-
Notifications
You must be signed in to change notification settings - Fork 0
/
tokenize.c
635 lines (556 loc) · 12.1 KB
/
tokenize.c
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
#include "ynicc.h"
#include <stdio.h>
#include <string.h>
Token *new_token(TokenKind kind, Token *cur, char *str, int len) {
Token *tok = calloc(1, sizeof(Token));
tok->kind = kind;
tok->str = str;
tok->len = len;
cur->next = tok;
return tok;
}
char *token_kind_to_s(TokenKind kind) {
switch (kind) {
case TK_DUMMY: // ダミー
return "TK_DUMMY";
case TK_RESERVED: // 記号系
return "TK_RESERVED";
case TK_IDENT: // 識別子
return "TK_IDENT";
case TK_NUM: // 整数トークン
return "TK_NUM";
case TK_RETURN: // returnトークン
return "TK_RETURN";
case TK_WHILE: // while
return "TK_WHILE";
case TK_DO: // do
return "TK_DO";
case TK_IF: // if
return "TK_IF";
case TK_ELSE: // else
return "TK_ELSE";
case TK_FOR: // for
return "TK_FOR";
case TK_VOID: // void
return "TK_VOID";
case TK_BOOL: // bool
return "TK_BOOl";
case TK_INT: // int
return "TK_INT";
case TK_CHAR: // char
return "TK_CHAR";
case TK_LONG: // long
return "TK_LONG";
case TK_SHORT: // short
return "TK_SHORT";
case TK_STRUCT: // struct
return "TK_STRUCT";
case TK_ENUM: // enum
return "TK_ENUM";
case TK_SIZEOF: // sizeof
return "TK_SIZEOF";
case TK_ALIGNOF: // _Alignof
return "TK_ALIGNOF";
case TK_STR: // 文字列リテラル
return "TK_STR";
case TK_TYPEDEF: // typedef
return "TK_TYPEDEF";
case TK_STATIC: // static
return "TK_STATIC";
case TK_EXTERN: // extern
return "TK_EXTERN";
case TK_BREAK: // break
return "TK_BREAK";
case TK_CONTINUE: // continue
return "TK_CONTINUE";
case TK_GOTO: // goto
return "TK_GOTO";
case TK_SWITCH: // switch
return "TK_SWITCH";
case TK_CASE: // case
return "TK_CASE";
case TK_DEFAULT: // default
return "TK_DEFAULT";
case TK_EOF: // 入力終了
return "TK_EOF";
}
error("不正なtokenです");
return NULL;
}
void dump_token(Token *t) {
if (!t) {
printf("## (NULL token)");
return;
}
printf("## (Token kind: %*s ", 12 ,token_kind_to_s(t->kind));
switch (t->kind) {
case TK_NUM:
printf("[%ld]", t->val);
break;
case TK_STR:
printf("[contents: [%s], length(includes \\0): %d", t->contents, t->content_length);
break;
default:
printf("[%s]", my_strndup(t->str, t->len));
break;
}
printf(")\n");
}
void free_tokens(Token *cur) {
while (cur) {
Token *tmp = cur->next;
free(cur);
cur = tmp;
}
}
bool is_alnum(char c) {
return
('a' <= c && c <= 'z') ||
('A' <= c && c <= 'Z') ||
('0' <= c && c <= '9') ||
(c == '_');
}
bool is_ident_first_char(char c) {
return
('a' <= c && c <= 'z') ||
('A' <= c && c <= 'Z') ||
(c == '_');
}
bool starts_with(char *p, char *str) {
return memcmp(p, str, strlen(str)) == 0;
}
typedef struct Keyword {
char *keyword;
TokenKind kind;
} Keyword;
static Keyword keywords[] = {
{
"return",
TK_RETURN,
},
{
"while",
TK_WHILE,
},
{
"if",
TK_IF,
},
{
"else",
TK_ELSE,
},
{
"for",
TK_FOR,
},
{
"void",
TK_VOID,
},
{
"int",
TK_INT,
},
{
"char",
TK_CHAR,
},
{
"long",
TK_LONG,
},
{
"short",
TK_SHORT,
},
{
"_Bool",
TK_BOOL,
},
{
"struct",
TK_STRUCT,
},
{
"enum",
TK_ENUM,
},
{
"sizeof",
TK_SIZEOF,
},
{
"_Alignof",
TK_ALIGNOF,
},
{
"typedef",
TK_TYPEDEF,
},
{
"static",
TK_STATIC,
},
{
"extern",
TK_EXTERN,
},
{
"break",
TK_BREAK,
},
{
"continue",
TK_CONTINUE,
},
{
"goto",
TK_GOTO,
},
{
"switch",
TK_SWITCH,
},
{
"case",
TK_CASE,
},
{
"default",
TK_DEFAULT,
},
{
"do",
TK_DO,
},
};
Keyword *tokenize_keyword(char *p) {
for (int i = 0; i < sizeof(keywords) / sizeof(Keyword); i++) {
Keyword *k = &keywords[i];
int len = strlen(k->keyword);
if (strncmp(p, k->keyword, len) == 0 && !is_alnum(p[len])) {
return k;
}
}
return NULL;
}
static int parse_escaped(int ch) {
switch(ch) {
case '0':
return 0;
case 'n':
return '\n';
case 't':
return '\t';
case '\\':
return '\\';
case '"':
return '"';
case '\'':
return '\'';
default:
return ch;
}
}
// 文字リテラルをトークナイズした結果を返す
// また、トークナイズした結果でポインタもすすめる
static Token *tokenize_char_literal(Token *current_token, char **current_pointer) {
int val;
char *p = *current_pointer;
// この関数に入ってきた時点でpは開き"'"を指しているので、中身を見るために一つすすめる
// sは開始位置の保存用
char *s = p++;
if (*p == '\\') {
p++;
val = parse_escaped(*p);
} else {
val = *p;
}
char *tmp = p++;
if (!(*p)) {
error_at(tmp, "文字が終了していません。");
}
// ここでpが閉じる側の"'"を指していなければエラー
if (*p != '\'') {
error_at(p, "\"'\" が閉じられていません。");
}
// この時点でpが"'"を指しているので、その次の位置でcurrent_pointerを更新
p++;
*current_pointer = p;
Token *tk = new_token(TK_NUM, current_token, s, 0);
tk->val = val;
return tk;
}
// 文字列リテラルをトークナイズした結果を返す
// また、トークナイズした結果でポインタもすすめる
static Token *tokenize_string_literal(Token *current_token, char **current_pointer) {
string_buffer *sb = sb_init();
char *p = *current_pointer;
char *s = p++;
while (*p && (*p != '"')) {
if (*p == '\\') {
p++;
sb_append_char(sb, parse_escaped(*p));
} else {
sb_append_char(sb, *p);
}
p++;
}
if (!(*p)) {
error_at(s, "文字列が終了していません。");
}
// *p がここで閉じる " を指してるので一つすすめる
p++;
Token *tok = new_token(TK_STR, current_token, s, p - s);
sb_append_char(sb, '\0');
tok->contents = my_strndup(sb_str(sb), sb_str_len(sb));
// \0まで含めた長さ
tok->content_length = sb_str_len(sb);
sb_free(sb);
*current_pointer = p;
return tok;
}
// p が8進数の数値の開始かどうかを返す
static bool starts_with_octal(char *p) {
// 前提として*pは何らかの数値というところまでわかっている
if (*p++ != '0') {
// 先頭が0出ない場合は8進数でない
return false;
}
if (isdigit(*p)) {
// 先頭の0につづいてまだなにかの数字があれば8進数とみなす
return true;
}
return false;
}
static bool is_hex_digit(char c) {
return
('a' <= c && c <= 'f') ||
('A' <= c && c <= 'F') ||
('0' <= c && c <= '9');
}
static bool is_octal_digit(char c) {
return '0' <= c && c <= '7';
}
static bool is_binary_digit(char c) {
return '0' <= c && c <= '1';
}
static int hex_val(char c) {
if ('a' <= c && c <= 'f') {
return c - 'a' + 10;
} else if ('A' <= c && c <= 'F') {
return c - 'A' + 10;
}
return c - '0';
}
static int octal_val(char c) {
return c - '0';
}
static int binary_val(char c) {
return c - '0';
}
static Token *tokenize_hex_number(Token *cur, char **cur_pos) {
long val = 0;
char *p = *cur_pos;
// "0x" (2文字分)を読み飛ばす
p += 2;
while (p && is_hex_digit(*p)) {
val = (val << 4) + hex_val(*p);
p++;
}
if (!p) {
error_at(p, "数値が不正です");
}
Token *tok = new_token(TK_NUM, cur, *cur_pos, 0);
tok->val = val;
*cur_pos = p;
return tok;
}
static Token *tokenize_octal_number(Token *cur, char **cur_pos) {
long val = 0;
char *p = *cur_pos;
// "0" (1文字分)を読み飛ばす
p += 1;
while (p && is_octal_digit(*p)) {
val = (val << 3) + octal_val(*p);
p++;
}
if (!p) {
error_at(p, "数値が不正です");
}
Token *tok = new_token(TK_NUM, cur, *cur_pos, 0);
tok->val = val;
*cur_pos = p;
return tok;
}
static Token *tokenize_binary_number(Token *cur, char **cur_pos) {
long val = 0;
char *p = *cur_pos;
// "0b" (2文字分)を読み飛ばす
p += 2;
while (p && is_binary_digit(*p)) {
val = (val << 1) + binary_val(*p);
p++;
}
if (!p) {
error_at(p, "数値が不正です");
}
Token *tok = new_token(TK_NUM, cur, *cur_pos, 0);
tok->val = val;
*cur_pos = p;
return tok;
}
static Token *tokenize_number(Token *cur, char **cur_pos) {
Token *tok = NULL;
if (starts_with(*cur_pos, "0x")) {
// 16進数
tok = tokenize_hex_number(cur, cur_pos);
} else if (starts_with(*cur_pos, "0b")) {
// 2進数
tok = tokenize_binary_number(cur, cur_pos);
} else if (starts_with_octal(*cur_pos)) {
// 8進数
tok = tokenize_octal_number(cur, cur_pos);
} else {
// 10進数
tok = new_token(TK_NUM, cur, *cur_pos, 0);
tok->val = strtol(*cur_pos, cur_pos, 10);
}
return tok;
}
static char *multi_char_ope[]= {
"<=",
">=",
"==",
"!=",
"->",
"++",
"--",
"+=",
"-=",
"*=",
"/=",
"&&",
"||",
// << より先に確認しないと<<に食われて=が余ってしまう
"<<=",
">>=",
">>",
"<<",
"|=",
"&=",
"^=",
"...",
NULL,
};
// 複数文字からなるオペレータにマッチするかを返す。
// マッチする場合そのオペレータの文字数、マッチしない場合は0を返す
int is_multi_char_operator(char *p) {
for (char **op = multi_char_ope; *op; op++) {
if (starts_with(p, *op)) {
return strlen(*op);
}
}
return 0;
}
Token *tokenize(char *p) {
Token head;
head.next = NULL;
Token *cur = &head;
while (*p) {
// fprintf(stderr, "*p ... %c\n", *p);
if (isspace(*p)) {
p++;
continue;
}
if (starts_with(p, "//")) {
p += 2;
while (*p != '\n') {
p++;
}
continue;
}
if (starts_with(p, "/*")) {
char *q = strstr(p + 2, "*/");
if (!q) {
error_at(p, "ブロックコメントが閉じられていません");
}
p = q + 2;
continue;
}
// fprintf(stderr, "c ... %c\n", *p);
Keyword *key = tokenize_keyword(p);
if (key) {
int keyword_len = strlen(key->keyword);
cur = new_token(key->kind, cur, p, keyword_len);
assert(cur);
p += keyword_len;
continue;
}
int len = is_multi_char_operator(p);
if (len) {
cur = new_token(TK_RESERVED, cur, p, len);
assert(cur);
p += len;
continue;
}
if (is_ident_first_char(*p)) {
// fprintf(stderr, "tokenize ident(%c)\n", *p);
char *s = p; // 識別子の先頭
while (is_alnum(*p)) {
p++;
}
cur = new_token(TK_IDENT, cur, s, p - s); //p - s で文字列長さになる
assert(cur);
continue;
}
if (*p == '"') {
cur = tokenize_string_literal(cur, &p);
assert(cur);
continue;
}
if (*p == '\'') {
cur = tokenize_char_literal(cur, &p);
assert(cur);
continue;
}
if (ispunct(*p)) {
cur = new_token(TK_RESERVED, cur, p++, 1);
assert(cur);
continue;
}
if (isdigit(*p)) {
cur = tokenize_number(cur, &p);
assert(cur);
continue;
}
error_at(p, "トークナイズできません");
}
new_token(TK_EOF, cur, p, 0);
return head.next;
}
char *read_file(char *path) {
FILE *fp = fopen(path, "r");
if (!fp) {
error("cannot open %s: %s", path, strerror(errno));
}
// ファイルの最後の位置を調べてサイズ計算
if (fseek(fp, 0, SEEK_END) == -1) {
error("%s: fseek: %s", path, strerror(errno));
}
long file_size = ftell(fp);
// 読むために先頭に戻す
if (fseek(fp, 0, SEEK_SET) == -1) {
error("%s: fseek: %s", path, strerror(errno));
}
// \n\0で終わらせるための2バイト追加で確保
char *buf = calloc(1, file_size + 2);
fread(buf, file_size, 1, fp);
if (file_size == 0 || buf[file_size - 1] != '\n') {
buf[file_size++] = '\n';
}
buf[file_size] = '\0';
fclose(fp);
return buf;
}