Proiect

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.

Lexer-ul primeste initial o specificatie de forma:

TOKEN1 : REGEX1;

TOKEN2 : REGEX2;

TOKEN3 : REGEX3;

...

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.

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.

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.

Un lexer va incepe dintr-o stare initiala si va continua pana cand ajunge in sink state. Pe parcursul trecerii lui dintr-o stare in alta el va tine minte starile si cuvintele intermediare pe care le a acceptat.

Exemplu: pentru un lexer cu configuratia TOKEN → a+ si un cuvant aaab vom accepta 3 cuvinte intermediare inainte sa ajungem in sink state pe caracterul b: a, aa, aaa

In exemplul precedent avem 3 cuvinte intermediare acceptate, un lexer il va considera doar pe acela cel mai lung (aaa) si dupa va continue lexarea partii ramase din cuvant (b).

Un lexer poate intalni urmatorul caz: sa accepte prin 2 tokenuri diferite acelasi cuvant de lungime maxima. In cazul asta vom considera tokenul cu prioritate mai mare (care apare inaintea celuilalt in configuratie)

Exemplu: pentru configuratia: (TOKEN1 → abbc*, TOKEN2 → ab+) si cuvantul abbd lexerul se va opri la caracterul d in sink state si va fi acceptat inainte o data prin TOKEN1 → abb si a doua oara prin TOKEN2 → abb. Astfel, lexerul va considera lexemul (TOKEN1 → abb) deoarece primul token are prioritate mai mare decat al doilea (apare inaintea lui in configuratie)

Pentru aceasta etapa va fi nevoie sa implementati clasa Lexer cu 2 metode obligatorii:

• constructorul care primeste ca parametru configuratia lexerului
• metodalex 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"

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.

• Unordered List ItemEroare cauza de un caracter invalid in cuvant

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).

• Unordered List ItemEroare cauza de un cuvant incomplet

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
└── 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)