Schelet si checker pentru fiecare limbaj:
Deadline etapa 3: 8 ianuarie 2023 ora 23:00 (deadline hard)
Etapa 3 a proiectul consta in implementarea unui lexer in python sau scala.
Un lexer este un program care imparte un sir de caractere in subsiruri numite lexeme, fiecare dintre acestea fiind clasificat ca un token, pe baza unei specificatii.
Inputul unul lexer consta in doua componente:
Specificatia are urmatoarea structura:
TOKEN1 : REGEX1; TOKEN2 : REGEX2; TOKEN3 : REGEX3; ...
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.
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.
Exista mai multe modalitati prin care puteti implementa un lexer. Abordarea conventionala (si cea pe care o recomandam) consta in urmatoarele etape:
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:
Odata ce subsirul cel mai lung a fost identificat:
Fie specificatia urmatoare:
TOKEN1 -> abbc*; TOKEN2 -> ab+; TOKEN3 -> a*d;
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.
Pentru aceasta etapa va fi nevoie sa implementati clasa Lexer
cu 2 metode obligatorii:
lex
care va primi un cuvand ca str
si va intoarce rezultatul lexarii lui sub forma List[Tuple[str, str]] | str
. Metoda lex
va intoarce o lista de tupluri (token, lexem_cuvant)
in cazul in care lexarea reuseste si un string cu un mesaj de eroare in caz contrar. (Mai multe despre cazurile in care un lexer poate esua mai jos)
Specificatia va fi incarcata in teste sub forma unui dictionar TOKEN → REGEX
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)
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"
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", ... }
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; ...
In scala eroare va fi intoarsa sub forma unui Either[String]
in formatul Left(message)
Erorile de lexare sunt in general cauzate o configuratie gresita / incompleta sau de un cuvant invalid. Informatiile care trebuie transmise in acest caz trebuie sa ajute programatorul sa isi dea seama unde un cod s-a intamplat eroare si care este tipul erorii. Din acest motiv vom afisa linia si coloana unde lexarea a esuat si tipul erorii.
Aceasta eroare va aparea daca lexarea s-a oprit fara a accepta nici-un cuvant in prealabil. Aceasta este echivalenta cu ajungerea in starea SINK_STATE
a lexerului fara a trece in prealabil printr-o stare finala. In acest caz vom afisa un mesaj de eroare in formatul
No viable alternative at character ..., line ...
In primul loc liber vom pune indexul caracterului unde s-a oprit lexarea (am ajuns in SINK_STATE
) indexat de la 0, iar in an doilea spatiu liber vom pune linia unde s-a intamplat asta (indexata de la 0).
Aceasta eroare va aparea daca lexarea a ajuns la finalul cuvantului fara a accepta in prealabil un lexem. In aceasta stare lexerul nu a ajuns in sink state, insa nici intr-o stare finala. In acest caz vom afisa un mesaj de eroare in formatul:
No viable alternative at character EOF, line ...
Ca un mic rezumat: prima eroare apare atunci cand caracterul la care am ajuns este invalid si nu avem cum sa acceptam, iar a doua apare atunci cand lexerul ar mai accepta, insa cuvantul este incomplet si nu mai are ce.
In python eroare va fi intoarsa sub forma unui string
de functa lex
In scala eroare va fi intoarsa sub forma unui Either[String]
in formatul Left(message)
ID.txt
ce va avea pe prima linie a sa ID-ul vostru anonim (ar trebui sa il fi primit pe mail, dar daca din vreun motiv nu il aveti, luati legatura cu asistentul vostru) si pe a doua linie limbajul in care rezolvati tema (python
sau scala
)
Exemplu de continut pentru ID.txt
:
9921225 scala
sau
9246163 python
. ├── ID.txt └── src ├── DFA.py ├── __init__.py ├── NFA.py ├── Regex.py ├── Parser.py ├── Lex.py ... (alte surse pe care le folositi)
. ├── build.sbt ├── ID.txt └── src └── main └── scala ├── Dfa.scala ├── Nfa.scala ├── Regex.scala ├── Lexer.scala ... (alte surse pe care le folositi)