizan concordancia de patrones en texto. El manual
incluye a la vez secciones de tutorial y de referencia:
Descripción
una breve introducción a la herramienta
Algunos Ejemplos Simples
Formato del Fichero de Entrada
Patrones
las expresiones regulares extendidas que utiliza flex
Cómo se Empareja la Entrada
las reglas para determinar lo que ha concordado
Acciones
cómo especificar qué hacer cuando concuerde un patrón
El Escáner Generado
detalles respecto al escáner que produce flex;
cómo controlar la fuente de entrada
Condiciones de Arranque
la introdución de contexto en sus escáneres, y
conseguir "mini-escáneres"
Múltiples Buffers de Entrada
cómo manipular varias fuentes de entrada; cómo
analizar cadenas en lugar de ficheros.
Reglas de Fin-de-Fichero
reglas especiales para reconocer el final de la entrada
Macros Misceláneas
un sumario de macros disponibles para las acciones
Valores Disponibles para el Usuario
un sumario de valores disponibles para las acciones
Interfaz con Yacc
conectando escáneres de flex junto con analizadores de yacc
Opciones
opciones de línea de comando de flex, y la directiva
"%option"
Consideraciones de Rendimiento
cómo hacer que sus analizadores vayan tan rápido
como sea posible
Generando Escáneres en C++
la facilidad (experimental) para generar analizadores
léxicos como clases de C++
Incompatibilidades con Lex y POSIX
cómo flex difiere del lex de AT&T y del lex estándar
de POSIX
Diagnósticos
esos mensajes de error producidos por flex (o por
los escáneres que este genera) cuyo significado podría
no ser evidente
Ficheros
los ficheros usados por flex
Deficiencias / Errores
problemas de flex conocidos
Ver También
otra documentación, herramientas relacionadas
Autor
incluye información de contacto
DESCRIPCIÓN
flex es una herramienta para generar escneres: programas que reconocen
patrones léxicos en un texto. flex lee los ficheros de entrada dados,
o la entrada estándar si no se le ha indicado ningún nombre de fichero,
con la descripción de un escáner a generar. La descripción se
encuentra en forma de parejas de expresiones regulares y código C,
denominadas reglas. flex genera como salida un fichero fuente en C,
lex.yy.c, que define una rutina yylex(). Este fichero se compila y se
enlaza con la librería -lfl para producir un ejecutable. Cuando se
arranca el fichero ejecutable, este analiza su entrada en busca de
casos de las expresiones regulares. Siempre que encuentra uno, ejecuta
el código C correspondiente.
ALGUNOS EJEMPLOS SIMPLES
En primer lugar veremos algunos ejemplos simples para una toma de
contacto con el uso de flex. La siguiente entrada de flex especifica
un escáner que siempre que encuentre la cadena "username" la
reemplazará por el nombre de entrada al sistema del usuario:
%%
username printf( "%s", getlogin() );
Por defecto, cualquier texto que no reconozca el analizador léxico de
flex se copia a la salida, así que el efecto neto de este escáner es
copiar su fichero de entrada a la salida con cada aparición de
"username" expandida. En esta entrada, hay solamente una regla.
"username" es el patrn y el "printf" es la accin. El "%%" marca el
comienzo de las reglas.
Aquí hay otro ejemplo simple:
int num_lineas = 0, num_caracteres = 0;
%%
\n ++num_lineas; ++num_caracteres;
. ++num_caracteres;
%%
main()
{
yylex();
printf( "# de líneas = %d, # de caracteres. = %d\n",
num_lineas, num_caracteres );
}
Este analizador cuenta el número de caracteres y el número de líneas en
su entrada (no produce otra salida que el informe final de la cuenta).
La primera línea declara dos variables globales, "num_lineas" y
"num_caracteres", que son visibles al mismo tiempo dentro de yylex() y
en la rutina main() declarada después del segundo "%%". Hay dos
reglas, una que empareja una línea nueva ("\n") e incrementa la cuenta
de líneas y la cuenta de caracteres, y la que empareja cualquier
caracter que no sea una línea nueva (indicado por la expresión regular
".").
Un ejemplo algo más complicado:
/* escáner para un lenguaje de juguete al estilo de Pascal */
%{
/* se necesita esto para la llamada a atof() más abajo */
#include <math.h>
%}
DIGITO [0-9]
ID [a-z][a-z0-9]*
%%
{DIGITO}+ {
printf( "Un entero: %s (%d)\n", yytext,
atoi( yytext ) );
}
{DIGITO}+"."{DIGITO}* {
printf( "Un real: %s (%g)\n", yytext,
atof( yytext ) );
}
if|then|begin|end|procedure|function {
printf( "Una palabra clave: %s\n", yytext );
}
{ID} printf( "Un identificador: %s\n", yytext );
"+"|"-"|"*"|"/" printf( "Un operador: %s\n", yytext );
"{"[^}\n]*"}" /* se come una linea de comentarios */
[ \t\n]+ /* se come los espacios en blanco */
. printf( "Caracter no reconocido: %s\n", yytext );
%%
main( argc, argv )
int argc;
char **argv;
{
++argv, --argc; /* se salta el nombre del programa */
if ( argc > 0 )
yyin = fopen( argv[0], "r" );
else
yyin = stdin;
yylex();
}
Esto podría ser los comienzos de un escáner simple para un lenguaje
como Pascal. Este identifica diferentes tipos de tokens e informa a
cerca de lo que ha visto.
Los detalles de este ejemplo se explicarán en las secciones siguientes.
FORMATO DEL FICHERO DE ENTRADA
El fichero de entrada de flex está compuesto de tres secciones,
separadas por una línea donde aparece únicamente un %% en esta:
definiciones
%%
reglas
%%
código de usuario
La sección de definiciones contiene declaraciones de definiciones de
nombres sencillas para simplificar la especificación del escáner, y
declaraciones de condiciones de arranque, que se explicarán en una
sección posterior.
Las definiciones de nombre tienen la forma:
nombre definición
El "nombre" es una palabra que comienza con una letra o un subrayado
(’_’) seguido por cero o más letras, dígitos, ’_’, o ’-’ (guión). La
definición se considera que comienza en el primer caracter que no sea
un espacio en blanco siguiendo al nombre y continuando hasta el final
de la línea. Posteriormente se puede hacer referencia a la definición
utilizando "{nombre}", que se expandirá a "(definición)". Por ejemplo,
DIGITO [0-9]
ID [a-z][a-z0-9]*
define "DIGITO" como una expresión regular que empareja un dígito
sencillo, e "ID" como una expresión regular que empareja una letra
seguida por cero o más letras o dígitos. Una referencia posterior a
{DIGITO}+"."{DIGITO}*
es idéntica a
([0-9])+"."([0-9])*
y empareja uno o más dígitos seguido por un ’.’ seguido por cero o más
dígitos.
La sección de reglas en la entrada de flex contiene una serie de reglas
de la forma:
patrón acción
donde el patrón debe estar sin sangrar y la acción debe comenzar en la
misma línea.
Ver más abajo para una descripción más amplia sobre patrones y
acciones.
Finalmente, la sección de código de usuario simplemente se copia a
lex.yy.c literalmente. Esta sección se utiliza para rutinas de
complemento que llaman al escáner o son llamadas por este. La
presencia de esta sección es opcional; Si se omite, el segundo %% en el
fichero de entrada se podría omitir también.
En las secciones de definiciones y reglas, cualquier texto sangrado o
encerrado entre %{ y %} se copia íntegramente a la salida (sin los
%{}’s). Los %{}’s deben aparecer sin sangrar en líneas ocupadas
únicamente por estos.
En la sección de reglas, cualquier texto o %{} sangrado que aparezca
antes de la primera regla podría utilizarse para declarar variables que
son locales a la rutina de análisis y (después de las declaraciones) al
código que debe ejecutarse siempre que se entra a la rutina de
análisis. Cualquier otro texto sangrado o %{} en la sección de reglas
sigue copiándose a la salida, pero su significado no está bien definido
y bien podría causar errores en tiempo de compilación (esta propiedad
se presenta para conformidad con POSIX ; ver más abajo para otras
características similares)
En la sección de definiciones (pero no en la sección de reglas), un
comentario sin sangría (es decir, una línea comenzando con "/*")
también se copia literalmente a la salida hasta el próximo "*/".
PATRONES
Los patrones en la entrada se escriben utilizando un conjunto extendido
de expresiones regulares. Estas son:
x empareja el caracter ’x’
. cualquier caracter (byte) excepto una línea nueva
[xyz] una "clase de caracteres"; en este caso, el patrón
empareja una ’x’, una ’y’, o una ’z’
[abj-oZ] una "clase de caracteres" con un rango; empareja
una ’a’, una ’b’, cualquier letra desde la ’j’
hasta la ’o’, o una ’Z’
[^A-Z] una "clase de caracteres negada", es decir, cualquier
caracter menos los que aparecen en la clase. En
este caso, cualquier caracter EXCEPTO una letra
mayúscula.
[^A-Z\n] cualquier caracter EXCEPTO una letra mayúscula o
una línea nueva
r* cero o más r’s, donde r es cualquier expresión regular
r+ una o más r’s
r? cero o una r (es decir, "una r opcional")
r{2,5} donde sea de dos a cinco r’s
r{2,} dos o más r’s
r{4} exactamente 4 r’s
{nombre} la expansión de la definición de "nombre"
(ver más abajo)
"[xyz]\"foo"
la cadena literal: [xyz]"foo
\X si X es una ’a’, ’b’, ’f’, ’n’, ’r’, ’t’, o ’v’,
entonces la interpretación ANSI-C de \x.
En otro caso, un literal ’X’ (usado para
indicar operadores tales como ’*’)
\0 un caracter NUL (código ASCII 0)
\123 el caracter con valor octal 123
\x2a el caracter con valor hexadecimal 2a
(r) empareja una r; los paréntesis se utilizan para
anular la precedencia (ver más abajo)
rs la expresión regular r seguida por la expresión
regular s; se denomina "concatenación"
r|s bien una r o una s
r/s una r pero sólo si va seguida por una s. El
texto emparejado por s se incluye cuando se
determina si esta regla es el "emparejamiento
más largo", pero se devuelve entonces a la
entrada antes que se ejecute la acción. Así
que la acción sólo ve el texto emparejado
por r. Este tipo de patrones se llama
"de contexto posterior".
(Hay algunas combinaciones de r/s que flex
no puede emparejar correctamente; vea las notas
en la sección Deficiencias / Errores más abajo
respecto al "contexto posterior peligroso".)
^r una r, pero sólo al comienzo de una línea (es
decir, justo al comienzo del análisis, o a la
derecha después de que se haya analizado una
línea nueva).
r$ una r, pero sólo al final de una línea (es decir,
justo antes de una línea nueva). Equivalente
a "r/\n".
Fíjese que la noción de flex de una "línea nueva"
es exáctamente lo que el compilador de C utilizado
para compilar flex interprete como ’\n’; en
particular, en algunos sistemas DOS debe filtrar
los \r’s de la entrada used mismo, o explícitamente
usar r/\r\n para "r$".
<s>r una r, pero sólo en la condición de arranque s
(ver más abajo para una discusión sobre las
condiciones de arranque)
<s1,s2,s3>r
lo mismo, pero en cualquiera de las condiciones
de arranque s1, s2, o s3
<*>r una r en cualquier condición de arranque, incluso
una exclusiva.
<<EOF>> un fin-de-fichero
<s1,s2><<EOF>>
un fin-de-fichero en una condición de arranque s1 o s2
Fíjese que dentro de una clase de caracteres, todos los operadores de
expresiones regulares pierden su significado especial excepto el
caracter de escape (’\’) y los operadores de clase de caracteres, ’-’,
Las expresiones regulares en el listado anterior están agrupadas de
acuerdo a la precedencia, desde la precedencia más alta en la cabeza a
la más baja al final. Aquellas agrupadas conjuntamente tienen la misma
precedencia. Por ejemplo,
foo|bar*
es lo mismo que
(foo)|(ba(r*))
ya que el operador ’*’ tiene mayor precedencia que la concatenación, y
la concatenación más alta que el operador ’|’. Este patrón por lo
tanto empareja bien la cadena "foo" o la cadena "ba" seguida de cero o
más r’s. Para emparejar "foo" o, cero o más "bar"’s, use:
foo|(bar)*
y para emparejar cero o más "foo"’s o "bar"’s:
(foo|bar)*
Además de caracteres y rangos de caracteres, las clases de caracteres
pueden también contener expresiones de clases de caracteres. Son
expresiones encerradas entre los delimitadores [: y :] (que también
deben aparecer entre el ’[’ y el ’]’ de la clase de caracteres; además
pueden darse otros elementos dentro de la clase de caracteres). Las
expresiones válidas son:
[:alnum:] [:alpha:] [:blank:]
[:cntrl:] [:digit:] [:graph:]
[:lower:] [:print:] [:punct:]
[:space:] [:upper:] [:xdigit:]
Todas estas expresiones designan un conjunto de caracteres equivalentes
a la correspondiente función estándar isXXX de C. Por ejemplo,
[:alnum:] designa aquellos caracteres para los cuales isalnum()
devuelve verdadero - esto es, cualquier caracter alfabético o numérico.
Algunos sistemas no ofrecen isblank(), así que flex define [:blank:]
como un espacio en blanco o un tabulador.
Por ejemplo, las siguientes clases de caracteres son todas
equivalentes:
[[:alnum:]]
[[:alpha:][:digit:]]
[[:alpha:]0-9]
[a-zA-Z0-9]
Si su escáner ignora la distinción entre mayúsculas y minúsculas (la
bandera -i ), entonces [:upper:] y [:lower:] son equivalentes a
[:alpha:].
Algunas notas sobre los patrones:
- Una clase de caracteres negada tal como el ejemplo "[^A-Z]"
anterior emparejar una lnea nueva a menos que "\n" (o una
secuencia de escape equivalente) sea uno de los caracteres
presentes explícitamente en la clase de caracteres negada
(p.ej., "[^A-Z\n]"). Esto es diferente a cómo muchas de las
otras herramientas de expresiones regulares tratan las clases de
caracteres negadas, pero desafortunadamente la inconsistencia
está fervientemente enrraizada históricamente. Emparejar líneas
nuevas significa que un patrón como [^"]* puede emparejar la
entrada completa a menos que haya otra comilla en la entrada.
- Una regla puede tener lo más una instancia del contexto
posterior (el operador ’/’ o el operador ’$’). La condición de
arranque, los patrones ’^’, y "<<EOF>>" pueden aparecer
solamente al principio de un patrón, y, al igual que con ’/’ y
’$’, no pueden agruparse dentro de paréntesis. Un ’^’ que no
aparezca al principio de una regla o un ’$’ que no aparezca al
final de una regla pierde sus propiedades especiales y es
tratado como un caracter normal.
Lo siguiente no está permitido:
foo/bar$
<sc1>foo<sc2>bar
Fíjese que la primera regla se puede escribir como "foo/bar\n".
En el siguiente ejemplo un ’$’ o un ’^’ es tratado como un
caracter normal:
foo|(bar$)
foo|^bar
Si lo que se desea es un "foo" o un "bar" seguido de una línea
nueva, puede usarse lo siguiente (la acción especial ’|’ se
explica más abajo):
foo |
bar$ /* la acción va aquí */
Un truco parecido funcionará para emparejar un "foo" o, un "bar"
al principio de una línea.
CÓMO SE EMPAREJA LA ENTRADA
Cuando el escáner generado está funcionando, este analiza su entrada
buscando cadenas que concuerden con cualquiera de sus patrones. Si
encuentra más de un emparejamiento, toma el que empareje más texto
(para reglas de contexto posterior, se incluye la longitud de la parte
posterior, incluso si se devuelve a la entrada). Si encuentra dos o
más emparejamientos de la misma longitud, se escoge la regla listada en
primer lugar en el fichero de entrada de flex.
Una vez que se determina el emparejamiento, el texto correspondiente al
emparejamiento (denominado el token) está disponible en el puntero a
caracter global yytext, y su longitud en la variable global entera
yyleng. Entonces la accin correspondiente al patrón emparejado se
ejecuta (una descripción más detallada de las acciones viene a
continuación), y entonces la entrada restante se analiza para otro
emparejamiento.
Si no se encuentra un emparejamiento, entonces se ejecuta la regla por
defecto: el siguiente caracter en la entrada se considera reconocido y
se copia a la salida estándar. Así, la entrada válida más simple de
flex es:
%%
que genera un escáner que simplemente copia su entrada (un caracter a
la vez) a la salida.
Fíjese que yytext se puede definir de dos maneras diferentes: bien como
un puntero a caracter o como un array de caracteres. Usted puede
controlar la definición que usa flex incluyendo una de las directivas
especiales %pointer o %array en la primera sección (definiciones) de su
entrada de flex. Por defecto es %pointer, a menos que use la opción de
compatibilidad -l, en cuyo caso yytext será un array. La ventaja de
usar %pointer es un análisis substancialmente más rápido y la ausencia
de desbordamiento del buffer cuando se emparejen tokens muy grandes (a
menos que se agote la memoria dinámica). La desventaja es que se
encuentra restringido en cómo sus acciones pueden modificar yytext (vea
la siguiente sección), y las llamadas a la función unput() destruyen el
contenido actual de yytext, que puede convertirse en un considerable
quebradero de cabeza de portabilidad al cambiar entre diferentes
versiones de lex.
La ventaja de %array es que entoces puede modificar yytext todo lo que
usted quiera, las llamadas a unput() no destruyen yytext (ver más
abajo). Además, los programas de lex existentes a veces acceden a
yytext externamente utilizando declaraciones de la forma:
extern char yytext[];
Esta definición es errónea cuando se utiliza %pointer, pero correcta
para %array.
%array define a yytext como un array de YYLMAX caracteres, que por
defecto es un valor bastante grande. Usted puede cambiar el tamaño
símplemente definiendo con #define a YYLMAX con un valor diferente en
la primera sección de su entrada de flex. Como se mencionó antes, con
%pointer yytext crece dinámicamente para acomodar tokens grandes.
Aunque esto signifique que con %pointer su escáner puede acomodar
tokens muy grandes (tales como emparejar bloques enteros de
comentarios), tenga presente que cada vez que el escáner deba cambiar
el tamaño de yytext también debe reiniciar el análisis del token entero
desde el principio, así que emparejar tales tokens puede resultar
lento. Ahora yytext no crece dinámicamente si una llamada a unput()
hace que se deba devolver demasiado texto; en su lugar, se produce un
error en tiempo de ejecución.
También tenga en cuenta que no puede usar %array en los analizadores
generados como clases de C++ (la opción c++; vea más abajo).
ACCIONES
Cada patrón en una regla tiene una acción asociada, que puede ser
cualquier sentencia en C. El patrón finaliza en el primer caracter de
espacio en blanco que no sea una secuencia de escape; lo que queda de
la línea es su acción. Si la acción está vacía, entonces cuando el
patrón se empareje el token de entrada simplemente se descarta. Por
ejemplo, aquí está la especificación de un programa que borra todas las
apariciones de "zap me" en su entrada:
%%
"zap me"
(Este copiará el resto de caracteres de la entrada a la salida ya que
serán emparejados por la regla por defecto.)
Aquí hay un programa que comprime varios espacios en blanco y
tabuladores a un solo espacio en blanco, y desecha los espacios que se
encuentren al final de una línea:
%%
[ \t]+ putchar( ’ ’ );
[ \t]+$ /* ignora este token */
Si la acción contiene un ’{’, entonces la acción abarca hasta que se
encuentre el correspondiente ’}’, y la acción podría entonces cruzar
varias líneas. flex es capaz de reconocer las cadenas y comentarios de
C y no se dejará engañar por las llaves que encuentre dentro de estos,
pero aun así también permite que las acciones comiencen con %{ y
considerará que la acción es todo el texto hasta el siguiente %} (sin
tener en cuenta las llaves ordinarias dentro de la acción).
Una acción que consista sólamente de una barra vertical (’|’) significa
"lo mismo que la acción para la siguiente regla." Vea más abajo para
una ilustración.
Las acciones pueden incluir código C arbitrario, incuyendo sentencias
return para devolver un valor desde cualquier rutina llamada yylex().
Cada vez que se llama a yylex() esta continúa procesando tokens desde
donde lo dejó la última vez hasta que o bien llegue al final del
fichero o ejecute un return.
Las acciones tienen libertad para modificar yytext excepto para
alargarla (añadiendo caracteres al final--esto sobreescribirá más tarde
caracteres en el flujo de entrada). Sin embargo esto no se aplica
cuando se utiliza %array (ver arriba); en ese caso, yytext podría
modificarse libremente de cualquier manera.
Las acciones tienen libertad para modificar yyleng excepto que estas no
deberían hacerlo si la acción también incluye el uso de yymore() (ver
más abajo).
Hay un número de directivas especiales que pueden incluirse dentro de
una acción:
- ECHO copia yytext a la salida del escáner.
- BEGIN seguido del nombre de la condición de arranque pone al
escáner en la condición de arranque correspondiente (ver más
abajo).
- REJECT ordena al escáner a que proceda con la "segunda mejor"
regla que concuerde con la entrada (o un prefijo de la entrada).
La regla se escoge como se describió anteriormente en "Cómo se
Empareja la Entrada", y yytext e yyleng se ajustan de forma
apropiada. Podría ser una que empareje tanto texto como la
regla escogida originalmente pero que viene más tarde en el
fichero de entrada de flex, o una que empareje menos texto. Por
ejemplo, lo que viene a continuación contará las palabras en la
entrada y llamará a la rutina especial() siempre que vea "frob":
int contador_palabras = 0;
%%
frob especial(); REJECT;
[^ \t\n]+ ++contador_palabras;
Sin el REJECT, cualquier número de "frob"’s en la entrada no
serían contados como palabras, ya que el escáner normalmente
ejecuta solo una acción por token. Se permite el uso de
múltiples REJECT’s, cada uno buscando la siguiente mejor
elección a la regla que actualmente esté activa. Por ejemplo,
cuando el siguiente escáner analice el token "abcd", este
escribirá "abcdabcaba" a la salida:
%%
a |
ab |
abc |
abcd ECHO; REJECT;
.|\n /* se come caracteres sin emparejar */
(Las primeras tres reglas comparten la acción de la cuarta ya
que estas usan la acción especial ’|’.) REJECT es una propiedad
particularmente cara en términos de rendimiento del escáner; si
se usa en cualquiera de las acciones del escáner esta
ralentizará todo el proceso de emparejamiento del escáner.
Además, REJECT no puede usarse con las opciones -Cf o -CF (ver
más abajo).
Fíjese también que a diferencia de las otras acciones
especiales, REJECT es una bifurcacin; el código que la siga
inmediatamente en la acción no será ejecutado.
- yymore() dice al escáner que la próxima vez que empareje una
regla, el token correspondiente debe ser aadido tras el valor
actual de yytext en lugar de reemplazarlo. Por ejemplo, dada la
entrada "mega-klugde" lo que viene a continuación escribirá
"mega-mega-kludge" a la salida:
%%
mega- ECHO; yymore();
kludge ECHO;
El primer "mega-" se empareja y se repite a la salida. Entonces
se empareja "kludge", pero el "mega-" previo aún está esperando
al inicio de yytext asi que el ECHO para la regla del "kludge"
realmente escribirá "mega-kludge".
Dos notas respecto al uso de yymore(). Primero, yymore() depende de
que el valor de yyleng refleje correctamente el tamaño del token
actual, así que no debe modificar yyleng si está utilizando yymore().
Segundo, la presencia de yymore() en la acción del escáner implica una
pequeña penalización de rendimiento en la velocidad de emparejamiento
del escáner.
- yyless(n) devuelve todos excepto los primeros n caracteres del
token actual de nuevo al flujo de entrada, donde serán
reanalizados cuando el escáner busque el siguiente
emparejamiento. yytext e yyleng se ajustan de forma adecuada
(p.ej., yyleng no será igual a n ). Por ejemplo, con la entrada
"foobar" lo que viene a continuación escribirá "foobarbar":
%%
foobar ECHO; yyless(3);
[a-z]+ ECHO;
Un argumento de 0 para yyless hará que la cadena de entrada
actual sea analizada por completo de nuevo. A menos que haya
cambiado la manera en la que el escáner procese de ahora en
adelante su entrada (utilizando BEGIN, por ejemplo), esto
producirá un bucle sin fin.
Fíjese que yyless es una macro y puede ser utilizada solamente en el
fichero de entrada de flex, no desde otros ficheros fuente.
- unput(c) pone el caracter c de nuevo en el flujo de entrada.
Este será el próximo caracter analizado. La siguiente acción
tomará el token actual y hará que se vuelva a analizar pero
encerrado entre paréntesis.
{
int i;
/* Copia yytext porque unput() desecha yytext */
char *yycopia = strdup( yytext );
unput( ’)’ );
for ( i = yyleng - 1; i >= 0; --i )
unput( yycopia[i] );
unput( ’(’ );
free( yycopia );
}
Fíjese que ya que cada unput() pone el caracter dado de nuevo al
principio del flujo de entrada, al devolver cadenas de
caracteres se debe hacer de atrás hacia delante.
Un problema potencial importante cuando se utiliza unput() es que si
está usando %pointer (por defecto), una llamada a unput() destruye el
contenido de yytext, comenzando con su caracter más a la derecha y
devorando un caracter a la izquierda con cada llamada. Si necesita que
se preserve el valor de yytext después de una llamada a unput() (como
en el ejemplo anterior), usted debe o bien copiarlo primero en
cualquier lugar, o construir su escáner usando %array
(ver Cómo se Empareja la Entrada).
Finalmente, note que no puede devolver EOF para intentar marcar el
flujo de entrada con un fin-de-fichero.
- input() lee el próximo caracter del flujo de entrada. Por
ejemplo, lo que viene a continuación es una manera de comerse
los comentarios en C:
%%
"/*" {
register int c;
for ( ; ; )
{
while ( (c = input()) != ’*’ &&
c != EOF )
; /* se come el texto del comentario */
if ( c == ’*’ )
{
while ( (c = input()) == ’*’ )
;
if ( c == ’/’ )
break; /* encontró el final */
}
if ( c == EOF )
{
error( "EOF en comentario" );
break;
}
}
}
(Fíjese que si el escáner se compila usando C++, entonces a
input() se le hace referencia con yyinput(), para evitar una
colisión de nombre con el flujo de C++ por el nombre input.)
- YY_FLUSH_BUFFER vacía el buffer interno del escáner de manera
que la próxima vez que el escáner intente emparejar un token,
este primero rellenará el buffer usando YY_INPUT (ver El Escáner
Generado, más abajo). Esta acción es un caso especial de la
función más general yy_flush_buffer(), descrita más abajo en la
sección Múltiples Buffers de Entrada.
- yyterminate() se puede utilizar en lugar de una sentencia de
retorno en una acción. Esta hace que finalice el escáner y
retorne un 0 a quien haya llamado al escáner, indicando que
"todo está hecho". Por defecto, también se llama a
yyterminate() cuando se encuentra un fin-de-fichero. Esta es
una macro y podría ser redefinida.
El Escáner Generado
La salida de flex es el fichero lex.yy.c, que contiene la rutina de
análisis yylex(), un número de tablas usadas por esta para emparejar
tokens, y un número de rutinas auxiliares y macros. Por defecto,
yylex() se declara así
int yylex()
{
... aquí van varias definiciones y las acciones ...
}
(Si su entorno acepta prototipos de funciones, entonces este será "int
yylex( void )"). Esta definición podría modificarse definiendo la
macro "YY_DECL". Por ejemplo, podría utilizar:
#define YY_DECL float lexscan( a, b ) float a, b;
para darle a la rutina de análisis el nombre lexscan, que devuelve un
real, y toma dos reales como argumentos. Fíjese que si pone argumentos
a la rutina de análisis usando una declaración de función no-
prototipada/tipo-K&R, debe hacer terminar la definición con un punto y
coma (;).
Siempre que se llame a yylex(), este analiza tokens desde el fichero de
entrada global yyin (que por defecto es igual a stdin). La función
continúa hasta que alcance el final del fichero (punto en el que
devuelve el valor 0) o una de sus acciones ejecute una sentencia
return.
Si el escáner alcanza un fin-de-fichero, entonces el comportamiento en
las llamadas posteriores está indefinido a menos que o bien yyin apunte
a un nuevo fichero de entrada (en cuyo caso el análisis continúa a
partir de ese fichero), o se llame a yyrestart(). yyrestart() toma un
argumento, un puntero FILE * (que puede ser nulo, si ha preparado a
YY_INPUT para que analice una fuente distinta a yyin), e inicializa
yyin para que escanee ese fichero. Esencialmente no hay diferencia
entre la asignación a yyin de un nuevo fichero de entrada o el uso de
yyrestart() para hacerlo; esto último está disponible por
compatibilidad con versiones anteriores de flex, y porque puede
utilizarse para conmutar ficheros de entrada en medio del análisis.
También se puede utilizar para desechar el buffer de entrada actual,
invocándola con un argumento igual a yyin; pero mejor es usar
YY_FLUSH_BUFFER (ver más arriba). Fíjese que yyrestart() no
reinicializa la condición de arranque a INITIAL (ver Condiciones de
Arranque, más abajo).
Si yylex() para el análisis debido a la ejecución de una sentencia
return en una de las acciones, el analizador podría ser llamado de
nuevo y este reanudaría el análisis donde lo dejó.
Por defecto (y por razones de eficiencia), el analizador usa lecturas
por bloques en lugar de simples llamadas a getc() para leer caracteres
desde yyin. La manera en la que toma su entrada se puede controlar
definienfo la macro YY_INPUT. La secuencia de llamada para YY_INPUT es
"YY_INPUT(buf,result,max_size)". Su acción es poner hasta max_size
caracteres en el array de caracteres buf y devolver en la variable
entera result bien o el número de caracteres leídos o la constante
YY_NULL (0 en sistemas Unix) para indicar EOF. Por defecto YY_INPUT
lee desde la variable global puntero a fichero "yyin".
Una definición de ejemplo para YY_INPUT (en la sección de definiciones
del fichero de entrada) es:
%{
#define YY_INPUT(buf,result,max_size) \
{ \
int c = getchar(); \
result = (c == EOF) ? YY_NULL : (buf[0] = c, 1); \
}
%}
Esta definición cambiará el procesamiento de la entrada para que suceda
un caracter a la vez.
Cuando el analizador reciba una indicación de fin-de-fichero desde
YY_INPUT, entonces esta comprueba la función yywrap(). Si yywrap()
devuelve falso (cero), entonces se asume que la función ha ido más allá
y ha preparado yyin para que apunte a otro fichero de entrada, y el
análisis continúa. Si este retorna verdadero (no-cero), entonces el
analizador termina, devolviendo un 0 a su invocador. Fíjese que en
cualquier caso, la condición de arranque permanece sin cambios; esta no
vuelve a ser INITIAL.
Si no proporciona su propia versión de yywrap(), entonces debe bien o
usar %option noyywrap (en cuyo caso el analizador se comporta como si
yywrap() devolviera un 1), o debe enlazar con -lfl para obtener la
versión por defecto de la rutina, que siempre devuelve un 1.
Hay disponibles tres rutinas para analizar desde buffers de memoria en
lugar de desde ficheros: yy_scan_string(), yy_scan_bytes(), e
yy_scan_buffer(). Las trataremos en la sección Múltiples Buffers de
Entrada.
El analizador escribe su salida con ECHO a la variable global yyout
(por defecto, stdout), que el usuario podría redefinir asignándole
cualquier otro puntero a FILE.
CONDICIONES DE ARRANQUE
flex dispone de un mecanismo para activar reglas condicionalmente.
Cualquier regla cuyo patrón se prefije con "<sc>" únicamente estará
activa cuando el analizador se encuentre en la condición de arranque
llamada "sc". Por ejemplo,
<STRING>[^"]* { /* se come el cuerpo de la cadena ... */
...
}
estará activa solamente cuando el analizador esté en la condición de
arranque "STRING", y
<INITIAL,STRING,QUOTE>\. { /* trata una secuencia de escape ... */
...
}
estará activa solamente cuando la condición de arranque actual sea o
bien "INITIAL", "STRING", o "QUOTE".
Las condiciones de arranque se declaran en la (primera) sección de
definiciones de la entrada usando líneas sin sangrar comenzando con %s
o %x seguida por una lista de nombres. Lo primero declara condiciones
de arranque inclusivas, lo último condiciones de arranque exclusivas.
Una condición de arranque se activa utilizando la acción BEGIN. Hasta
que se ejecute la próxima acción BEGIN, las reglas con la condición de
arranque dada estarán activas y las reglas con otras condiciones de
arranque estarán inactivas. Si la condición de arranque es inclusiva,
entonces las reglas sin condiciones de arranque también estarán
activas. Si es exclusiva, entonces slamente las reglas calificadas con
la condición de arranque estarán activas. Un conjunto de reglas
dependientes de la misma condición de arranque exclusiva describe un
analizador que es independiente de cualquiera de las otras reglas en la
entrada de flex. Debido a esto, las condiciones de arranque exclusivas
hacen fácil la especificación de "mini-escáneres" que analizan
porciones de la entrada que son sintácticamente diferentes al resto
(p.ej., comentarios).
Si la distinción entre condiciones de arranque inclusivas o exclusivas
es aún un poco vaga, aquí hay un ejemplo simple que ilustra la conexión
entre las dos. El conjunto de reglas:
%s ejemplo
%%
<ejemplo>foo hacer_algo();
bar algo_mas();
es equivalente a
%x ejemplo
%%
<ejemplo>foo hacer_algo();
<INITIAL,ejemplo>bar algo_mas();
Sin el calificador <INITIAL,example>, el patrón bar en el segundo
ejemplo no estará activo (es decir, no puede emparejarse) cuando se
encuentre en la condición de arranque example. Si hemos usado
<example> para calificar bar, aunque, entonces este únicamente estará
activo en example y no en INITIAL, mientras que en el primer ejemplo
está activo en ambas, porque en el primer ejemplo la condición de
arranque example es una condición de arranque inclusiva (%s).
Fíjese también que el especificador especial de la condición de
arranque <*> empareja todas las condiciones de arranque. Así, el
ejemplo anterior también pudo haberse escrito;
%x ejemplo
%%
<ejemplo>foo hacer_algo();
<*>bar algo_mas();
La regla por defecto (hacer un ECHO con cualquier caracter sin
emparejar) permanece activa en las condiciones de arranque. Esta es
equivalente a:
<*>.|\n ECHO;
BEGIN(0) retorna al estado original donde solo las reglas sin
condiciones de arranque están activas. Este estado también puede
referirse a la condición de arranque "INITIAL", así que BEGIN(INITIAL)
es equivalente a BEGIN(0). (No se requieren los paréntesis alrededor
del nombre de la condición de arranque pero se considera de buen
estilo.)
Las acciones BEGIN pueden darse también como código sangrado al
comienzo de la sección de reglas. Por ejemplo, lo que viene a
continuación hará que el analizador entre en la condición de arranque
"ESPECIAL" siempre que se llame a yylex() y la variable global
entra_en_especial sea verdadera:
int entra_en_especial;
%x ESPECIAL
%%
if ( entra_en_especial )
BEGIN(ESPECIAL);
<ESPECIAL>blablabla
...más reglas a continuación...
Para ilustrar los usos de las condiciones de arranque, aquí hay un
analizador que ofrece dos interpretaciones diferentes para una cadena
como "123.456". Por defecto este la tratará como tres tokens, el
entero "123", un punto (’.’), y el entero "456". Pero si la cadena
viene precedida en la línea por la cadena "espera-reales" este la
tratará como un único token, el número en coma flotante 123.456:
%{
#include <math.h>
%}
%s espera
%%
espera-reales BEGIN(espera);
<espera>[0-9]+"."[0-9]+ {
printf( "encontró un real, = %f\n",
atof( yytext ) );
}
<espera>\n {
/* este es el final de la línea,
* así que necesitamos otro
* "espera-numero" antes de
* que volvamos a reconocer más
* números
*/
BEGIN(INITIAL);
}
[0-9]+ {
printf( "encontró un entero, = %d\n",
atoi( yytext ) );
}
"." printf( "encontró un punto\n" );
Aquí está un analizador que reconoce (y descarta) comentarios de C
mientras mantiene una cuenta de la línea actual de entrada.
%x comentario
%%
int num_linea = 1;
"/*" BEGIN(comentario);
<comentario>[^*\n]* /* come todo lo que no sea ’*’ */
<comentario>"*"+[^*/\n]* /* come ’*’s no seguidos por ’/’ */
<comentario>\n ++num_linea;
<comentario>"*"+"/" BEGIN(INITIAL);
Este analizador se complica un poco para emparejar tanto texto como le
sea posible en cada regla. En general, cuando se intenta escribir un
analizador de alta velocidad haga que cada regla empareje lo más que
pueda, ya que esto es un buen logro.
Fíjese que los nombres de las condiciones de arranque son realmente
valores enteros y pueden ser almacenados como tales. Así, lo anterior
podría extenderse de la siguiente manera:
%x comentario foo
%%
int num_linea = 1;
int invocador_comentario;
"/*" {
invocador_comentario = INITIAL;
BEGIN(comentario);
}
...
<foo>"/*" {
invocador_comentario = foo;
BEGIN(comentario);
}
<comentario>[^*\n]* /* se come cualquier cosa que no sea un ’*’ */
<comentario>"*"+[^*/\n]* /* se come ’*’s que no continuen con ’/’s */
<comentario>\n ++num_linea;
<comentario>"*"+"/" BEGIN(invocador_comentario);
Además, puede acceder a la condición de arranque actual usando la macro
de valor entero YY_START. Por ejemplo, las asignaciones anteriores a
invocador_comentario podrían escribirse en su lugar como
invocador_comentario = YY_START;
Flex ofrece YYSTATE como un alias para YY_START (ya que es lo que usa
lex de AT&T).
Fíjese que las condiciones de arranque no tienen su propio espacio de
nombres; los %s’s y %x’s declaran nombres de la misma manera que con
#define’s.
Finalmente, aquí hay un ejemplo de cómo emparejar cadenas entre
comillas al estilo de C usando condiciones de arranque exclusivas,
incluyendo secuencias de escape expandidas (pero sin incluir la
comprobación de cadenas que son demasiado largas):
%x str
%%
char string_buf[MAX_STR_CONST];
char *string_buf_ptr;
\" string_buf_ptr = string_buf; BEGIN(str);
<str>\" { /* se vio la comilla que cierra - todo está hecho */
BEGIN(INITIAL);
*string_buf_ptr = ’\0’;
/* devuelve un tipo de token de cadena constante y
* el valor para el analizador sintáctico
*/
}
<str>\n {
/* error - cadena constante sin finalizar */
/* genera un mensaje de error */
}
<str>\\[0-7]{1,3} {
/* secuencia de escape en octal */
int resultado;
(void) sscanf( yytext + 1, "%o", &resultado );
if ( resultado > 0xff )
/* error, constante fuera de rango */
*string_buf_ptr++ = resultado;
}
<str>\\[0-9]+ {
/* genera un error - secuencia de escape errónea;
* algo como ’\48’ o ’\0777777’
*/
}
<str>\\n *string_buf_ptr++ = ’\n’;
<str>\\t *string_buf_ptr++ = ’\t’;
<str>\\r *string_buf_ptr++ = ’\r’;
<str>\\b *string_buf_ptr++ = ’\b’;
<str>\\f *string_buf_ptr++ = ’\f’;
<str>\\(.|\n) *string_buf_ptr++ = yytext[1];
<str>[^\\\n\"]+ {
char *yptr = yytext;
while ( *yptr )
*string_buf_ptr++ = *yptr++;
}
A menudo, como en alguno de los ejemplos anteriores, uno acaba
escribiendo un buen número de reglas todas precedidas por la(s)
misma(s) condición(es) de arranque. Flex hace esto un poco más fácil y
claro introduciendo la noción de mbito de la condición de arranque.
Un ámbito de condición de arranque comienza con:
<SCs>{
Donde SCs es una lista de una o más condiciones de arranque. Dentro
del ámbito de la condición de arranque, cada regla automáticamente
tiene el prefijo <SCs> aplicado a esta, hasta un } que corresponda
con el { inicial. Así, por ejemplo,
<ESC>{
"\\n" return ’\n’;
"\\r" return ’\r’;
"\\f" return ’\f’;
"\\0" return ’\0’;
}
es equivalente a:
<ESC>"\\n" return ’\n’;
<ESC>"\\r" return ’\r’;
<ESC>"\\f" return ’\f’;
<ESC>"\\0" return ’\0’;
Los ámbitos de las condiciones de arranque pueden anidarse.
Están disponibles tres rutinas para manipular pilas de condiciones de
arranque:
void yy_push_state(int new_state)
empuja la condición de arranque actual al tope de la pila de las
condiciones de arranque y cambia a new_state como si hubiera
utilizado BEGIN new_state (recuerde que los nombres de las
condiciones de arranque también son enteros).
void yy_pop_state()
extrae el tope de la pila y cambia a este mediante un BEGIN.
int yy_top_state()
devuelve el tope de la pila sin alterar el contenido de la pila.
La pila de las condiciones de arranque crece dinámicamente y por ello
no tiene asociada ninguna limitación de tamaño. Si la memoria se
agota, se aborta la ejecución del programa.
Para usar pilas de condiciones de arranque, su analizador debe incluir
una directiva %option stack (ver Opciones más abajo).
MÚLTIPLES BUFFERS DE ENTRADA
Algunos analizadores (tales como aquellos que aceptan ficheros
"incluidos") requieren la lectura de varios flujos de entrada. Ya que
los analizadores de flex hacen mucho uso de buffers, uno no puede
controlar de dónde será leída la siguiente entrada escribiendo
símplemente un YY_INPUT que sea sensible al contexto del análisis. A
YY_INPUT sólo se le llama cuando el analizador alcanza el final de su
buffer, que podría ser bastante tiempo después de haber analizado una
sentencia como un "include" que requiere el cambio de la fuente de
entrada.
Para solventar este tipo de problemas, flex provee un mecanismo para
crear y conmutar entre varios buffers de entrada. Un buffer de entrada
se crea usando:
YY_BUFFER_STATE yy_create_buffer( FILE *file, int size )
que toma un puntero a FILE y un tamaño "size" y crea un buffer asociado
con el fichero dado y lo suficientemente grande para mantener size
caracteres (cuando dude, use YY_BUF_SIZE para el tamaño). Este
devuelve un handle YY_BUFFER_STATE, que podría pasarse a otras rutinas
(ver más abajo). El tipo de YY_BUFFER_STATE es un puntero a una
estructura opaca struct yy_buffer_state, de manera que podría
inicializar de forma segura variables YY_BUFFER_STATE a
((YY_BUFFER_STATE) 0) si lo desea, y también hacer referencia a la
estructura opaca para declarar correctamente buffers de entrada en
otros ficheros fuente además de los de su analizador. Fíjese que el
puntero a FILE en la llamada a yy_create_buffer se usa solamente como
el valor de yyin visto por YY_INPUT; si usted redefine YY_INPUT de
manera que no use más a yyin, entonces puede pasar de forma segura un
puntero FILE nulo a yy_create_buffer. Se selecciona un buffer en
particular a analizar utilizando:
void yy_switch_to_buffer( YY_BUFFER_STATE nuevo_buffer )
conmuta el buffer de entrada del analizador de manera que los tokens
posteriores provienen de nuevo_buffer. Fíjese que
yy_switch_to_buffer() podría usarlo yywrap() para arreglar las cosas
para un análisis continuo, en lugar de abrir un nuevo fichero y que
yyin apunte a este. Fíjese también que cambiar las fuentes de entrada
ya sea por medio de yy_switch_to_buffer() o de yywrap() no cambia la
condición de arranque.
void yy_delete_buffer( YY_BUFFER_STATE buffer )
se usa para recuperar el almacenamiento asociado a un buffer. (El
buffer puede ser nulo, en cuyo caso la rutina no hace nada.) Puede
también limpiar el contenido actual de un buffer usando:
void yy_flush_buffer( YY_BUFFER_STATE buffer )
Esta función descarta el contenido del buffer, de manera que la próxima
vez que el analizador intente emparejar un token desde el buffer, este
primero rellenará el buffer utilizando YY_INPUT.
yy_new_buffer() es un alias de yy_create_buffer(), que se ofrece por
compatibilidad con el uso en C++ de new y delete para crear y destruir
objetos dinámicos.
Finalmente, la macro YY_CURRENT_BUFFER retorna un handle
YY_BUFFER_STATE al buffer actual.
Aquí hay un ejemplo del uso de estas propiedades para escribir un
analizador que expande ficheros incluidos (la propiedad <<EOF>> se
comenta más abajo):
/* el estado "incl" se utiliza para obtener el nombre
* del fichero a incluir.
*/
%x incl
%{
#define MAX_INCLUDE_DEPTH 10
YY_BUFFER_STATE include_stack[MAX_INCLUDE_DEPTH];
int include_stack_ptr = 0;
%}
%%
include BEGIN(incl);
[a-z]+ ECHO;
[^a-z\n]*\n? ECHO;
<incl>[ \t]* /* se come los espacios en blanco */
<incl>[^ \t\n]+ { /* obtiene el nombre de fichero a incluir */
if ( include_stack_ptr >= MAX_INCLUDE_DEPTH )
{
fprintf( stderr, "Demasiados include anidados" );
exit( 1 );
}
include_stack[include_stack_ptr++] =
YY_CURRENT_BUFFER;
yyin = fopen( yytext, "r" );
if ( ! yyin )
error( ... );
yy_switch_to_buffer(
yy_create_buffer( yyin, YY_BUF_SIZE ) );
BEGIN(INITIAL);
}
<<EOF>> {
if ( --include_stack_ptr < 0 )
{
yyterminate();
}
else
{
yy_delete_buffer( YY_CURRENT_BUFFER );
yy_switch_to_buffer(
include_stack[include_stack_ptr] );
}
}
Se dispone de tres rutinas para preparar buffers de entrada para el
análisis de cadenas en memoria en lugar de archivos. Todas estas crean
un nuevo buffer de entrada para analizar la cadena, y devuelven el
correspondiente handle YY_BUFFER_STATE (que usted debería borrar con
yy_delete_buffer() cuando termine con él). Estas también conmutan el
nuevo buffer usando yy_switch_to_buffer(), de manera que la próxima
llamada a yylex() comenzará analizando la cadena.
yy_scan_string(const char *str)
analiza una cadena terminada en nulo.
yy_scan_bytes(const char *bytes, int len)
analiza len bytes (incluyendo posibles NUL’s) comenzando desde
el punto bytes.
Fíjese que ambas de estas funciones crean y analizan una copia de la
cadena o bytes. (Esto podría ser deseable, ya que yylex() modifica el
contenido del buffer que está analizado.) Usted puede evitar la copia
utilizando:
yy_scan_buffer(char *base, yy_size_t size)
que analiza in situ el buffer comenzando en base, que consiste
de size bytes, donde los dos últimos bytes deben ser
YY_END_OF_BUFFER_CHAR (ASCII NUL). Estos dos últimos bytes no
se analizan; así, el análisis consta de base[0] hasta
base[size-2], inclusive.
Si se equivoca al disponer base de esta manera (es decir,
olvidar los dos YY_END_OF_BUFFER_CHAR bytes finales), entonces
yy_scan_buffer() devuelve un puntero nulo en lugar de crear un
nuevo buffer de entrada.
El tipo yy_size_t es un tipo entero con el que puede hacer una
conversión a una expresión entera para reflejar el tamaño del
buffer.
REGLAS DE FIN-DE-FICHERO
La regla especial "<<EOF>>" indica las acciones que deben tomarse
cuando se encuentre un fin-de-fichero e yywrap() retorne un valor
distinto de cero (es decir, indica que no quedan ficheros por
procesar). La acción debe finalizar haciendo una de estas cuatro
cosas:
- asignando a yyin un nuevo fichero de entrada (en versiones
anteriores de flex, después de hacer la asignación debía llamar
a la acción especial YY_NEW_FILE; esto ya no es necesario);
- ejecutando una sentencia return;
- ejecutando la acción especial yyterminate();
- o, conmutando a un nuevo buffer usando yy_switch_to_buffer()
como se mostró en el ejemplo anterior.
Las reglas <<EOF>> no deberían usarse con otros patrones; estas
deberían calificarse con una lista de condiciones de arranque. Si se
da una regla <<EOF>> sin calificar, esta se aplica a todas las
condiciones de arranque que no tengan ya acciones <<EOF>>. Para
especificar una regla <<EOF>> solamente para la condición de arranque
inicial, use
<INITIAL><<EOF>>
Estas reglas son útiles para atrapar cosas tales como comentarios sin
final. Un ejemplo:
%x comilla
%%
...otras reglas que tengan que ver con comillas...
<comilla><<EOF>> {
error( "comilla sin cerrar" );
yyterminate();
}
<<EOF>> {
if ( *++filelist )
yyin = fopen( *filelist, "r" );
else
yyterminate();
}
MACROS MISCELÁNEAS
La macro YY_USER_ACTION puede definirse para indicar una acción que
siempre se ejecuta antes de la acción de la regla emparejada. Por
ejemplo, podría declararse con #define para que llame a una rutina que
convierta yytext a minúsculas. Cuando se invoca a YY_USER_ACTION, la
variable yy_act da el número de la regla emparejada (las reglas están
numeradas comenzando en 1). Suponga que quiere medir la frecuencia con
la que sus reglas son emparejadas. Lo que viene a continuación podría
hacer este truco:
#define YY_USER_ACTION ++ctr[yy_act]
donde ctr en un vector que mantiene la cuenta para las diferentes
reglas. Fíjese que la macro YY_NUM_RULES da el número total de reglas
(incluyendo la regla por defecto, incluso si usted usa -s), así que una
declaración correcta para ctr es:
int ctr[YY_NUM_RULES];
La macro YY_USER_INIT podría definirse para indicar una acción que
siempre se ejecuta antes del primer análisis (y antes de que se haga la
inicialización interna del analizador). Por ejemplo, este podría
usarse para llamar a una rutina que lea una tabla de datos o abrir un
fichero de registro.
La macro yy_set_interactive(is_interactive) se puede usar para
controlar si el buffer actual se considera interactivo. Un buffer
interactivo se procesa más lentamente, pero debe usarse cuando la
fuente de entrada del analizador es realmente interactiva para evitar
problemas debidos a la espera para el llenado de los buffers (ver el
comentario de la bandera -I más abajo). Un valor distinto de cero en
la invocación de la macro marcará el buffer como interactivo, un valor
de cero como no-interactivo. Fíjese que el uso de esta macro no tiene
en cuenta %option always-interactive o %option never-interactive (ver
Opciones más abajo). yy_set_interactive() debe invocarse antes del
comienzo del análisis del buffer que es considerado (o no) interactivo.
La macro yy_set_bol(at_bol) puede usarse para controlar si el contexto
del buffer de análisis actual para el próximo emparejamiento de token
se hace como si se encontrara al principio de una línea. Un argumento
de la macro distinto de cero hace activas a las reglas sujetas a ’^’,
mientras que un argumento igual a cero hacer inactivas a las reglas con
’^’.
La macro YY_AT_BOL() devuelve verdadero si el próximo token analizado a
partir del buffer actual tendrá activas las reglas ’^’, de otra manera
falso.
En el analizador generado, las acciones están recogidas en una gran
sentencia switch y separadas usando YY_BREAK, que puede ser redefinida.
Por defecto, este es símplemente un "break", para separar la acción de
cada regla de las reglas que le siguen. Redefiniendo YY_BREAK permite,
por ejemplo, a los usuarios de C++ que #define YY_BREAK no haga nada
(¡mientras tengan cuidado para que cada regla finalice con un "break" o
un "return"!) para evitar que sufran los avisos de sentencias
inalcanzables cuando debido a que la acción de la regla finaliza con un
"return", el YY_BREAK es inaccesible.
VALORES DISPONIBLES AL USUARIO
Esta sección resume los diferentes valores disponibles al usuario en
las acciones de la regla.
- char *yytext apunta al texto del token actual. Este puede
modificarse pero no alargarse (no puede añadir caracteres al
final).
Si aparece la directiva especial %array en la primera sección de
la descripción del analizador, entonces yytext se declara en su
lugar como char yytext[YYLMAX], donde YYLMAX es la definicion de
una macro que puede redefinir en la primera sección si no le
gusta el valor por defecto (generalmente 8KB). El uso de %array
produce analizadores algo más lentos, pero el valor de yytext se
vuelve inmune a las llamadas a input() y unput(), que
potencialmente destruyen su valor cuando yytext es un puntero a
caracter. El opuesto de %array es %pointer, que se encuentra
por defecto.
Usted no puede utilizar %array cuando genera analizadores como
clases de C++ (la bandera -+ ).
- int yyleng contiene la longitud del token actual.
- FILE *yyin es el fichero por el que flex lee por defecto. Este
podría redefinirse pero hacerlo solo tiene sentido antes de que
el análisis comience o después de que se haya encontrado un EOF.
Cambiándolo en medio del análisis tendrá resultados inesperados
ya que flex utiliza buffers en su entrada; use yyrestart() en su
lugar. Una vez que el análisis termina debido a que se ha visto
un fin-de-fichero, puede asignarle a yyin el nuevo fichero de
entrada y entonces llamar al analizador de nuevo para continuar
analizando.
- void yyrestart( FILE *new_file ) podría ser llamada para que
yyin apunte al nuevo fichero de entrada. El cambio al nuevo
fichero es inmediato (cualquier entrada contenida en el buffer
previamente se pierde). Fíjese que llamando a yyrestart() con
yyin como argumento de esta manera elimina el buffer de entradda
actual y continúa analizando el mismo fichero de entrada.
- FILE *yyout es el fichero sobre el que se hacen las acciones
ECHO. Este puede ser reasignado por el usuario.
- YY_CURRENT_BUFFER devuelve un handle YY_BUFFER_STATE al buffer
actual.
- YY_START devuelve un valor entero correspondiente a la condición
de arranque actual. Posteriormente puede usar este valor con
BEGIN para retornar a la condición de arranque.
INTERFAZ CON YACC
Uno de los usos principales de flex es como compañero del generador de
analizadores sintácticos yacc. Los analizadores de yacc esperan
invocar a una rutina llamada yylex() para encontrar el próximo token de
entrada. La rutina se supone que devuelve el tipo del próximo token
además de poner cualquier valor asociado en la variable global yylval.
Para usar flex con yacc, uno especifica la opción -d de yacc para
intruirle a que genere el fichero y.tab.h que contiene las definiciones
de todos los %tokens que aparecen en la entrada de yacc. Entonces este
archivo se incluye en el analizador de flex Por ejemplo, si uno de los
tokens es "TOK_NUMERO", parte del analizador podría parecerse a:
%{
#include "y.tab.h"
%}
%%
[0-9]+ yylval = atoi( yytext ); return TOK_NUMERO;
OPCIONES
flex tiene las siguientes opciones:
-b Genera información de retroceso en lex.backup. Esta es una
lista de estados del analizador que requieren retroceso y los
caracteres de entrada con los que la hace. Añadiendo reglas uno
puede eliminar estados de retroceso. Si todos los estados de
retroceso se eliminan y se usa -Cf o -CF, el analizador generado
funcionará más rápido (ver la bandera -p). Únicamente los
usuarios que desean exprimir hasta el último ciclo de sus
analizadores necesitan preocuparse de esta opción. (Ver la
sección sobre Consideraciones de Rendimiento más abajo.)
-c es una opción que no hace nada, incluída para cumplir con POSIX.
-d hace que el analizador generado se ejecute en modo de
depuracin. Siempre que se reconoce un patrón y la variable
global yy_flex_debug no es cero (que por defecto no lo es), el
analizador escribirá en stderr una línea de la forma:
--accepting rule at line 53 ("el texto emparejado")
El número de línea hace referencia al lugar de la regla en el
fichero que define al analizador (es decir, el fichero que se le
introdujo a flex). Los mensajes también se generan cuando el
analizador retrocede, acepta la regla por defecto, alcanza el
final de su buffer de entrada (o encuentra un NUL; en este
punto, los dos parecen lo mismo en lo que le concierne al
analizador), o alcance el fin-de-fichero.
-f especifica un analizador rpido. No se realiza una compresión
de tablas y se evita el uso de stdio. El resultado es grande
pero rápido. Esta opción es equivalente a -Cfr (ver más abajo).
-h genera un sumario de "ayuda" de las opciones de flex por stdout
y entonces finaliza. -? y --help son sinónimos de -h.
-i indica a flex que genere un analizador case-insensitive. Se
ignorará si las letras en los patrones de entrada de flex son en
mayúsculas o en minúsculas, y los tokens en la entrada serán
emparejados sin tenerlo en cuenta. El texto emparejado dado en
yytext tendrá las mayúsculas y minúsculas preservadas (es decir,
no se convertirán).
-l activa el modo de máxima compatibilidad con la implementación
original de lex de AT&T. Fíjese que esto no significa una
compatibilidad completa. El uso de esta opción cuesta una
cantidad considerable de rendimiento, y no puede usarse con las
opciones -+, -f, -F, -Cf, o -CF. Para los detalles a cerca de
la compatibilidad que se ofrece, vea la sección
"Incompatibilidades con Lex y POSIX" más abajo. Esta opción
también hace que se defina el nombre YY_FLEX_LEX_COMPAT en el
analizador generado.
-n es otra opción que no hace nada, incluída para cumplir con
POSIX.
-p genera un informe de rendimiento en stderr. El informe consta
de comentarios que tratan de las propiedades del fichero de
entrada de flex que provocarán pérdidas serias de rendimiento en
el analizador resultante. Si indica esta bandera dos veces,
también obtendrá comentarios que tratan de las propiedades que
producen pérdidas menores de rendimiento.
Fíjese que el uso de REJECT, %option yylineno, y el contexto
posterior variable (vea la sección Deficiencias / Errores más
abajo) supone una penalización substancial del rendimiento; el
uso de yymore(), el operador ^, y la bandera -I supone
penalizaciones del rendimiento menores.
-s hace que la regla por defecto (que la entrada sin emparejar del
analizador se repita por stdout) se suprima. Si el analizador
encuentra entrada que no es reconocida por ninguna de sus
reglas, este aborta con un error. Esta opción es útil para
encontrar agujeros en el conjunto de reglas del analizador.
-t indica a flex que escriba el analizador que genera a la salida
estándar en lugar de en lex.yy.c.
-v especifica que flex debería escribir en stderr un sumario de
estadísticas respecto al analizador que genera. La mayoría de
las estadísticas no tienen significado para el usuario casual de
flex, pero la primera línea identifica la versión de flex (la
misma que se informa con -V), y la próxima línea las banderas
utilizadas cuando se genera el analizador, incluyendo aquellas
que se encuentran activadas por defecto.
-w suprime los mensajes de aviso.
-B dice a flex que genere un analizador batch, que es lo opuesto al
analizador interactivo generador por -I (ver más abajo). En
general, use -B cuando esté seguro de que su analizador nunca se
usará de forma interactiva, y quiere con esto exprimir un poco
más el rendimiento. Si por el contrario su objetivo es
exprimirlo mucho más, debería estar utilizando la opción -Cf o
-CF (comentadas más abajo), que activa -B automáticamente de
todas maneras.
-F especifica que se debe utilizar la representación de la tabla
rpida (y elimina referencias a stdio). Esta representación es
aproximadamente tan rápida como la representación completa de la
tabla (-f), y para algunos conjuntos de patrones será
considerablemente más pequeña (y para otros, mayor). En
general, si el conjunto de patrones contiene "palabras clave" y
una regla "identificador" atrápalo-todo, como la del conjunto:
"case" return TOK_CASE;
"switch" return TOK_SWITCH;
...
"default" return TOK_DEFAULT;
[a-z]+ return TOK_ID;
entonces será mejor que utilice la representación de la tabla
completa. Si sólo está presente la regla "identificador" y
utiliza una tabla hash o algo parecido para detectar palabras
clave, mejor utilice -F.
Esta opción es equivalente a -CFr (ver más abajo). Esta opción
no puede utilizarse con -+.
-I ordena a flex que genere un analizador interactivo Un analizador
interactivo es uno que solo mira hacia delante para decidir que
token ha sido reconocido únicamente si debe hacerlo. Resulta
que mirando siempre un caracter extra hacia delante, incluso si
el analizador ya ha visto suficiente texto para eliminar la
ambigüedad del token actual, se es un poco más rápido que
mirando solamente cuando es necesario. Pero los analizadores
que siempre miran hacia delante producen un comportamiento
interactivo malísimo; por ejemplo, cuando un usuario teclea una
línea nueva, esta no se reconoce como un token de línea nueva
hasta que introduzca otro token, que a menudo significa
introducir otra línea completa.
Los analizadores de flex por defecto son interactivos a menos
que use la opción -Cf o -CF de compresión de tablas (ver más
abajo). Esto es debido a que si está buscando un rendimiento
alto tendría que estar utilizando una de estas opciones, así que
si no lo ha hecho flex asume que prefiere cambiar un poco de
rendimiento en tiempo de ejecución en beneficio de un
comportamiento iteractivo intuitivo. Fíjese también que no
puede utilizar -I conjuntamente con -Cf o -CF. Así, esta opción
no se necesita realmente; está activa por defecto para todos
esos casos en los que se permite.
Usted puede forzar al analizador que no sea interactivo usando
-B (ver más arriba).
-L ordena a flex que no genere directivas #line. Sin esta opción,
flex acribilla al analizador generado con directivas #line para
que los mensajes de error en las acciones estén localizadas
correctamente respecto al fichero original de flex (si los
errores son debidos al código en el fichero de entrada), o a
lex.yy.c (si los errores son fallos de flex -- debería informar
de este tipo de errores a la dirección de correo dada más
abajo).
-T hace que flex se ejecute en modo de traza. Este generará un
montón de mensajes en stderr relativos a la forma de la entrada
y el autómata finito no-determinista o determinista resultante.
Esta opción generalmente es para usarla en el mantenimiento de
flex.
-V imprime el número de la versión en stdout y sale. --version es
un sinónimo de -V.
-7 ordena a flex que genere un analizador de 7-bits, es decir, uno
que sólo puede reconocer caracteres de 7-bits en su entrada. La
ventaja de usar -7 es que las tablas del analizador pueden ser
hasta la mitad del tamaño de aquellas generadas usando la opción
-8 (ver más abajo). La desventaja es que tales analizadores a
menudo se cuelgan o revientan si su entrada contiene caracteres
de 8-bits.
Fíjese, sin embargo, que a menos que genere su analizador
utilizando las opciones de compresión de tablas -Cf o -CF, el
uso de -7 ahorrará solamente una pequeña cantidad de espacio en
la tabla, y hará su analizador considerablemente menos portable.
El comportamiento por defecto de flex es generar un analizador
de 8-bits a menos que use -Cf o -CF, en cuyo caso flex por
defecto genera analizadores de 7-bits a menos que su sistema
siempre esté configurado para generar analizadores de 8-bits (a
menudo este será el caso de los sistemas fuera de EEUU). Puede
decir si flex generó un analizador de 7 u 8 bits inspeccionando
el sumario de banderas en la salida de -v como se describió
anteriormente.
Fíjese que si usa -Cfe o -CFe (esas opciones de compresión de
tablas, pero también el uso de clases de equivalencia como se
comentará más abajo), flex genera aún por defecto un analizador
de 8-bits, ya que normalmente con estas opciones de compresión
las tablas de 8-bits completas no son mucho más caras que las
tablas de 7-bits.
-8 ordena a flex que genere un analizador de 8-bits, es decir, uno
que puede reconocer caracteres de 8-bits. Esta bandera sólo es
necesaria para analizadores generados usando -Cf o -CF, ya que
de otra manera flex por defecto genera un analizador de 8-bits
de todas formas.
Vea el comentario sobre -7 más arriba a cerca del comportamiento
por defecto de flex y la discusión entre los analizadores de
7-bits y 8-bits.
-+ especifica que quiere que flex genere un analizador como una
clase de C++. Vea la sección Generando Escáners en C++ más
abajo para los detalles.
-C[aefFmr]
controla el grado de compresión de la tabla y, más generalmente,
el compromiso entre analizadores pequeños y analizadores
rápidos.
-Ca ("alinea") ordena a flex que negocie tablas más grandes en
el analizador generado para un comportamiento más rápido porque
los elementos de las tablas están mejor alineados para el acceso
a memoria y computación. En algunas arquitecturas RISC, la
búsqueda y manipulación de palabras largas es más eficiente que
con unidades más pequeñas tales como palabras cortas. Esta
opción puede doblar el tamaño de las tablas usadas en su
analizador.
-Ce ordena a flex que construya clases de equivalencia, es
decir, conjunto de caracteres que tienen identicas propiedades
léxicas (por ejemplo, si la única aparición de dígitos en la
entrada de flex es en la clase de caracteres "[0-9]" entonces
los dígitos ’0’, ’1’, ..., ’9’ se pondrán todos en la misma
clase de equivalencia). Las clases de equivalencia normalmente
ofrecen notables reducciones en los tamaños de los ficheros
finales de tabla/objeto (típicamente un factor de 2-5) y son
juiciosamente bastante baratos en cuanto al rendimiento (una
localización en un vector por caracter analizado).
-Cf especifica que se deben generar las tablas del analizador
completas - flex no debería comprimir las tablas tomando ventaja
de las funciones de transición similares para diferentes
estados.
-CF especifica que debería usarse la representación del
analizador rápido alternativo (descrito anteriormente en la
bandera -F ) Esta opción no puede usarse con -+.
-Cm ordena a flex a que construya clases de meta-equivalencias,
que son conjuntos de clases de equivalencia (o caracteres, si
las clases de equivalencia no se están usando) que comunmente se
usan de forma conjunta. Las clases de meta-equivalencias son a
menudo un gran ahorro cuando se usan tablas comprimidas, pero
tienen un impacto moderado en el rendimiento (uno o dos tests
"if" y una localización en un array por caracter analizado).
-Cr hace que el analizador generado elimine el uso de la
librería de E/S estándar para la entrada. En lugar de llamar a
fread() o getc(), el analizador utilizará la llamada al sistema
read(), produciendo una ganancia en el rendimiento que varía de
sistema en sistema, pero en general probablemente es
insignificante a menos que también esté usando -Cf o -CF. El
uso de -Cr puede producir un comportamiento extraño si, por
ejemplo, lee de yyin usando stdio antes de llamar al analizador
(porque el analizador perderá cualquier texto que sus lecturas
anteriores dejaron en el buffer de entrada de stdio).
-Cr no tiene efecto si usted define YY_INPUT (ver El Escáner
Generado más arriba).
Con solamente -C se especifica que las tablas del analizador
deberían comprimirse pero no debería utilizarse ni las clases de
equivalencia ni las clases de meta-equivalencias.
Las opciones -Cf o -CF y -Cm no tienen sentido juntas - no hay
oportunidad para las clases de meta-equivalencias si la tabla no
está siendo comprimida. De otra forma las opciones podrían
mezclarse líbremente, y son acumulativas.
La configuración por defecto es -Cem, que especifica que flex
debería generar clases de equivalencia y clases de meta-
equivalencias. Esta configuración provee el mayor grado de
compresión. Puede llegarse a un compromiso entre analizadores
de ejecución más rápida con el coste de tablas mayores siendo
generalmente verdadero lo siguiente:
lo más lento y pequeño
-Cem
-Cm
-Ce
-C
-C{f,F}e
-C{f,F}
-C{f,F}a
lo más rápido y grande
Fíjese que los analizadores con tablas más pequeñas normalmente
se generan y compilan de la forma más rápida posible, así que
durante el desarrollo usted normalmente querrá usar como viene
por defecto, compresión máxima.
-Cfe a menudo es un buen compromiso entre velocidad y tamaño
para la producción de analizadores.
-osalida
ordena a flex que escriba el analizador al fichero salida en
lugar de a lex.yy.c. Si combina -o con la opción -t, entonces
el analizador se escribe en stdout pero sus directivas #line
(vea la opción -L más arriba) hacen referencia al fichero
salida.
-Pprefijo
cambia el prefijo yy usado por defecto por flex para todas las
variables visibles globalmente y nombres de funciones para que
sea prefijo. Por ejemplo, -Pfoo cambia el nombre de yytext a
footext. Este también cambia el nombre por defecto del fichero
de salida de lex.yy.c a lex.foo.c. Aquí están todos los nombres
afectados:
yy_create_buffer
yy_delete_buffer
yy_flex_debug
yy_init_buffer
yy_flush_buffer
yy_load_buffer_state
yy_switch_to_buffer
yyin
yyleng
yylex
yylineno
yyout
yyrestart
yytext
yywrap
(Si usted está utilizando un analizador en C++, entonces
únicamente yywrap y yyFlexLexer se ven afectados.) Dentro de su
analizador, puede aún hacer referencia a las variables globales
y funciones usando cualquier versión de su nombre; pero
externamente, estas tienen el nombre modificado.
Esta opción le deja enlazar fácilmente múltiples programas flex
conjuntamente en el mismo ejecutable. Fíjese, sin embargo, que
usando esta opción también se renombra yywrap(), de manera que
ahora debe o bien proveer su propia versión de la rutina (con el
nombre apropiado) para su analizador, o usar %option noyywrap,
ya que enlazar con -lfl no podrá proveerle una por defecto.
-Sfichero_esqueleto
ignora el fichero de esqueleteo por defecto con el que flex
construye sus analizadores. Usted probablemente nunca
necesitará utilizar esta opción a menos que este haciendo
mantenimiento o un desarrollo de flex.
flex también ofrece un mecanismo para controlar las opciones dentro de
la propia especificación del analizador, en vez de a partir de la línea
de comando. Esto se hace incluyendo las directivas %option en la
primera sección de la especificación del analizador. Usted puede
especificar varias opciones con una sola directiva %option, y varias
directivas en la primera sección de su fichero de entrada de flex.
La mayoría de las opciones vienen dadas simplemente como nombres,
opcionalmente precedidos por la palabra "no" (sin intervenir un
espacio) para negar su significado. Las banderas de flex o su negación
son equivalentes a un número:
7bit opción -7
8bit opción -8
align opción -Ca
backup opción -b
batch opción -B
c++ opción -+
caseful o
case-sensitive opuesto de -i (por defecto)
case-insensitive o
caseless opción -i
debug opción -d
default opuesto de la opción -s
ecs opción -Ce
fast opción -F
full opción -f
interactive opción -I
lex-compat opción -l
meta-ecs opción -Cm
perf-report opción -p
read opción -Cr
stdout opción -t
verbose opción -v
warn opuesto de la opción -w
(use "%option nowarn" para -w)
array equivalente a "%array"
pointer equivalente a "%pointer" (por defecto)
Algunas directivas %option ofrecen propiedades que de otra manera no
están disponibles:
always-interactive
ordena a flex que genere un analizador que siempre considere su
entrada como "interactiva". Normalmente, sobre cada fichero de
entrada nuevo el analizador llama a isatty() como intento para
determinar si la entrada del analizador es interactiva y por lo
tanto debería leer un caracter a la vez. Cuando esta opción se
utilice, sin embargo, entonces no se hace tal llamada.
main ordena a flex que facilite un programa main() por defecto para
el analizador, que simplemente llame a yylex(). Esta opción
implica noyywrap (ver más abajo).
never-interactive
ordena a flex que genere un analizador que nunca considere su
entrada como "interactiva" (de nuevo, no se hace ninguna llamada
a isatty()). Esta es la opuesta a always-interactive.
stack activa el uso de pilas de condiciones de arranque (ver
Condiciones de Arranque más arriba).
stdinit
si se establece (es decir, %option stdinit) inicializa yyin e
yyout a stdin y stdout, en lugar del que viene por defecto que
es nil. Algunos pogramas de lex existentes dependen de este
comportamiento, incluso si no sigue el ANSI C, que no requiere
que stdin y stdout sean constantes en tiempo de compilación.
yylineno
ordena a flex a generar un analizador que mantenga el número de
la línea actual leída desde su entrada en la variable global
yylineno. Esta opción viene implícita con %option lex-compat.
yywrap si no se establece (es decir, %option noyywrap), hace que el
analizador no llame a yywrap() hasta el fin-de-fichero, pero
simplemente asume que no hay más ficheros que analizar (hasta
que el usuario haga apuntar yyin a un nuevo fichero y llame a
yylex() otra vez).
flex analiza las acciones de sus reglas para determinar si utiliza las
propiedades REJECT o yymore() Las opciones reject e yymore están
disponibles para ignorar sus decisiones siempre que use las opciones, o
bien estableciendolas (p.ej., %option reject) para indicar que la
propiedad se utiliza realmente, o desactivándolas para indicar que no
es utilizada (p.ej., %option noyymore).
Tres opciones toman valores delimitados por cadenas, separadas por ’=’:
%option outfile="ABC"
es equivalente a -oABC, y
%option prefix="XYZ"
es equivalente a -PXYZ. Finalmente,
%option yyclass="foo"
sólo se aplica cuando se genera un analizador en C++ (opción -+). Este
informa a flex que ha derivado a foo como una subclase de yyFlexLexer,
así que flex pondrá sus acciones en la función miembro foo::yylex() en
lugar de yyFlexLexer::yylex(). Este también genera una función miembro
yyFlexLexer::yylex() que emite un error en tiempo de ejecución
(invocando a yyFlexLexer::LexerError()) si es llamada. Ver Generando
Escáners en C++, más abajo, para información adicional.
Están disponibles un número de opciones para los puristas de lint que
desean suprimir la aparición de rutinas no necesarias en el analizador
generado. Cada una de la siguientes, si se desactivan (p.ej., %option
nounput ), hace que la rutina correspondiente no aparezca en el
analizador generado:
input, unput
yy_push_state, yy_pop_state, yy_top_state
yy_scan_buffer, yy_scan_bytes, yy_scan_string
(aunque yy_push_state() y sus amigas no aparecerán de todas manera a
menos que use %option stack).
CONSIDERACIONES DE RENDIMIENTO
El principal objetivo de diseño de flex es que genere analizadores de
alto rendimiento. Este ha sido optimizado para comportarse bien con
conjuntos grandes de reglas. Aparte de los efectos sobre la velocidad
del analizador con las opciones de compresión de tablas -C
anteriormente introducidas, hay un número de opciones/acciones que
degradan el rendimiento. Estas son, desde la más costosa a la menos:
REJECT
%option yylineno
contexto posterior arbitrario
conjunto de patrones que requieren retroceso
%array
%option interactive
%option always-interactive
’^’ operador de comienzo de línea
yymore()
siendo las tres primeras bastante costosas y las dos últimas bastante
económicas. Fíjese también que unput() se implementa como una llamada
de rutina que potencialmente hace bastante trabajo, mientras que
yyless() es una macro bastante económica; así que si está devolviendo
algún texto excedente que ha analizado, use yyless().
REJECT debería evitarse a cualquier precio cuando el rendimiento es
importante. Esta es una opción particularmente cara.
Es lioso deshacerse del retroceso y a menudo podría ser una cantidad de
trabajo enorme para un analizador complicado. En principio, uno
comienza utilizando la bandera -b para generar un archivo lex.backup.
Por ejemplo, sobre la entrada
%%
foo return TOK_KEYWORD;
foobar return TOK_KEYWORD;
el fichero tiene el siguiente aspecto:
El estado #6 es no-aceptar -
números de línea asociados a la regla:
2 3
fin de transiciones: [ o ]
transiciones de bloqueo: fin de archivo (EOF) [ \001-n p-\177 ]
El estado #8 es no-aceptar -
números de línea asociados a la regla:
3
fin de transiciones: [ a ]
transiciones de bloqueo: fin de archivo (EOF) [ \001-‘ b-\177 ]
El estado #9 es no-aceptar -
números de línea asociados a la regla:
3
fin de transiciones: [ r ]
transiciones de bloqueo: fin de archivo (EOF) [ \001-q s-\177 ]
Las tablas comprimidas siempre implican un retroceso.
Las primeras líneas nos dicen que hay un estado del analizador en el
que se puede hacer una transición con una ’o’ pero no sobre cualquier
otro caracter, y que en ese estado el texto recientemente analizado no
empareja con ninguna regla. El estado ocurre cuando se intenta
emparejar las reglas encontradas en las líneas 2 y 3 en el fichero de
entrada. Si el analizador está en ese estado y entoces lee cualquier
cosa que no sea una ’o’, tendrá que retroceder para encontrar una regla
que empareje. Con un poco de análisis uno puede ver que este debe ser
el estado en el que se está cuando se ha visto "fo". Cuando haya
ocurrido, si se ve cualquier cosa que no sea una ’o’, el analizador
tendrá que retroceder para simplemente emparejar la ’f’ (por la regla
por defecto).
El comentario que tiene que ver con el Estado #8 indica que hay un
problema cuando se analiza "foob". En efecto, con cualquier caracter
que no sea una ’a’, el analizador tendrá que retroceder para aceptar
"foo". De forma similar, el comentario para el Estado #9 tiene que ver
cuando se ha analizado "fooba" y no le sigue una ’r’.
El comentario final nos recuerda que no mecere la pena todo el trabajo
para eliminar el retroceso de las reglas a menos que estemos usando -Cf
o -CF, y que no hay ninguna mejora del rendimiento haciéndolo con
analizadores comprimidos.
La manera de quitar los retrocesos es añadiendo reglas de "error":
%%
foo return TOK_KEYWORD;
foobar return TOK_KEYWORD;
fooba |
foob |
fo {
/* falsa alarma, realmente no es una palabra clave */
return TOK_ID;
}
La eliminación de retroceso en una lista de palabras clave también
puede hacerse utilizando una regla "atrápalo-todo":
%%
foo return TOK_KEYWORD;
foobar return TOK_KEYWORD;
[a-z]+ return TOK_ID;
Normalmente esta es la mejor solución cuando sea adecuada.
Los mensajes sobre retrocesos tienden a aparecer en cascada. Con un
conjunto complicado de reglas no es poco común obtener cientos de
mensajes. Si uno puede descifrarlos, sin embargo, a menudo sólo hay
que tomar una docena de reglas o algo así para eliminar los retrocesos
(ya que es fácil cometer una equivocación y tener una regla de error
que reconozca un token válido. Una posible característica futura de
flex será añadir reglas automáticamente para eliminar el retroceso).
Es importante tener en cuenta que se obtienen los beneficios de
eliminar el retroceso sólo si elimina cada instancia del retroceso.
Dejar solamente una significa que no ha ganado absolutamente nada.
El contexto posterior variable (donde la parte delantera y posterior no
tienen una longitud fija) supone casi la misma pérdida de rendimiento
que REJECT (es decir, substanciales). Así que cuando sea posible una
regla como esta:
%%
raton|rata/(gato|perro) correr();
es mejor escribirla así:
%%
raton/gato|perro correr();
rata/gato|perro correr();
o así
%%
raton|rata/gato correr();
raton|rata/perro correr();
Fíjese que aquí la acción especial ’|’ no ofrece ningún ahorro, y puede
incluso hacer las cosas peor (ver Deficiencias / Errores más abajo).
Otro área donde el usuario puede incrementar el rendimiento del
analizador (y una que es más fácil de implementar) surge del hecho que
cuanto más tarde se empareje un token, más rápido irá el analizador.
Esto es debido a que con tokens grandes el procesamiento de la mayoría
de los caracteres de entrada tiene lugar en el (corto) bucle de
análisis más interno, y no tiene que ir tan a menudo a hacer el trabajo
de más para constituir el entorno del analizador (p.ej., yytext) para
la acción. Recuerde el analizador para los comentarios en C:
%x comentario
%%
int num_linea = 1;
"/*" BEGIN(comentario);
<comentario>[^*\n]*
<comentario>"*"+[^*/\n]*
<comentario>\n ++num_linea;
<comentario>"*"+"/" BEGIN(INITIAL);
Esto podría acelerarse escribiéndolo como:
%x comentario
%%
int num_linea = 1;
"/*" BEGIN(comentario);
<comentario>[^*\n]*
<comentario>[^*\n]*\n ++num_linea;
<comentario>"*"+[^*/\n]*
<comentario>"*"+[^*/\n]*\n ++num_linea;
<comentario>"*"+"/" BEGIN(INITIAL);
Ahora en lugar de que cada línea nueva requiera el procesamiento de
otra regla, el reconocimiento de las líneas nuevas se "distribuye"
sobre las otras reglas para mantener el texto reconocido tan largo como
sea posible. ¡Fíjese que el aadir reglas no ralentiza el analizador!
La velocidad del analizador es independiente del número de reglas o
(dadas las consideraciones dadas al inicio de esta sección) cuán
complicadas sean las reglas respecto a operadores tales como ’*’ y ’|’.
Un ejemplo final sobre la aceleración de un analizador: suponga que
quiere analizar un fichero que contiene identificadores y palabras
clave, una por línea y sin ningún caracter extraño, y reconocer todas
las palabras clave. Una primera aproximación natural es:
%%
asm |
auto |
break |
... etc ...
volatile |
while /* es una palabra clave */
.|\n /* no es una palabra clave */
Para eliminar el retroceso, introduzca una regla atrápalo-todo:
%%
asm |
auto |
break |
... etc ...
volatile |
while /* es una palabra clave */
[a-z]+ |
.|\n /* no es una palabra clave */
Ahora, si se garantiza que hay exáctamente una palabra por línea,
entonces podemos reducir el número total de emparejamientos por la
mitad mezclando el reconocimiento de líneas nuevas con las de los otros
tokens:
%%
asm\n |
auto\n |
break\n |
... etc ...
volatile\n |
while\n /* es una palabra clave */
[a-z]+\n |
.|\n /* no es una palabra clave */
Uno tiene que ser cuidadoso aquí, ya que hemos reintroducido retroceso
en el analizador. En particular, aunque nosotros sepamos que ahí nunca
habrán otros caracteres en el flujo de entrada que no sean letras o
líneas nuevas, flex no puede figurarse eso, y planeará la posible
necesidad de retroceder cuando haya analizado un token como "auto" y el
próximo caracter sea algo distinto a una línea nueva o una letra.
Previamente este podría entonces emparejar la regla "auto" y estar todo
hecho, pero ahora este no tiene una regla "auto", solamente una regla
"auto\n". Para eliminar la posibilidad de retroceso, podríamos o bien
duplicar todas las reglas pero sin línea nueva al final, o, ya que
nunca esperamos encontrar tal entrada y por lo tanto ni cómo es
clasificada, podemos introducir una regla atrápalo-todo más, esta que
no incluye una línea nueva:
%%
asm\n |
auto\n |
break\n |
... etc ...
volatile\n |
while\n /* es una palabra clave */
[a-z]+\n |
[a-z]+ |
.|\n /* no es una palabra clave */
Compilado con -Cf, esto es casi tan rápido como lo que uno puede
obtener de un analizador de flex para este problema en particular.
Una nota final: flex es lento cuando empareja NUL’s, particularmente
cuando un token contiene múltiples NUL’s. Es mejor escribir reglas que
emparejen cortas cantidades de texto si se anticipa que el texto
incluirá NUL’s a menudo.
Otra nota final en relación con el rendimiento: tal y como se mencionó
en la sección Cómo se Reconoce la Entrada, el reajuste dinámico de
yytext para acomodar tokens enormes es un proceso lento porque ahora
requiere que el token (inmenso) sea reanalizado desde el principio. De
esta manera si el rendimiento es vital, debería intentar emparejar
"grandes" cantidades de texto pero no "inmensas" cantidades, donde el
punto medio está en torno a los 8K caracteres/token.
GENERANDO ESCÁNERES EN C++
flex ofrece dos maneras distintas de generar analizadores para usar con
C++. La primera manera es simplemente compilar un analizador generado
por flex usando un compilador de C++ en lugar de un compilador de C.
No debería encontrarse ante ningún error de compilación (por favor
informe de cualquier error que encuentre a la dirección de correo
electrónico dada en la sección Autores más abajo). Puede entonces usar
código C++ en sus acciones de las reglas en lugar de código C. Fíjese
que la fuente de entrada por defecto para su analizador permanece como
yyin, y la repetición por defecto se hace aún a yyout. Ambos
permanecen como variables FILE * y no como flujos de C++.
También puede utilizar flex para generar un analizador como una clase
de C++, utilizando la opción -+ (o, equivalentemente, %option c++), que
se especifica automáticamente si el nombre del ejecutable de flex
finaliza con un ’+’, tal como flex++. Cuando se usa esta opción, flex
establece por defecto la generación del analizador al fichero lex.yy.cc
en vez de lex.yy.c. El analizador generado incluye el fichero de
cabecera FlexLexer.h, que define el interfaz con las dos clases de C++.
La primera clase, FlexLexer, ofrece una clase base abstracta definiendo
la interfaz a la clase del analizador general. Este provee las
siguientes funciones miembro:
const char* YYText()
retorna el texto del token reconocido más recientemente, el
equivalente a yytext.
int YYLeng()
retorna la longitud del token reconocido más recientemente, el
equivalente a yyleng.
int lineno() const
retorna el número de línea de entrada actual (ver %option
yylineno), o 1 si no se usó %option yylineno.
void set_debug( int flag )
activa la bandera de depuración para el analizador, equivalente
a la asignación de yy_flex_debug (ver la sección Opciones más
arriba). Fíjese que debe construir el analizador utilizando
%option debug para incluir información de depuración en este.
int debug() const
retorna el estado actual de la bandera de depuración.
También se proveen funciones miembro equivalentes a
yy_switch_to_buffer(), yy_create_buffer() (aunque el primer argumento
es un puntero a objeto istream* y no un FILE*), yy_flush_buffer(),
yy_delete_buffer(), y yyrestart() (de nuevo, el primer argumento es un
puntero a objeto istream* ).
La segunda clase definida en FlexLexer.h es yyFlexLexer, que se deriva
de FlexLexer. Esta define las siguientes funciones miembro
adicionales:
yyFlexLexer( istream* arg_yyin = 0, ostream* arg_yyout = 0 )
construye un objeto yyFlexLexer usando los flujos dados para la
entrada y salida. Si no se especifica, los flujos se establecen
por defecto a cin y cout, respectivamente.
virtual int yylex()
hace el mismo papel que yylex() en los analizadores de flex
ordinarios: analiza el flujo de entrada, consumiendo tokens,
hasta que la acción de una regla retorne un valor. Si usted
deriva una subclase S a partir de yyFlexLexer y quiere acceder a
las funciones y variables miembro de S dentro de yylex(),
entonces necesita utilizar %option yyclass="S" para informar a
flex que estará utilizando esa subclase en lugar de yyFlexLexer.
Es este caso, en vez de generar yyFlexLexer::yylex(), flex
genera S::yylex() (y también genera un substituto
yyFlexLexer::yylex() que llama a yyFlexLexer::LexerError() si se
invoca).
virtual void switch_streams(istream* new_in = 0,
ostream* new_out = 0) reasigna yyin a new_in (si no es nulo) e
yyout a new_out (idem), borrando el buffer de entrada anterior
si se reasigna yyin.
int yylex( istream* new_in, ostream* new_out = 0 )
primero conmuta el flujo de entrada via switch_streams( new_in,
new_out ) y entonces retorna el valor de yylex().
Además, yyFlexLexer define las siguientes funciones virtuales
protegidas que puede redefinir en clases derivadas para adaptar el
analizador:
virtual int LexerInput( char* buf, int max_size )
lee hasta max_size caracteres en buf y devuelve el número de
caracteres leídos. Para indicar el fin-de-la-entrada, devuelve
0 caracteres. Fíjese que los analizadores "interactivos" (ver
las banderas -B y -I ) definen la macro YY_INTERACTIVE. Si
usted redefine LexerInput() y necesita tomar acciones distintas
dependiendo de si el analizador está analizando una fuente de
entrada interactivo o no, puede comprobar la presencia de este
nombre mediante #ifdef.
virtual void LexerOutput( const char* buf, int size )
escribe a la salida size caracteres desde el buffer buf, que,
mientras termine en NUL, puede contener también NUL’s "internos"
si las reglas del analizador pueden emparejar texto con NUL’s
dentro de este.
virtual void LexerError( const char* msg )
informa con un mensaje de error fatal. La versión por defecto
de esta función escribe el mensaje al flujo cerr y finaliza.
Fíjese que un objeto yyFlexLexer contiene su estado de análisis
completo. Así puede utilizar tales objetos para crear analizadore
reentrantes. Puede hacer varias instancias de la misma clase
yyFlexLexer, y puede combinar varias clases de analizadores en C++
conjuntamente en el mismo programa usando la opción -P comentada
anteriormente.
Finalmente, note que la característica %array no está disponible en
clases de analizadores en C++; debe utilizar %pointer (por defecto).
Aquí hay un ejemplo de un analizador en C++ simple:
// Un ejemplo del uso de la clase analizador en C++ de flex.
%{
int mylineno = 0;
%}
string \"[^\n"]+\"
ws [ \t]+
alpha [A-Za-z]
dig [0-9]
name ({alpha}|{dig}|\$)({alpha}|{dig}|[_.\-/$])*
num1 [-+]?{dig}+\.?([eE][-+]?{dig}+)?
num2 [-+]?{dig}*\.{dig}+([eE][-+]?{dig}+)?
number {num1}|{num2}
%%
{ws} /* evita los espacios en blanco y tabuladores */
"/*" {
int c;
while((c = yyinput()) != 0)
{
if(c == ’\n’)
++mylineno;
else if(c == ’*’)
{
if((c = yyinput()) == ’/’)
break;
else
unput(c);
}
}
}
{number} cout << "número " << YYText() << ’\n’;
\n mylineno++;
{name} cout << "nombre " << YYText() << ’\n’;
{string} cout << "cadena " << YYText() << ’\n’;
%%
int main( int /* argc */, char** /* argv */ )
{
FlexLexer* lexer = new yyFlexLexer;
while(lexer->yylex() != 0)
;
return 0;
}
Si desea crear varias (diferentes) clases analizadoras, use la bandera
-P (o la opción prefix= ) para renombrar cada yyFlexLexer a algún otro
xxFlexLexer. Entonces puede incluir <FlexLexer.h> en los otros
ficheros fuente una vez por clase analizadora, primero renombrando
yyFlexLexer como se presenta a continuación:
#undef yyFlexLexer
#define yyFlexLexer xxFlexLexer
#include <FlexLexer.h>
#undef yyFlexLexer
#define yyFlexLexer zzFlexLexer
#include <FlexLexer.h>
si, por ejemplo, usted utilizó %option prefix="xx" para uno de sus
analizadores y %option prefix="zz" para el otro.
IMPORTANTE: la forma actual de la clase analizadora es experimental y
podría cambiar considerablemente entre versiones principales.
INCOMPATIBILIDADES CON LEX Y POSIX
flex es una reescritura de la herramienta lex del Unix de AT&T (aunque
las dos implementaciones no comparten ningún código), con algunas
extensiones e incompatibilidades, de las que ambas conciernen a
aquellos que desean escribir analizadores aceptables por cualquier
implementación. Flex sigue completamente la especificación POSIX de
lex, excepto que cuando se utiliza %pointer (por defecto), una llamada
a unput() destruye el contenido de yytext, que va en contra de la
especificación POSIX.
En esta sección comentaremos todas las áreas conocidas de
incompatibilidades entre flex, lex de AT&T, y la especificación POSIX.
La opción -l de flex activa la máxima compatibilidad con la
implementación original de lex de AT&T, con el coste de una mayor
pérdida de rendimiento en el analizador generado. Indicamos más abajo
qué incompatibilidades pueden superarse usando la opción -l.
flex es totalmente compatible con lex con las siguientes excepciones:
- La variable interna del analizador de lex sin documentar
yylineno no se ofrece a menos que se use -l o %option yylineno.
yylineno debería gestionarse por buffer, en lugar de por
analizador (simple variable global).
yylineno no es parte de la especificación POSIX.
- La rutina input() no es redefinible, aunque podría invocarse
para leer los caracteres que siguen a continuación de lo que
haya sido reconocido por una regla. Si input() se encuentra con
un fin-de-fichero se realiza el procesamiento de yywrap()
normal. input() retorna un fin-de-fichero ‘‘real’’ como EOF.
La entrada en su lugar se controla definiendo la macro YY_INPUT.
La restricción de flex de que input() no puede redefinirse va de
acuerdo a la especificación POSIX, que simplemente no especifica
ninguna manera de controlar la entrada del analizador que no sea
haciendo una asignación inicial a yyin.
- La rutina unput() no es redefinible. Esta restricción va de
acuerdo a POSIX.
- Los analizadores de flex no son tan reentrantes como los
analizadores de lex. En particular, si tiene un analizador
interactivo y un gestor de interrupción con long-jumps fuera del
analizador, y el analizador a continuación se invoca de nuevo,
podría obtener el siguiente mensaje:
fatal flex scanner internal error--end of buffer missed
Para volver al analizador, primero utilice
yyrestart( yyin );
Vea que esta llamada eliminará cualquier entrada en el buffer;
normalmente esto no es un problema con un analizador
interactivo.
Dese cuenta también de que las clases analizadoras en C++ son
reentrantes, así que si usar C++ es una opción para usted,
debería utilizarla. Vea "Generando Escáners en C++" más arriba
para los detalles.
- output() no se provee. La salida desde la macro ECHO se hace al
puntero de fichero yyout (por defecto a stdout).
output() no es parte de la especificación POSIX.
- lex no acepta condiciones de arranque exclusivas (%x), aunque
están en la especificación POSIX.
- Cuando se expanden las definiciones, flex las encierra entre
paréntesis. Con lex, lo siguiente:
NOMBRE [A-Z][A-Z0-9]*
%%
foo{NOMBRE}? printf( "Lo encontró\n" );
%%
no reconocerá la cadena "foo" porque cuando la macro se expanda
la regla es equivalente a "foo[A-Z][A-Z0-9]*?" y la precedencia
es tal que el ’?’ se asocia con "[A-Z0-9]*". Con flex, la regla
se expandirá a "foo([A-Z][A-Z0-9]*)?" y así la cadena "foo" se
reconocerá.
Fíjese que si la definición comienza con ^ o finaliza con $
entonces no se expande con paréntesis, para permitir que estos
operadores aparezcan en las definiciones sin perder su
significado especial. Pero los operadores <s>, /, y <<EOF>> no
pueden utilizarse en una definición de flex.
El uso de -l produce en el comportamiendo de lex el no poner
paréntesis alrededor de la definición.
La especificación de POSIX dice que la definición debe ser
encerrada entre paréntesis.
- Algunas implementaciones de lex permiten que la acción de una
regla comience en una línea separada, si el patrón de la regla
tiene espacios en blanco al final:
%%
foo|bar<espacio aquí>
{ foobar_action(); }
flex no dispone de esta propiedad.
- La opción %r de lex (generar un analizador Ratfor) no se ofrece.
No es parte de la especificación de POSIX.
- Después de una llamada a unput(), el contenido de yytext está
indefinido hasta que se reconozca el próximo token, a menos que
el analizador se haya construido usando %array. Este no es el
caso de lex o la especificación de POSIX. La opción -l elimina
esta incompatibilidad.
- La precedencia del operador {} (rango numérico) es diferente.
lex interpreta "abc{1,3}" como "empareja uno, dos, o tres
apariciones de
’abc’", mientras que flex lo interpreta como "empareja ’ab’
seguida de una, dos o tres apariciones de ’c’". Lo último va de
acuerdo con la especificación de POSIX.
- La precedencia del operador ^ es diferente. lex interpreta
"^foo|bar" como "empareja bien ’foo’ al principio de una línea,
o ’bar’ en cualquier lugar", mientras que flex lo interpreta
como "empareja ’foo’ o ’bar’ si vienen al principio de una
línea". Lo último va de acuerdo con la especificación de POSIX.
- Las declaraciones especiales del tamaño de las tablas tal como
%a que reconoce lex no se requieren en los analizadores de flex;
flex los ignora.
- El identificador FLEX_SCANNER se #define de manera que los
analizadores podrían escribirse para ser procesados con flex o
con lex. Los analizadores también incluyen
YY_FLEX_MAJOR_VERSION y YY_FLEX_MINOR_VERSION indicando qué
versión de flex generó el analizador (por ejemplo, para la
versión 2.5, estas definiciones serán 2 y 5 respectivamente).
Las siguientes propiedades de flex no se incluyen en lex o la
especificación POSIX:
analizadores en C++
%option
ámbitos de condiciones de arranque
pilas de condiciones de arranque
analizadores interactivos/no-interactivos
yy_scan_string() y sus amigas
yyterminate()
yy_set_interactive()
yy_set_bol()
YY_AT_BOL()
<<EOF>>
<*>
YY_DECL
YY_START
YY_USER_ACTION
YY_USER_INIT
directivas #line
%{}’s alrededor de acciones
varias acciones en una línea
más casi todas las banderas de flex. La última propiedad en la lista
se refiere al hecho de que con flex puede poner varias acciones en la
misma línea, sepradas con punto y coma, mientras que con lex, lo
siguiente
foo handle_foo(); ++num_foos_seen;
se trunca (sorprendentemente) a
foo handle_foo();
flex no trunca la acción. Las acciones que no se encierran en llaves
simplemente se terminan al final de la línea.
DIAGNÓSTICOS
aviso, la regla no se puede aplicar indica que la regla dada no puede
emparejarse porque sigue a otras reglas que siempre emparejarán el
mismo texto que el de esta. Por ejemplo, en el siguiente ejemplo "foo"
no puede emparejarse porque viene después de una regla "atrápalo-todo"
para identificadores:
[a-z]+ obtuvo_identificador();
foo obtuvo_foo();
El uso de REJECT en un analizador suprime este aviso.
aviso, se ha especificado la opcin -s pero se puede aplicar la regla
por defecto significa que es posible (tal vez únicamente en una
condición de arranque en particular) que la regla por defecto
(emparejar cualquier caracter simple) sea la única que emparejará una
entrada particular. Ya que se indicó -s, presumiblemente esto no es lo
que se pretendía.
definicin no definida {reject_used_but_not_detected} o definicin no
definida {yymore_used_but_not_detected} - Estos errores pueden suceder
en tiempo de compilación. Indican que el analizador usa REJECT o
yymore() pero que flex falló en darse cuenta del hecho, queriendo decir
que flex analizó las dos primeras secciones buscando apariciones de
estas acciones y falló en encontrar alguna, pero que de algún modo se
le han colado (por medio de un archivo #include, por ejemplo). Use
%option reject o %option yymore para indicar a flex que realmente usa
esta funcionalidad.
flex scanner jammed - un analizador compilado con -s ha encontrado una
cadena de entrada que no fue reconocida por niguna de sus reglas. Este
error puede suceder también debido a problemas internos.
token too large, exceeds YYLMAX - su analizador usa %array y una de sus
reglas reconoció una cadena más grande que la constante YYLMAX (8K
bytes por defecto). Usted puede incrementar el valor haciendo un
#define YYLMAX en la sección de definiciones de su entrada de flex.
el analizador requiere la opcin -8 para poder usar el carcter x -
La especificación de su analizador incluye el reconocimiento del
caracter de 8-bits x y no ha especificado la bandera -8, y su
analizador por defecto está a 7-bits porque ha usado las opciones -Cf o
-CF de compresión de tablas. Vea el comentario de la bandera -7 para
los detalles.
flex scanner push-back overflow - usted utilizó unput() para devolver
tanto texto que el buffer del analizador no pudo mantener el texto
devuelto y el token actual en yytext. Idealmente el analizador debería
ajustar dinámicamente el buffer en este caso, pero actualmente no lo
hace.
input buffer overflow, cant enlarge buffer because scanner uses REJECT
- el analizador estaba intentando reconocer un token extremadamente
largo y necesitó expandir el buffer de entrada. Esto no funciona con
analizadores que usan REJECT.
fatal flex scanner internal error--end of buffer missed - Esto puede
suceder en un analizador que se reintroduce después de que un long-jump
haya saltado fuera (o sobre) el registro de activación del analizador.
Antes de reintroducir el analizador, use:
yyrestart( yyin );
o, como se comentó más arriba, cambie y use el analizador como clase de
C++.
too many start conditions in <> construct! - ha listado más condiciones
de arranque en una construcción <> que las que existen (así que tuvo
que haber listado al menos una de ellas dos veces).
FICHEROS
-lfl librería con la que los analizadores deben enlazarse.
lex.yy.c
analizador generado (llamado lexyy.c en algunos sistemas).
lex.yy.cc
clase generada en C++ con el analizador, cuando se utiliza -+.
<FlexLexer.h>
fichero de cabecera definiendo la clase base del analizador en
C++, FlexLexer, y su clase derivada, yyFlexLexer.
flex.skl
esqueleto del analizador. Este fichero se utiliza únicamente
cuando se construye flex, no cuando flex se ejecuta.
lex.backup
información de los retrocesos para la bandera -b (llamada
lex.bck en algunos sistemas).
DEFICIENCIAS / ERRORES
Algunos patrones de contexto posterior no pueden reconocerse
correctamente y generan mensajes de aviso ("contexto posterior
peligroso"). Estos son patrones donde el final de la primera parte de
la regla reconoce el comienzo de la segunda parte, tal como "zx*/xy*",
donde el ’x*’ reconoce la ’x’ al comienzo del contexto posterior.
(Fíjese que el borrador de POSIX establece que el texto reconocido por
tales patrones no está definido.)
Para algunas reglas de contexto posterior, partes que son de hecho de
longitud fija no se reconocen como tales, resultando en la pérdida de
rendimiento mencionada anteriormente. En particular, las partes que
usan ’|’ o {n} (tales como "foo{3}") siempre se consideran de longitud
variable.
La combinación de contexto posterior con la acción especial ’|’ puede
producir que el contexto posterior fijo se convierta en contexto
posterior variable que es más caro. Por ejemplo, en lo que viene a
continuación:
%%
abc |
xyz/def
El uso de unput() invalida yytext e yyleng, a menos que se use la
directiva %array o la opción -l.
La concordancia de patrones de NUL’s es substancialmente más lento que
el reconocimiento de otros caracteres.
El ajuste dinámico del buffer de entrada es lento, ya que conlleva el
reanálisis de todo el texto reconocido hasta entonces por el
(generalmente enorme) token actual.
Debido al uso simultáneo de buffers de entrada y lecturas por
adelantado, no puede entremezclar llamadas a rutinas de <stdio.h>,
tales como, por ejemplo, getchar(), con reglas de flex y esperar que
funcione. Llame a input() en su lugar.
La totalidad de las entradas de la tabla listada por la bandera -v
excluye el número de entradas en la tabla necesarias para determinar
qué regla ha sido emparejada. El número de entradas es igual al número
de estados del DFA si el analizador no usa REJECT, y algo mayor que el
número de estados si se usa.
REJECT no puede usarse con las opciones -f o -F.
El algoritmo interno de flex necesita documentación.
VER TAMBIÉN
lex(1), yacc(1), sed(1), awk(1).
John Levine, Tony Mason, and Doug Brown, Lex & Yacc, O’Reilly and
Associates. Esté seguro de obtener la 2ª edición.
M. E. Lesk and E. Schmidt, LEX - Lexical Analyzer Generator
Alfred Aho, Ravi Sethi and Jeffrey Ullman, Compilers: Principles,
Techniques and Tools, Addison-Wesley (1986) (Edición en castellano:
Compiladores: Principios, Tcnicas y Herramientas, Addison-Wesley
Iberoamericana, S.A. (1990)) Describe las técnicas de concordancia de
patrones usadas por flex (autómata finito determinista).
AUTOR
Vern Paxson, con la ayuda de muchas ideas e inspiración de Van
Jacobson. Versión original por Jef Poskanzer. La representación de
tablas rápidas es una implementación parcial de un diseño hecho por Van
Jacobson. La implementación fue hecha por Kevin Gong y Vern Paxson.
Agradecimientos a los muchos flex beta-testers, feedbackers, y
contribuidores, especialmente a Francois Pinard, Casey Leedom, Robert
Abramovitz, Stan Adermann, Terry Allen, David Barker-Plummer, John
Basrai, Neal Becker, Nelson H.F. Beebe, benson@odi.com, Karl Berry,
Peter A. Bigot, Simon Blanchard, Keith Bostic, Frederic Brehm, Ian
Brockbank, Kin Cho, Nick Christopher, Brian Clapper, J.T. Conklin,
Jason Coughlin, Bill Cox, Nick Cropper, Dave Curtis, Scott David
Daniels, Chris G. Demetriou, Theo Deraadt, Mike Donahue, Chuck
Doucette, Tom Epperly, Leo Eskin, Chris Faylor, Chris Flatters, Jon
Forrest, Jeffrey Friedl, Joe Gayda, Kaveh R. Ghazi, Wolfgang Glunz,
Eric Goldman, Christopher M. Gould, Ulrich Grepel, Peer Griebel, Jan
Hajic, Charles Hemphill, NORO Hideo, Jarkko Hietaniemi, Scott Hofmann,
Jeff Honig, Dana Hudes, Eric Hughes, John Interrante, Ceriel Jacobs,
Michal Jaegermann, Sakari Jalovaara, Jeffrey R. Jones, Henry Juengst,
Klaus Kaempf, Jonathan I. Kamens, Terrence O Kane, Amir Katz,
ken@ken.hilco.com, Kevin B. Kenny, Steve Kirsch, Winfried Koenig, Marq
Kole, Ronald Lamprecht, Greg Lee, Rohan Lenard, Craig Leres, John
Levine, Steve Liddle, David Loffredo, Mike Long, Mohamed el Lozy, Brian
Madsen, Malte, Joe Marshall, Bengt Martensson, Chris Metcalf, Luke
Mewburn, Jim Meyering, R. Alexander Milowski, Erik Naggum, G.T. Nicol,
Landon Noll, James Nordby, Marc Nozell, Richard Ohnemus, Karsten
Pahnke, Sven Panne, Roland Pesch, Walter Pelissero, Gaumond Pierre,
Esmond Pitt, Jef Poskanzer, Joe Rahmeh, Jarmo Raiha, Frederic
Raimbault, Pat Rankin, Rick Richardson, Kevin Rodgers, Kai Uwe Rommel,
Jim Roskind, Alberto Santini, Andreas Scherer, Darrell Schiebel, Raf
Schietekat, Doug Schmidt, Philippe Schnoebelen, Andreas Schwab, Larry
Schwimmer, Alex Siegel, Eckehard Stolz, Jan-Erik Strvmquist, Mike
Stump, Paul Stuart, Dave Tallman, Ian Lance Taylor, Chris Thewalt,
Richard M. Timoney, Jodi Tsai, Paul Tuinenga, Gary Weik, Frank Whaley,
Gerhard Wilhelms, Kent Williams, Ken Yap, Ron Zellar, Nathan Zelle,
David Zuhn, y aquellos cuyos nombres han caído bajo mis escasas dotes
de archivador de correo pero cuyas contribuciones son apreciadas todas
por igual.
Agradecimientos a Keith Bostic, Jon Forrest, Noah Friedman, John
Gilmore, Craig Leres, John Levine, Bob Mulcahy, G.T. Nicol, Francois
Pinard, Rich Salz, y a Richard Stallman por la ayuda con diversos
quebraderos de cabeza con la distribución.
Agradecimientos a Esmond Pitt y Earle Horton por el soporte de
caracteres de 8-bits; a Benson Margulies y a Fred Burke por el soporte
de C++; a Kent Williams y a Tom Epperly por el soporte de la clase de
C++; a Ove Ewerlid por el soporte de NUL’s; y a Eric Hughes por el
soporte de múltiples buffers.
Este trabajo fue hecho principalmente cuando yo estaba con el Grupo de
Sistemas de Tiempo Real en el Lawrence Berkeley Laboratory en Berkeley,
CA. Muchas gracias a todos allí por el apoyo que recibí.
Enviar comentarios a vern@ee.lbl.gov.
Sobre esta traducción enviar comentarios a Adrián Pérez Jorge
(alu1415@csi.ull.es).