Add tokenizer
This commit is contained in:
commit
10fbaf9a72
|
@ -0,0 +1,3 @@
|
||||||
|
*.h linguist-language=C
|
||||||
|
*.c linguist-language=C
|
||||||
|
Makefile -linguist-detectable
|
|
@ -0,0 +1,2 @@
|
||||||
|
compiler
|
||||||
|
tags
|
|
@ -0,0 +1,7 @@
|
||||||
|
FILES = tokenizer.c main.c parser.c
|
||||||
|
INCLUDES = -I.
|
||||||
|
CFLAGS = -std=c99 -g
|
||||||
|
OUTFILE = compiler
|
||||||
|
|
||||||
|
main: ${FILES}
|
||||||
|
${CC} ${CFLAGS} ${INCLUDES} -o ${OUTFILE} ${FILES}
|
|
@ -0,0 +1,40 @@
|
||||||
|
#include <stdio.h>
|
||||||
|
#include <errno.h>
|
||||||
|
#include <string.h>
|
||||||
|
#include <stdlib.h>
|
||||||
|
#include "tokenizer.h"
|
||||||
|
|
||||||
|
const char* types[] = {
|
||||||
|
"keyword", "symbol", "integerConstant", "stringConstant", "identifier"
|
||||||
|
};
|
||||||
|
|
||||||
|
void printtks(TOKENLIST* tks, FILE* output) {
|
||||||
|
fprintf(output, "<%s> %s </%s>\r\n", types[tks->type], tks->token, types[tks->type]);
|
||||||
|
TOKENLIST* next = tks->next;
|
||||||
|
free(tks->token);
|
||||||
|
free(tks);
|
||||||
|
if(next != NULL)
|
||||||
|
printtks(next, output);
|
||||||
|
}
|
||||||
|
|
||||||
|
int main(int argc, char* argv[]) {
|
||||||
|
if(argc < 2) {
|
||||||
|
fprintf(stderr, "Usage: %s {input file}\n", argv[0]);
|
||||||
|
return 1;
|
||||||
|
}
|
||||||
|
|
||||||
|
FILE* input = fopen(argv[1], "r");
|
||||||
|
|
||||||
|
if(input == NULL) {
|
||||||
|
fprintf(stderr, "%s\n", strerror(errno));
|
||||||
|
return errno;
|
||||||
|
}
|
||||||
|
|
||||||
|
FILE* output = fopen("out.xml", "w");
|
||||||
|
fprintf(output, "<tokens>\r\n");
|
||||||
|
printtks(tokenize(input), output);
|
||||||
|
fprintf(output, "</tokens>\r\n");
|
||||||
|
fclose(output);
|
||||||
|
|
||||||
|
return 0;
|
||||||
|
}
|
|
@ -0,0 +1,224 @@
|
||||||
|
#include <ctype.h>
|
||||||
|
#include <stdlib.h>
|
||||||
|
#include <string.h>
|
||||||
|
#include <stdbool.h>
|
||||||
|
#include "tokens.h"
|
||||||
|
#include "tokenizer.h"
|
||||||
|
|
||||||
|
typedef enum {
|
||||||
|
common, charsymbol, space
|
||||||
|
} CHARTYPE;
|
||||||
|
|
||||||
|
typedef struct {
|
||||||
|
char* str;
|
||||||
|
int size;
|
||||||
|
int count;
|
||||||
|
} STRING;
|
||||||
|
|
||||||
|
TOKENLIST* mktokenlist() {
|
||||||
|
return (TOKENLIST*)malloc(sizeof(TOKENLIST));
|
||||||
|
}
|
||||||
|
|
||||||
|
CHARTYPE getchartype(unsigned char c) {
|
||||||
|
if(isspace(c)) return space;
|
||||||
|
if(isalnum(c) || c == '_' || c == '"') return common;
|
||||||
|
return charsymbol;
|
||||||
|
}
|
||||||
|
|
||||||
|
void append(STRING* s, char c) {
|
||||||
|
int targsize = sizeof(char) * (s->count + 1);
|
||||||
|
if(s->size <= targsize) {
|
||||||
|
s->size = targsize * 2;
|
||||||
|
s->str = (char*)realloc(s->str, s->size);
|
||||||
|
}
|
||||||
|
|
||||||
|
s->str[s->count] = c;
|
||||||
|
s->count++;
|
||||||
|
}
|
||||||
|
|
||||||
|
STRING* mkstring(int size) {
|
||||||
|
STRING* str = (STRING*)malloc(sizeof(STRING));
|
||||||
|
str->size = sizeof(char) * size; // initial size
|
||||||
|
str->str = (char*)malloc(str->size);
|
||||||
|
str->count = 0;
|
||||||
|
return str;
|
||||||
|
}
|
||||||
|
|
||||||
|
bool iskeyword(STRING* tk) {
|
||||||
|
for(int i = 0; i < keywordssize; i++)
|
||||||
|
if(!strcmp(tk->str, keywords[i]))
|
||||||
|
return true;
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
bool issymbol(STRING* tk) {
|
||||||
|
if(tk->count != 2)
|
||||||
|
return false;
|
||||||
|
for(int i = 0; i < symbolssize; i++)
|
||||||
|
if(!strcmp(tk->str, symbols[i]))
|
||||||
|
return true;
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
bool isint(char* str) {
|
||||||
|
int i = 0;
|
||||||
|
while(str[i] != '\0') {
|
||||||
|
if(!isdigit(str[i]))
|
||||||
|
return false;
|
||||||
|
i++;
|
||||||
|
}
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
|
||||||
|
bool isintcons(STRING* tk) {
|
||||||
|
if(!isint(tk->str))
|
||||||
|
return false;
|
||||||
|
int val = atoi(tk->str);
|
||||||
|
return val >= 0 && val <= 32767;
|
||||||
|
}
|
||||||
|
|
||||||
|
bool isidentifier(STRING* tk) {
|
||||||
|
if(isdigit(tk->str[0]))
|
||||||
|
return false;
|
||||||
|
|
||||||
|
int count = tk->count - 1;
|
||||||
|
for(int i = 0; i < count; i++)
|
||||||
|
if(!isalnum(tk->str[i]) && tk->str[i] != '_')
|
||||||
|
return false;
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
|
||||||
|
TOKENTYPE gettokentype(STRING* tk, int truen) {
|
||||||
|
if(iskeyword(tk)) return keyword;
|
||||||
|
if(issymbol(tk)) return symbol;
|
||||||
|
if(isintcons(tk)) return integer;
|
||||||
|
if(isidentifier(tk)) return identifier;
|
||||||
|
fprintf(stderr, "Unexpected token '%s'; line %i\n", tk->str, truen);
|
||||||
|
exit(1);
|
||||||
|
}
|
||||||
|
|
||||||
|
TOKENLIST* appendtokenraw(TOKENLIST* curitem, STRING* token, int truen, TOKENTYPE type) {
|
||||||
|
curitem->token = (char*)malloc(sizeof(char)*token->count);
|
||||||
|
strcpy(curitem->token, token->str);
|
||||||
|
curitem->truen = truen;
|
||||||
|
curitem->type = type;
|
||||||
|
TOKENLIST* nextitem = mktokenlist();
|
||||||
|
curitem->next = nextitem;
|
||||||
|
token->count = 0;
|
||||||
|
return nextitem;
|
||||||
|
}
|
||||||
|
|
||||||
|
TOKENLIST* appendtoken(TOKENLIST* curitem, STRING* token, int truen) {
|
||||||
|
append(token, '\0');
|
||||||
|
return appendtokenraw(curitem, token, truen, gettokentype(token, truen));
|
||||||
|
}
|
||||||
|
|
||||||
|
void skipln(FILE* input) {
|
||||||
|
unsigned char c;
|
||||||
|
while(c = fgetc(input), c != '\0')
|
||||||
|
if(c == '\n')
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
void skipmultiln(FILE* input, int* lnscount) {
|
||||||
|
unsigned char c;
|
||||||
|
while(c = fgetc(input), c != '\0')
|
||||||
|
if(c == '\n')
|
||||||
|
(*lnscount)++;
|
||||||
|
else if(c == '*')
|
||||||
|
if(fgetc(input) == '/')
|
||||||
|
break;
|
||||||
|
}
|
||||||
|
|
||||||
|
bool handlecomment(FILE* input, int* lnscount) {
|
||||||
|
unsigned char nextc = fgetc(input);
|
||||||
|
if(nextc == '/') {
|
||||||
|
skipln(input);
|
||||||
|
(*lnscount)++;
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
else if(nextc == '*') {
|
||||||
|
unsigned char furtherc = fgetc(input);
|
||||||
|
if(furtherc == '*') {
|
||||||
|
skipmultiln(input, lnscount);
|
||||||
|
return true;
|
||||||
|
}
|
||||||
|
ungetc(furtherc, input);
|
||||||
|
}
|
||||||
|
ungetc(nextc, input);
|
||||||
|
return false;
|
||||||
|
}
|
||||||
|
|
||||||
|
void readstr(FILE* input, STRING* tmp, int truen) {
|
||||||
|
unsigned char c;
|
||||||
|
while(c = fgetc(input), c != '\0') {
|
||||||
|
if(c == '\n') {
|
||||||
|
fprintf(stderr, "Unexpected end of line; line %i", truen);
|
||||||
|
exit(1);
|
||||||
|
}
|
||||||
|
if(c == '"')
|
||||||
|
break;
|
||||||
|
append(tmp, c);
|
||||||
|
}
|
||||||
|
append(tmp, '\0');
|
||||||
|
}
|
||||||
|
|
||||||
|
void freestr(STRING* str) {
|
||||||
|
free(str->str);
|
||||||
|
free(str);
|
||||||
|
}
|
||||||
|
|
||||||
|
TOKENLIST* tokenize(FILE* input) {
|
||||||
|
TOKENLIST* head = mktokenlist();
|
||||||
|
TOKENLIST* lastitem = head;
|
||||||
|
TOKENLIST* curitem = head;
|
||||||
|
|
||||||
|
STRING* tmptoken = mkstring(200);
|
||||||
|
CHARTYPE lasttype = space;
|
||||||
|
CHARTYPE curtype;
|
||||||
|
|
||||||
|
int lnscount = 1;
|
||||||
|
|
||||||
|
unsigned char c;
|
||||||
|
while(c = fgetc(input), !feof(input)) {
|
||||||
|
if(c == '\n') {
|
||||||
|
lnscount++;
|
||||||
|
}
|
||||||
|
else if(c == '/' && handlecomment(input, &lnscount))
|
||||||
|
continue;
|
||||||
|
else if(c == '"') {
|
||||||
|
if(lasttype != space)
|
||||||
|
curitem = appendtoken(curitem, tmptoken, lnscount);
|
||||||
|
readstr(input, tmptoken, lnscount);
|
||||||
|
lastitem = curitem;
|
||||||
|
curitem = appendtokenraw(curitem, tmptoken, lnscount, string);
|
||||||
|
lasttype = space;
|
||||||
|
continue;
|
||||||
|
}
|
||||||
|
|
||||||
|
curtype = getchartype(c);
|
||||||
|
|
||||||
|
if(curtype == common) {
|
||||||
|
if(lasttype == charsymbol) {
|
||||||
|
lastitem = curitem;
|
||||||
|
curitem = appendtoken(curitem, tmptoken, lnscount);
|
||||||
|
}
|
||||||
|
append(tmptoken, c);
|
||||||
|
} else {
|
||||||
|
if(lasttype != space){
|
||||||
|
lastitem = curitem;
|
||||||
|
curitem = appendtoken(curitem, tmptoken, lnscount);
|
||||||
|
}
|
||||||
|
if(curtype == charsymbol)
|
||||||
|
append(tmptoken, c);
|
||||||
|
}
|
||||||
|
|
||||||
|
lasttype = curtype;
|
||||||
|
}
|
||||||
|
|
||||||
|
lastitem->next = NULL;
|
||||||
|
free(curitem);
|
||||||
|
freestr(tmptoken);
|
||||||
|
fclose(input);
|
||||||
|
return head;
|
||||||
|
}
|
|
@ -0,0 +1,18 @@
|
||||||
|
#ifndef TOKENIZER_H
|
||||||
|
#define TOKENIZER_H
|
||||||
|
#include <stdio.h>
|
||||||
|
|
||||||
|
typedef enum {
|
||||||
|
keyword, symbol, integer, string, identifier
|
||||||
|
} TOKENTYPE;
|
||||||
|
|
||||||
|
typedef struct tklist {
|
||||||
|
char* token;
|
||||||
|
TOKENTYPE type;
|
||||||
|
int truen;
|
||||||
|
struct tklist* next;
|
||||||
|
} TOKENLIST;
|
||||||
|
|
||||||
|
TOKENLIST* tokenize(FILE* input);
|
||||||
|
void freetokenlist(TOKENLIST l);
|
||||||
|
#endif
|
|
@ -0,0 +1,17 @@
|
||||||
|
#ifndef TOKENS_H
|
||||||
|
#define TOKENS_H
|
||||||
|
|
||||||
|
const char* keywords[] = {
|
||||||
|
"class", "constructor", "function", "method", "field", "static",
|
||||||
|
"var", "int", "char", "boolean", "void", "true", "false", "null",
|
||||||
|
"this", "let", "do", "if", "else", "while", "return"
|
||||||
|
};
|
||||||
|
const int keywordssize = sizeof(keywords) / sizeof(char*);
|
||||||
|
|
||||||
|
const char* symbols[] = {
|
||||||
|
"{", "}", "(", ")", "[", "]", ".", ",", ";", "+", "-", "*", "/",
|
||||||
|
"&", "|", "<", ">", "=", "~"
|
||||||
|
};
|
||||||
|
const int symbolssize = sizeof(symbols) / sizeof(char*);
|
||||||
|
|
||||||
|
#endif
|
Loading…
Reference in New Issue