Provided by: manpages-es-extra_0.8a-19_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 escáneres: 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 patrón y el "printf"
es la acción. 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 emparejará una línea 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 acción 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 bifurcación; 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 añadido 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 sólamente 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 ámbito 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 depuración. 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 rápido. 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 rápida (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 añadir 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 opción -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.
definición no definida {reject_used_but_not_detected} o definición 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 opción -8 para poder usar el carácter '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, can't 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, Técnicas 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).
Versión 2.5 Abril 1995 FLEX(1)