[UPL] Syntax & Parsing

 

 

 

프로그래밍 언어는 문자열의 집합이고, 프로그래밍 언어로 작성된 프로그램은 문자열이라고 생각할 수 있다.

그렇다고 아무 문자열이나 프로그래밍 언어가 될 수 있는 건 아니다. 특정 문법에 부합해야 프로그래밍 언어가 될 수 있다.

 

문자열 s가 프로그래밍 언어인지 판단하는 함수 L(G) 를 생각해보자.

s가 L(G)의 집합에 포함된다면 s는 프로그래밍 언어라고 할 수 있다.

 

 

 

위의 Chomsky Hierarchy는 언어의  표현력을 나타낸다.

사실상 튜링 머신은 존재하지 않고 Regular Language는 프로그래밍 언어를 정의할 때 표현력이 부족해 독립적으로 사용되지 않으니 프로그래밍 언어의 정의는 두 가지로 구분된다.

 

오토마타는 문자열 s가 L(G) 집합에 포함되는지를 판단한다. 

 

Lemail 언어를 집합으로 정의한다고 하자. 원소나열법으로는 무한집합을 정의할 수 없으니 조건제시법을 사용해야 한다.

 

 

 

정규표현식 (Regular Expression)으로 정규언어를 정의해보자.

 

 

언어 정의에서 공집합은 이 언어에 원소가 하나도 없음을 의미하고, 빈 문자열은 길이가 0인 문자열을 의미한다.

연산자 간에는 Kleene > Concat > Union 순으로 우선순위가 있으니 괄호로 우선순위를 표현해주자. 

Extended Regular Expression을 사용해 Regular Expression보다 식을 간결하게 표현할 수 있다. (+ ? n-to-m times)

 

 

 

 

Finite State Automata는 유한한 상태를 가지는 추상 기계로 s가 Regular Language에 속하는지 판별할 때 사용한다.
전이함수, 시작 단계, 종료상태를 잘 확인하고 문자열을 한 글자씩 읽어 전이시켜보자.

 

Regular Expression은 Finite State Automata로 변환할 수 있고, 반대도 성립한다. 

 

 

Abstract Syntax Tree가 만들어지기 전 까지는 Frontend, 뒷 부분 부터는 Backend로 구분된다.

Syntax를 Tree구조로 만드는 이유는 트리 순회를 통해 최적화나 정적 분석을 효과적으로 수행할 수 있기 때문..

 

Lexical Analysis 단계는 문자열을 입력받아프로그래밍 언어의 어휘항목(토큰)으로 잘라내는데, 이 단계에서 Regular Expression을 사용한다.

 

Context-Free Language는 문맥 자유 언어로 동일 단어가 문맥을 고려하지 않고 항상 같은 뜻을 가지는 언어를 의미한다.

보통 어휘 목록은 Regular Expression으로, 구문구조는 Context-Free Language로 정의하는 편인데, 어휘 목록도 CFL로 정의할 수 있지만 구현의 복잡도 때문에 두 가지를 함께 사용해 언어를 구현한다. 

 

 

CFG를 쉽게 표기하기 위해 Bankus-Naur Form을 사용한다.

 

Derivation은 문법으로부터 문자열을 생성하는 과정이고, Parse는 Derivation의 역과정으로 문자열이 문법에 부합하는지 확인하는 과정이다.

각 과정을 트리로 표현할 수 있는데, 파싱 트리와 유도 트리는 방향만 다르고 나머지 부분은 동일하다.

하나의 문자열이 여러 방식으로 파싱될 수 있는 경우 deterministic하지 않은 경우로 하나의 문자열에 대해 여러 트리가 유도될 수 있다. 

 

모호함을 줄이려면 유도 순서를 정해야 한다.

Left-Most, Right-Most 방식으로 좌측이나 우측을 우선으로 치환한다는 순서를 정한다.

 

LL 파싱과 LR 파싱이 모호함을 줄이기 위해 등장한 방식으로, LL(k) LR(k) 로 lookahead 개수를 지정해 모호성을 더 줄일 수 있다.

 

 

 

 

파싱을 통해 만들어지는건 AST이고, 그 과정에서 나오는 Parse Tree는 프로그램에 도움이 되지 않는다.

AST는 중간언어 (Intermediate Representation) 로 컴파일러나 인터프리터에서 쉽게 다룰 수 있는 자료구조이다.

 

(* lex 는 Regular Expression을 인식해서 token을 반환 *)
type token = 
  | IDENT of string
  | NUMBER of string
  | KW_LET
  | KW_IN 
  | OP_EQ
  | OP_PLUS
  | OP_MINUS

type state = 
  | Q0 (* 초기 *)
  | Q1 (* IDENT 읽는중 *)
  | Q2 (* 숫자 읽는중 *)
  | Q3 (* = 읽는중 *)
  | Q4 (* + 읽는중 *)
  | Q5 (* - 읽는중 *)
  | Q6 (* 에러 *)

let transfer (s: state) (c: char) = 
  match s with
  | Q0 -> 
    if 'a' <= c && c <= 'z' then Q1
    else if '1' <= c && c <= '9' then Q2
    else if c = '=' then Q3
    else if c = '+' then Q4
    else if c = '-' then Q5
    else Q6
  | Q1 -> 
    if ('a' <= c && c <= 'z' || 'A' <= c && c <= 'Z' || c = '_' || c = '\'') then Q1
    else Q6
  | Q2 -> 
    if '0' <= c && c <= '9' then Q2
    else Q6
  | Q3 | Q4 | Q5 -> Q6
  | Q6 -> Q6    

let rec rev (ls: char list) : char list =
  match ls with
  | [] -> []
  | first :: left -> (rev left) @ [first]
    
let lex (str: string) : token = 
  let char_list = String.to_seq str |> List.of_seq in

  let rec aux (s: state) (acc: char list) (left_list: char list) : token = 
    match left_list with 
    | [] -> 
      (match s with 
      | Q1 -> 
          let token_str = String.of_seq (List.to_seq (rev acc)) in
          if token_str = "let" then KW_LET 
          else if token_str = "in" then KW_IN
          else IDENT token_str
      | Q2 -> 
        let token_str = String.of_seq (List.to_seq (rev acc)) in
        NUMBER token_str
      | Q3 -> OP_EQ
      | Q4 -> OP_PLUS
      | Q5 -> OP_MINUS
      | _ -> failwith ("Lexing error: " ^ str))
    | c :: left -> 
      let next_state = transfer s c in
      if next_state = Q6 then failwith ("Lexing error: " ^ str)
      else aux next_state (c:: acc) left
    in
  aux Q0 [] char_list
  

type expr = 
  | LetIn of string * expr * expr (* KW_LET IDENT OP_EQ e KW_IN e 매칭 *)
  | Plus of expr * expr (* e OP_PLUS e *)
  | Minus of expr * expr (* e OP_MINUS e *)
  | Num of string (* NUMBER *)
  | Id of string (* IDENT *)

type parse_stack_elem = 
  | T of token
  | E of expr

let rec reduce (stack: parse_stack_elem list) (token_list: token list) (orgn_str: string) : parse_stack_elem list = 
  let rec reduce_impl (st: parse_stack_elem list) = 
    match st with 
    | E exp2 :: T KW_IN :: E exp1 :: T OP_EQ :: T (IDENT id) :: T KW_LET :: rest -> 
      (
        match token_list with
        | KW_IN :: _ | [] -> reduce_impl (E (LetIn (id, exp1, exp2)) :: rest)
        | _ -> st
      )
        
    | E exp2 :: T OP_PLUS ::  E exp1 :: rest ->
        reduce_impl (E (Plus (exp1, exp2)) :: rest)
    | E exp2 :: T OP_MINUS :: E exp1 :: rest ->
        reduce_impl (E (Minus (exp1, exp2)) :: rest)
    | T (NUMBER n) :: rest -> 
        reduce_impl (E (Num n) :: rest)
    | T (IDENT id) :: rest ->
        (
          match token_list with
          | OP_EQ :: _ -> st
          | _ -> reduce_impl (E (Id id) :: rest)
        )
    | _ -> st
  in 
  let reduced = reduce_impl stack in
  if (reduced = stack) then stack else reduce reduced token_list orgn_str            


let parse (str: string) : expr = 
  let word_list = String.split_on_char ' ' str in
  let token_list = List.map lex word_list in

  let rec parse_aux (stack: parse_stack_elem list) (tokens: token list) : expr = 
    match tokens with
    | [] -> 
        let cur_stack = reduce stack [] str in
        (
          match cur_stack with
          | [E e] -> e
          | _ -> failwith ("Parsing error: " ^ str)
        )
    | t :: ts -> 
        let new_stack = reduce stack tokens str in
        parse_aux (T t :: new_stack) ts
    in
    parse_aux [] token_list

 

문자열을 토큰으로 반환하는 Lexer와 문자열을 AST로 반환하는 Parser를 OCaml 언어로 구현한 예시이다.

Lexer는 패턴 매칭 말고 직접 Finite State Automata를 사용하는 방식으로 구현되어있다.