C#词法分析器之输入缓冲和代码定位的应用分析

在介绍如何进行词法分析之前，先来说说一个不怎么被提及的问题――怎么从源文件中读取字符流。为什么这个问题这么重要呢？是因为在词法分析中，对字符流是有要求的，它必须能够支持回退操作（就是将多个字符放回到流中，以后会再次被读取）。

先来解释下为什么需要支持回退操作，举个简单的例子来说，现在要对两个模式进行匹配：

图 1 流的回退过程

上面是一个简单的匹配过程，仅为了展示回退过程，在后面实现 DFA 模拟器时会详细解释是如何匹配词素的。

现在来看看 C# 中与输入相关的类，有 Stream，它支持流的查找，但是只能以字节方式访问；BinaryReader 和 TextReader 虽然支持读取字符，但是又不能支持回退。所以，就必须自己完成这个输入缓冲类了，大致思路就是以 TextReader 作为底层的字符输入，然后由自己的类完成对回退能力的支持。

《编译原理》上给出了一种缓冲区对的方法，简单的说就是开辟两个缓冲区，设缓冲区大小都是 N 个字符。每一次都将 N 个字符读入到缓冲区中，并在这个缓冲区上实现字符操作。如果当前缓冲区的数据已经处理完毕，就将 N 个新字符读入到另一个缓冲区中，接下来就换做操作新的缓冲区。

这样的数据结构效率很高，而且只要维护合适的指针，就可以很容易的实现回退功能。不过它的缓冲区大小是固定的，新读入的字符会覆盖旧的字符。如果需要回退的字符数量过多（比如在分析很长的字符串时），就容易出现错误。我通过使用多个缓冲区解决了旧字符被覆盖的问题――如果缓冲区不足了，就开辟新缓冲区，而不是覆盖旧数据。

如果仅仅是不断的添加缓冲区，那么占用的内存只会不断增加，这样是没有什么意义的，因此我定义了三个释放缓冲区的操作：Drop，Accept 和 AcceptToken。Drop 的作用是将当前位置之前的所有数据标记为无效（被抛弃），被标记无效的数据占用的缓冲区就被释放掉，可以拿来被重复利用了；Accept 则会将标记为无效的数据以字符串形式返回，而不仅仅是简单的抛弃；类似的，AcceptToken 是以 Token 形式返回被无效化的数据，是为了方便进行词法分析。

这样的数据结构比较类似于 STL 中的 deque，不过这里不需要随机访问和插入、删除数据，仅会在数据的头、尾进行操作，因此我直接将多个缓冲区使用双向链表连成一个环，使用三个指针 current，first 和 last 指向链表中有数据的缓冲区，如下图所示：

图 2 多个缓冲区组成的链表，红色的部分表示有数据，白色的部分没有数据

其中，first 指向的是最早的数据缓冲区，last 指向的是最新的数据缓冲区，current 指向的是当前正在访问的数据缓冲区，current 总是在 [first, last] 范围之内。firstIndex 和 lastLen 之间红色的部分，就是包含有效数据的缓冲区，idx 表示当前正在访问的字符。白色的部分表示空缓冲区，或是缓冲区中的数据已无效。

当需要读取下一个字符时，就从 current 中依次读取数据，并将 idx 后移。如果 current 中的数据已经读取完毕，则将 current 移向 last（这里用移向，是因为 current 和 last 之间可能有多个缓冲区），同时 idx 也要相应的移动。

图 3 current 移向 last

如果需要继续读取字符，但是 current 中没有新数据了，而此时 current 已经与 last 相同，表示缓冲区中已经没有更新的数据，那么就需要从 TextReader 中读取数据，放到新的缓冲区中，同时后移 current 和 last（需要保证 last 总是指向最新的缓冲区）。

图 4 current 和 last 向后移

现在来看看回退操作。进行回退时，只需要将 current 向 first 的方向移动（同样，current 和 first 之间可能有多个缓冲区）。

图 5 回退操作

Drop 操作（Accept 和 AcceptToken 也同理）的实现也很简单，只需要将 first 移动到 current 位置，将 firstIndex 移动到 idx 即可，这就表示 idx 之前的数据都看作无效数据。

图 6 Drop 操作

这里需要注意的就是，Drop 操作完成后，被无效化的数据就有可能会被新数据覆盖，因此应该确定数据不再需要时再执行 Drop 操作。Drop 操作的效率很高（移动两个引用），基本不用担心会影响效率。

使用这种环形数据结构的优点是除了将字符填充到缓冲区之外，完全避免了数据的额外复制，无论是前进、回退还是 Drop 操作都只有指针（引用）操作，效率很高。当 Drop 比较及时时，仅会使用两个缓冲区，不会额外的占用内存。当占用的缓冲区过多时，还能够实现主动释放多余的内存（这里现在没有考虑）。

缺点就是实现起来会复杂些，需要仔细处理好 first、current 和 last 的关系，以及 firstIndex、index 和 lastLen 范围限制，有时还会涉及到多个缓冲区的操作。

完整的代码可见 SourceReader.cs。

在对源代码进行解析的时候，记录每个 Token 对应的行号和列号显然是很必要的工作，没有人会喜欢面对一大堆 Error，而且还偏偏不告诉你到底是哪错了……因此，我认为代码定位绝对是词法分析必备的功能，所以直接把这个功能内置到了 SourceReader 类中了。

下面来说明如何实现代码定位。代码定位包含三维数据：索引、行号和列号。索引是从 0 开始的字符索引，主要是方便程序进行处理；行号和列号则都是从 1 开始的，主要是为了人去看。

行定位比较简单，Unix 的换行符是 '/n'，Windows 的换行符是 "/r/n"，所以直接统计 '/n' 的个数即可。

接下来是列定位。为了达到比较好的效果，需要考虑两个因素：全角、半角字符和 Tab 字符。

一个中文字符（即全角字符）对应的是两列，英文字符（半角字符）对应的则是一列，这样在等宽字体下，每一列都是上下对齐的。在计算列数的时候，自然也应当如此，使用 Encoding.Default.GetByteCount() 而不是字符串的长度。不过这里我发现了一个内存问题（详情参考这里），改用 Encoding.Default.GetEncoder() 的 GetByteCount 方法就可以了。

一个 Tab 字符的长度是不定的（一般是为 4 或 8，因人而异），所以定义了一个 TabSize 来表示 Tab 字符的宽度。那么，一个 Tab 字符就对应 TabSize 列么？并不是这样的，虽然一般看来是这样，但事实上，Tab 字符是让下一字符对应的列总是为 TabSize 的整数倍再加 1。如果 TabSize = 4，那么它的行为如下图所示，其中 a 和 bcc 后面都是有两个 Tab 字符，bcccccc 和 bccccccc 后面都是有一个 Tab 字符，每个 Tab 字符我都用灰色箭头标出来了。

图 7 Tab 字符实例

所以，实际的列号应当使用下面的公式计算，其中 currentCol 是 Tab 字符所在的列，nextCol 就是下一字符所在的列：

nextCol = tabSize * (1 + (currentCol - 1) / tabSize) + 1;

代码定位的计算方法有了，然后就是计算的时机。如果每次 Read 的时候都计算当前字符的位置，一是计算效率会略低，因为 GetByteCount 方法中，一次性计算较长一个字符数组的效率，差不多是多次计算长度为 1 的字符数组的一倍。二是回退的时候应该怎么办？如果将之前的位置计算结果都保存起来，内存占用会是一个问题，如果不考虑的话，又无法根据当前字符的位置推算出前一个字符的位置（比如当前字符在第一列的话，前一个字符应该在第几列？）。

综合考虑之后，我决定将代码位置的计算放到 Drop 操作（Accept 和 AcceptToken 也一样）中，一个是向上面所说的，计算效率会略高，另一个是一般仅当识别出了一个 Token 后才需要为它定位，此时恰好是 Drop 或 AcceptToken 的时机，识别 Token 的过程中就是定位了也没有什么用处。

我将代码定位的功能单独封装到了 SourceLocator.cs 类中。

下一篇将会介绍词法分析中用到的正则表达式，以及如何解析正则表达式。