Differences

This shows you the differences between two versions of the page.

--- lfa:2022:proiect_etapa3 [2022/12/11 16:13]
mihai.calitescu [Scala]
+++ lfa:2022:proiect_etapa3 [2022/12/12 12:48] (current)
mihai.calitescu
@@ Line 1: / Line 1: @@
 Schelet si checker pentru fiecare limbaj:
-  * {{lfa:2022:skel-py-e2.zip}}
+  * {{:lfa:2022:skel-py-e3.zip|}}
-  * {{lfa:2022:skel-scala-e2.zip}}
+  * {{:lfa:2022:skel-scala-e3.zip|}}
-Deadline etapa 3: ... ora 23:59
+Deadline etapa 3: 8 ianuarie 2023 ora 23:00 (**deadline hard**)
 ====== Proiect ======
 Etapa 3 a proiectul consta in implementarea unui lexer in python sau scala.
-<note important>Este recomandat sa va folositi de functionalitatile implementate la etapele precedente pentru rezolvarea etapei</note>
 ===== Ce este un lexer? ====
@@ Line 15: / Line 14: @@
 ==== Care este input-ul unui lexer? ====
-Lexer-ul primeste initial o specificatie de forma:
+Inputul unul lexer consta in doua componente:
+  - o **specificatie**
+  - un **text** care va fi analizat lexical, mai precis, impartit in lexeme.
+Specificatia are urmatoarea structura:
 <code>
 TOKEN1 : REGEX1;
@@ Line 25: / Line 29: @@
 ...
 </code>
-unde fiecare ''TOKENi'' este un nume dat unui token, iar ''REGEXi'' este un regex ce descrie lexemele ce pot fi clasificate ca acel token. Puteti imagina aceasta specificatie ca un //fisier de configurare//, care descrie modul in care va functiona lexerul pe diverse fisiere de text.
+unde fiecare ''TOKENi'' este un nume dat unui token, iar ''REGEXi'' este un regex ce descrie acel token. Puteti imagina aceasta specificatie ca un //fisier de configurare// care descrie modul in care va functiona lexerul pe diverse fisiere de text.
-Inputul efectiv al unui lexer este un text care va fi impartit in lexeme folosind expresii regulate. In cursurile viitoare veti afla mai multe detalii despre cum functioneaza si cum sunt implementate lexerele.
 ==== Care este output-ul unui lexer? ====
 Lexer-ul are ca output o lista de forma : ''[(lexema1, TOKEN_LEXEMA_1), (lexema2, TOKEN_LEXEMA_2), ...]'', unde ''TOKEN_LEXEMA_N'' este numele token-ului asociat lexemei n, pe baza specificatiei.
+==== Modalitati de implementare a unui lexer ====
+Exista mai multe modalitati prin care puteti implementa un lexer. Abordarea conventionala (si cea pe care o recomandam) consta in urmatoarele etape:
+  - fiecare regex este convertit intr-un AFN, pastrand totodata informatia despre token-ul aferent si pozitia la care acesta apare in spec.
+  - se construieste un AFN unic, introducand o stare initiala si epsilon-tranzitii de la aceasta catre toate starile initiale ale AFN-urilor de mai sus. Astfel, acest AFN va accepta oricare dintre tokenii descrisi in specificatie. Starea finala vizitata va indica token-ul gasit.
+  - AFN-ul este convertit la un AFD (care optional poate fi minimizat). In acest automat:
+     - cand vizitam un grup de stari ce contine (AFN-)stari finale, inseamna ca unul sau mai multe token-uri corespunzatoare au fost identificate.
+     - cand vizitam un sink-state (daca acesta exista), inseamna ca subsirul curent nu este descris de nici un token. In acest caz trebuie sa intoarcem cel mai lung prefix acceptat si sa continuam lexarea cuvantului ramas
+     - cand vizitam o stare non-finala si care nu e sink-state, continuam prin trecerea in urmatoarea stare a AFD-ului consumand un caracter din cuvant
+==== Cand isi termina un lexer executia ? ====
+Scopul unui lexer este identificarea **celui mai lung subsir** care satisface un regex din specificatia data. Daca un cel mai lung subsir satisface **doua sau mai multe regex-uri**, va fi raportat primul token aferent, in ordinea in care acestea sunt scrise in specificatie.
+Pentru a identifica **cel mai lung subsir** folosind un AFD precum cel descris in sectiunea anterioara, trebuie sa observam faptul ca:
+  - vizitarea unui grup de stari ce contine o (AFN-)stare finala, **nu indica** in mod necesar faptul ca am gasit cel mai lung subsir acceptat.
+  - daca un grup de stari ce contine o (AFN-)stare finala a fost vizitata **anterior**:
+    - vizitarea unui grup de stari ce nu contine stari finale, **nu indica** in mod necesar faptul ca am gasit cel mai lung subsir (automatul poate accepta in viitor)
+    - vizitarea sink-state-ului AFD-ului (daca acesta exista), indica faptul ca automatul nu va mai accepta in viitor.
+    - daca in AFD nu exista un sink state, atunci analiza lexicala trebuie sa continue pana la epuizarea inputului, pentru a decide asupra celui mai lung subsir.
+Odata ce subsirul cel mai lung a fost identificat:
+  - AFD-ul va fi //resetat// - adus in starea initiala pentru a relua analiza lexicala.
+  - analiza lexicala va continua de la pozitia unde subsirul cel mai lung s-a terminat, iar aceasta poate preceda cu **oricate pozitii**, pozitia curenta unde a ajuns analiza.
+=== Exemplu ===
+Fie specificatia urmatoare:
+<code>
+TOKEN1 -> abbc*;
+TOKEN2 -> ab+;
+TOKEN3 -> a*d;
+</code>
+si input-ul ''abbd''. Analiza lexicala se va opri la caracterul ''d'' (AFD-ul descris anterior va ajunge pe acest caracter in sink state). Subsirul ''abb'' este cel mai lung care satisface atat ''TOKEN1'' cat si ''TOKEN2'', iar ''TOKEN1'' va fi raportat, intrucat il preceda pe ''TOKEN2'' In specificatie. Ulterior, lexerul va devansa cu un caracter pozitia curenta in input, si va identifica subsirul ''d'' ca fiind ''TOKEN3''.
+Pentru lamuriri ulterioare si mai multe exemple ce includ cel mai lung subsir, revizitati cursul aferent lexerelor.
 ===== Structura specificatiei si incarcarea ei =====
+<note important>Este recomandat sa folositi functionalitatile implementate la etapele precedente pentru rezolvarea etapei finale</note>
 ==== Python ====
@@ Line 45: / Line 90: @@
 ==== Scala ====
-La aceasta etapa va trebui sa implementati clasa ''Lexer'' care va primi ca parametru o specificatie sub forma de ''String'' si va contine o metoda ''lex'' care va imparti cuvantul dat ca parametru intr-o lista de lexeme sub forma ''(LEXEM, TOKEN)''.
+La aceasta etapa va trebui sa implementati clasa ''Lexer'' care va primi ca parametru o specificatie sub forma de ''String''. Specificatia va fi data sub forma
+  TOKEN1: REGEX1;
+  TOKEN2: REGEX2;
+  TOKEN3: REGEX3;
+Metoda ''lex'' va imparti cuvantul dat ca parametru intr-o lista de lexeme sub forma ''(LEXEM, TOKEN)''. Ea va intoarce un ''Either[String,List[(String,String)]]'' deoarece in caz de succes vrem sa intoarcem ''Right(LISTA_LEXEME)'' si in caz de eroare ''Left(ERROR_MESSAGE)'' (//Mai multe despre cazurile in care un lexer poate esua mai jos//)
+===== Parser pentru un limbaj de programare =====
+Ultimul test din fisierul de teste va testa lexerul scris de voi pe sample-ul de cod real, folosind un limbaj super simplificat.
+Pentru a rezolva aceasta parte va trebui sa scrieti voi configuratia pentru toate tokenurile prezente in limbaj. Un scehelet pentru aceasta configuratie se afla in fisierul ''configuration.json'' in python si ''configuration'' in scala. Tokenurile prezente in schelet sunt toate tokenurile care pot sa apara in acest limbaj, singurul lucru care va ramane voua fiind scrierea unor regexuri care accepta aceste tokenuri.
+Tokenurile sunt:
+    "BEGIN":
+    "END":
+    "EQUAL":
+    "ASSIGN":
+    "PLUS":
+    "MINUS":
+    "MULTIPLY":
+    "GREATER":
+    "WHILE":
+    "DO":
+    "OD":
+    "IF":
+    "THEN":
+    "ELSE":
+    "FI":
+    "RETURN":
+    "OPEN_PARANTHESIS":
+    "CLOSE_PARANTHESIS":
+    "NUMBER":
+    "VARIABLE":
+Fiecare token va trebui sa accepte o componenta din cod, spre exemplu tokenul ''BEGIN'' va trebui sa accepte cuvantul ''begin'' care se foloseste la inceputul unui scope nou.
+Codul furnizat are prezente si whitespace uri (space-uri, tab-uri si new-line uri). Nu avem un token special pentru aceste whitespaces, si pentru a simplifica complexitatea output-ului va trebui sa considerati pentru fiecare token un numar arbitrar de whitespaces in jurul lui, important fiind doar ca el sa contina tokenul pe care incearca sa il accepte.
+Testerul va testa doar ca ordinea tokenurilor sa fie corecta, nu si ce lexeme vor accepta aceste tokenuri
+Exemplu: pentru codul
+  begin
+  a = 1
+  end
+va trebui sa afisam tokenurile in ordinea
+  "BEGIN", "VARIABLE", "ASSIGN", "NUMBER", "END"
+==== Python ====
+Configuratia va fi scrisa respectand formatul ''json'' al fisierului, si anume veti pune regexul fiecarui token intre ghilimele pe o linie separata
+Exemplu:
+  {
+      "BEGIN": "s*me|r*g*x",
+      "END": "oth*r|r+g+x",
+      ...
+  }
+==== Scala ====
+Configuratia va fi scrisa pe aceeasi linie cu tokenul lasand un spatiu liber si un '';'' la final
+Exemplu:
+  "BEGIN": s*me|r*g*x;
+  "END": oth*r|r+g+x;
+  ...
-Metoda va intoarce un ''Either[String,List[(String,String)]]'' deoarece in caz de succes vrem sa intoarcem ''Right(LISTA_LEXEME)'' si in caz de eroare ''Left(ERROR_MESSAGE)'' (//Mai multe despre cazurile in care un lexer poate esua mai jos//)
+In scala eroare va fi intoarsa sub forma unui ''Either[String]'' in formatul ''Left(message)''
 ===== Erori de lexare =====