Implementación de Operadores de Dos Caracteres en Lexer

Clase 10 de 58 • Curso de Creación de Lenguajes de Programación: Intérpretes

Resumen

¿Cómo implementar operadores de dos caracteres en un Lexer?

La implementación de operadores de dos caracteres en un lexer es una tarea vital para lograr que un lenguaje de programación pueda interpretar correctamente estas combinaciones. Este artículo te guiará a través del proceso de implementación de operadores como == y !=, fundamentales en lenguajes como JavaScript o Python. No te preocupes; veremos paso a paso lo que necesitas para implementar estos operadores en tu lexer.

El lexer hasta ahora usa variables position y readPosition para manejar el flujo de caracteres. Estas variables permiten prever el carácter siguiente, proporcionando el contexto necesario para identificar operadores de dos caracteres.

¿Cómo se estructura el test para operadores de dos caracteres?

Crear un test unitario es el primer paso. Aquí configuramos un test llamado testToCharacterOperators. En este test, se definen las expectativas de cómo debería comportarse el lexer con entradas como 10 == 10; o 10 != 9;. Al final, esperamos que el lexer retorne una lista de tokens que incluya números, operadores y delimitadores como el punto y coma.

def testToCharacterOperators():
    source = "10 == 10; 10 != 9;"
    expected_tokens = [
        TokenType.NUMBER, '10',
        TokenType.EQUALS,
        TokenType.NUMBER, '10',
        TokenType.SEMICOLON,
        TokenType.NUMBER, '10',
        TokenType.NOT_EQUALS,
        TokenType.NUMBER, '9',
        TokenType.SEMICOLON
    ]
    lexer = Lexer(source)
    tokens = lexer.tokenize()
    assert tokens == expected_tokens

¿Cómo se manejan los tokens de igualdad y desigualdad?

Para tratar con operadores de dos caracteres como == y !=, debes definir nuevos tipos de tokens llamados equals y not equals. Estos se añaden al archivo de tipos de tokens. Esto permitirá al lexer diferenciar entre una asignación simple = y una evaluación de igualdad ==.

def initializeTokenTypes():
    TokenType.EQUALS = "=="
    TokenType.NOT_EQUALS = "!="

¿Cómo se implementa la anticipación de caracteres?

La función pickCharacter() es fundamental. Permite al lexer 'asomarse' al siguiente carácter sin avanzar la posición actual, una capacidad clave para determinar si un = es seguido por otro =.

def pickCharacter():
    if self.readPosition >= len(self.source):
        return ''
    return self.source[self.readPosition]

¿Cómo crear tokens de dos caracteres?

La función makeToCharacterToken() genera un token cuando se detectan dos caracteres consecutivos que forman un operador. Esta es llamada cuando una comparación == o != es detectada.

def makeToCharacterToken(tokenType):
    prefix = self.currentCharacter
    self.readCharacter()  # Avanza al siguiente carácter
    suffix = self.currentCharacter
    return Token(tokenType, prefix + suffix)

¿Qué sigue después de la implementación del lexer?

¡Felicidades! Has completado una parte importante de tu lexer. Ahora es capaz de leer operadores de un solo y doble carácter, identificar palabras clave, delimitadores y más. Pero esto es solo el comienzo. La implementación de un REPL (Read-Eval-Print Loop) permitirá interactuar directamente con el sistema para evaluar expresiones en tiempo real.

Con esto concluimos la implementación de operadores de dos caracteres en un lexer. Sigue avanzando en tu viaje de aprendizaje, experimenta con tu lexer y considera cómo la programación en español puede hacer que los lenguajes de programación sean más accesibles. ¡Adelante, el mundo del desarrollo espera por ti!

Fabián Vega Alcota

student•

Hice varios cambios a mi código, en sí estoy creando o más bien intentando crear un lenguaje que llamaré SigmaF, tengo planeado que sea del paradigma funcional, y está muy basada en Haskell, un lenguaje que me gusta bastante. Aquí les dejo un link a mi repositorio, por si tienen curiosidad o si les intereso mi proyecto ;) https://github.com/FabianVegaA/sigmaF/tree/dev

Carlos Eduardo Gomez García

teacher•

Vengo del futuro a extender los tokens que acepta el Lexer (para tener un lenguaje con más operadores, no es spoiler :D) para que ahora acepte <= y >= (menor o igual que) y "mayor o igual que": . Primero, tenemos que añadir los tokens a la lista de tokens en token.py: .

GE = auto() # Gretater Than or Equal To (>=)
LE = auto() # Less Than or Equal To (<=)

. Después, en los matches donde revisamos los caracteres "<" y ">", tenemos que agregar las condicionales para aceptar los tokens de doble caracter:

elif match(r"^<$", self._character):

    # Aquí revisamos si el siguiente token es "=", por lo que tendríamos un "<="
    if self._peek_character() == "=":
        token = self._make_two_character_token(TokenType.LE)

    else:
        token = Token(TokenType.LT, self._character)

elif match(r"^>$", self._character):

    # Aquí revisamos si el siguiente token es "=", por lo que tendríamos un ">="
    if self._peek_character() == "=":
        token = self._make_two_character_token(TokenType.GE)

    else:
        token = Token(TokenType.GT, self._character)

Con eso basta por ahora, no es necesario, pero recomiendo agregar los tests al lexer, pueden ver mis tests para estos operadores aquí: . Test Two Characters Operators . Durante el curso no se hace ninguna implementación para estos operadores (el LPP original del profesor no los soporta), pero pueden ir buscando mis aportes donde yo les iré dando el código junto con sus tests para que puedan implementar estos operadores al LPP :D. Yo ya tengo el lenguaje funcionando con estos operadores así que trust me jaja

Carlos Pavajeau

student•

Pongo el código de mi Lexer.

from re import match
from cantte.token import TokenType, Token, lookup_token_type


class Lexer:
    def __init__(self, source: str) -> None:
        self._source: str = source
        self._character: str = ''
        self._read_position: int = 0
        self._position: int = 0

        self._read_character()

    def next_token(self) -> Token:
        self._skip_whitespace()

        if self._is_letter(self._character):
            ident_literal: str = self._read_identifier()
            token_type = lookup_token_type(ident_literal)
            token = Token(token_type, ident_literal)
        elif self._is_number(self._character):
            num_literal: str = self._read_number()
            token = Token(TokenType.INT, num_literal)
        else:
            token_type = self._get_token_type()
            if token_type == TokenType.EQUAL or token_type == TokenType.NOT_EQUAL:
                token = self._make_two_character_token(token_type)
            else:
                token = Token(token_type, self._character)
            self._read_character()

        return token

    def _get_token_type(self):
        if match(r'^=$', self._character):
            if self._peek_character() == '=':
                token_type = TokenType.EQUAL
            else:
                token_type = TokenType.ASSIGN
        elif match(r'^\+$', self._character):
            token_type = TokenType.PLUS
        elif match(r'^-$', self._character):
            token_type = TokenType.MINUS
        elif match(r'^\*$', self._character):
            token_type = TokenType.MULTIPLICATION
        elif match(r'^/$', self._character):
            token_type = TokenType.DIVISION
        elif match(r'^$', self._character):
            token_type = TokenType.EOF
        elif match(r'^\($', self._character):
            token_type = TokenType.LPAREN
        elif match(r'^\)$', self._character):
            token_type = TokenType.RPAREN
        elif match(r'^{$', self._character):
            token_type = TokenType.LBRACE
        elif match(r'^}$', self._character):
            token_type = TokenType.RBRACE
        elif match(r'^,$', self._character):
            token_type = TokenType.COMMA
        elif match(r'^;$', self._character):
            token_type = TokenType.SEMICOLON
        elif match(r'^<$', self._character):
            token_type = TokenType.LESS_THAN
        elif match(r'^>$', self._character):
            token_type = TokenType.GREATER_THAN
        elif match(r'^!$', self._character):
            if self._peek_character() == '=':
                token_type = TokenType.NOT_EQUAL
            else:
                token_type = TokenType.NEGATION
        else:
            token_type = TokenType.ILLEGAL

        return token_type

    @staticmethod
    def _is_letter(character: str) -> bool:
        return bool(match(r'^[a-zA-ZñÑ_]$', character))

    @staticmethod
    def _is_number(character: str) -> bool:
        return bool(match(r'^\d$', character))

    def _make_two_character_token(self, token_type: TokenType) -> Token:
        prefix = self._character
        self._read_character()
        suffix = self._character

        return Token(token_type, f'{prefix}{suffix}')

    def _peek_character(self) -> str:
        if self._read_position >= len(self._source):
            return ''
        return self._source[self._read_position]

    def _read_identifier(self) -> str:
        initial_position = self._position

        while self._is_letter(self._character):
            self._read_character()

        return self._source[initial_position:self._position]

    def _read_character(self) -> None:
        if self._read_position >= len(self._source):
            self._character = ''
        else:
            self._character = self._source[self._read_position]

        self._position = self._read_position
        self._read_position += 1

    def _read_number(self) -> str:
        initial_position = self._position

        while self._is_number(self._character):
            self._read_character()

        return self._source[initial_position:self._position]

    def _skip_whitespace(self) -> None:
        while match(r'^\s$', self._character):
            self._read_character()

Carlos Eduardo Gomez García

teacher•

Wohh!! Acabo de extender el lexer para añadir un operador de triple igualdad y de diferenciación, los típicos de === y !=== . Primero escribí los tests, para este caso quise esribir dos tests, uno para probar la triple igualdad y otro para porbar la mezcla de los dobles y triples:

    def test_three_character_operator(self) -> None:

        source: str = """
            10 === 10;
            10 !== 9;
        """

        lexer: Lexer = Lexer(source)

        tokens: List[Token] = []

        for i in range(8):

            tokens.append(lexer.next_token())

        expected_tokens: List[Token] = [
            Token(TokenType.INT, "10"),
            Token(TokenType.SIMILAR, "==="),
            Token(TokenType.INT, "10"),
            Token(TokenType.SEMICOLON, ";"),
            Token(TokenType.INT, "10"),
            Token(TokenType.DIFF, "!=="),
            Token(TokenType.INT, "9"),
            Token(TokenType.SEMICOLON, ";"),
        ]

        self.assertEquals(tokens, expected_tokens)


    def test_mixed_character_operator(self) -> None:

        source: str = """
            10 === 10;
            10 !== 9;
            10 == 10;
            10 != 9;
        """

        lexer: Lexer = Lexer(source)

        tokens: List[Token] = []

        for i in range(16):

            tokens.append(lexer.next_token())

        expected_tokens: List[Token] = [
            Token(TokenType.INT, "10"),
            Token(TokenType.SIMILAR, "==="),
            Token(TokenType.INT, "10"),
            Token(TokenType.SEMICOLON, ";"),
            Token(TokenType.INT, "10"),
            Token(TokenType.DIFF, "!=="),
            Token(TokenType.INT, "9"),
            Token(TokenType.SEMICOLON, ";"),
            Token(TokenType.INT, "10"),
            Token(TokenType.EQ, "=="),
            Token(TokenType.INT, "10"),
            Token(TokenType.SEMICOLON, ";"),
            Token(TokenType.INT, "10"),
            Token(TokenType.NOT_EQ, "!="),
            Token(TokenType.INT, "9"),
            Token(TokenType.SEMICOLON, ";"),
        ]

        self.assertEquals(tokens, expected_tokens)

Luego agregué los tokens:

DIFF = auto() # Diferencia (!==)
SIMILAR = auto() # Triple igualdad (===)

Para hacerlos funcionar, modifiqué el lexer para el operador de asignación y de diferencia:

        if match(r"^=$", self._character):

            if self._peek_character() == "=":
                token = self._make_two_character_token(TokenType.EQ)

                if self._peek_character(2) == "=":
                    token = self._make_three_character_token(TokenType.SIMILAR)

                else:
                    token = self._make_two_character_token(TokenType.EQ)

Condición para el operador de diferencia:

        elif match(r"^!$", self._character):

            if self._peek_character() == "=":
                token = self._make_two_character_token(TokenType.NOT_EQ)

                if self._peek_character(2) == "=":
                    token = self._make_three_character_token(TokenType.DIFF)

                else:
                    token = self._make_two_character_token(TokenType.NOT_EQ)

            else:
                token = Token(TokenType.NEGATION, self._character)

Para este caso, tuve que modificar el método _peek_character para que aceptara cuántos espacios se quiere salltar:

def _peek_character(self, skip = 1) -> str:

        if self._read_position >= len(self._source):
            return ""

        return self._source[self._read_position] if skip == 1 else self._source[self._read_position + (skip - 1)]

Y agregué otro método para que construyera el token de 3 caracteres:

def _make_three_character_token(self, token_type: TokenType) -> Token:

        first = self._character
        self._read_character()
        second = self._character
        self._read_character()
        third = self._character

        return Token(token_type, f"{first}{second}{third}")

Y con eso ya tu lexer ya acepta tokens de 3 caracteres como la triple igualdad o la diferenciación :D

Sergio Ignacio Saborío Segura

student•

Estoy muy feliz con este curso, me está ayudando muchísimo en la materia de Compiladores de mi carrera universitaria, aunque tengo que traducir de Python a Java porque me piden que lo haga en Java,

Raúl Humberto Peñate Ramírez

student•

Como segui el approach de iterar en vez de hacer varios if, me quedo así:

    def next_token(self) -> Token:
        
        token_dict: Dict[str, TokenType] = {
            r"^=$": TokenType.ASSIGN,
            r"^\!$": TokenType.NOT,
            r"^\+$": TokenType.PLUS,
            r"^\*$": TokenType.MULT,
            r"^\-$": TokenType.MINUS,
            r"^\/$": TokenType.DIV,
            r"^\($": TokenType.LPAREN,
            r"^\)$": TokenType.RPAREN,
            r"^{$": TokenType.LBRACE,
            r"^}$": TokenType.RBRACE,
            r"^,$": TokenType.COMMA,
            r"^;$": TokenType.SEMICOLON,
            r"^>$": TokenType.GT,
            r"^<$": TokenType.LT,
            r"^$": TokenType.EOF,
        }
        
        token = None

        self._skip_whitespace()
        
        if self._is_letter(self._character):
            literal = self._read_identifier()
            token_type = lookup_token_type(literal)
            return Token(token_type, literal)

        if self._is_number(self._character):
            literal = self._read_number()
            return Token(TokenType.INT, literal)
        
        for regex, token_type in token_dict.items():
            if match(regex, self._character):
                if self._check_two_character_operator():
                    token = self._make_two_character_token(self._two_char_token_type)
                    self._two_char_token_type = TokenType.ILLEGAL # Cleaning TokenType 
                    break
                else:
                    token = Token(token_type, self._character)
                    break
            
        if token is None:
            token = Token(TokenType.ILLEGAL, self._character)

        self._read_character()

        return token

Me toco agregar una nueva variable al Lexer:

class Lexer:
    def __init__(self, source: str) -> None:
        ...
        self._two_char_token_type: TokenType = TokenType.ILLEGAL

        self._read_character()

Así que hice una función que itera una lista de posibles sufijos:```python def _check_two_character_operator(self) -> bool: char_suffix: List[str] = [ r"^=$", r"^!$", r"^>$", r"^<$" ]

    for i in range(len(char_suffix)):
        if match(char_suffix[i], self._character):
            return self._save_two_char_type()
    
    return False


Y ya para no complicarme más la vida de lo que ya hice, mejor refactorize esta función pero que retorna si había match y booleano de una vez si existio:```python
    # This func save the token type and returns a boolean in case it existed
    def _save_two_char_type(self) -> bool:
        two_char_dict : Dict[str, TokenType] = {
            r"^==$": TokenType.EQ,
            r"^>=$": TokenType.GT_EQ,
            r"^<=$": TokenType.LT_EQ,
            r"^!=$": TokenType.NOT_EQ,
        }

        prefix = self._character
        suffix = self._peek_character()
        two_char = f'{prefix}{suffix}'

        for regex, token_type in two_char_dict.items():
            if match(regex, two_char):
                self._two_char_token_type = token_type
                return True 
        
        return False

Raúl Humberto Peñate Ramírez

student•

Que complicado poner código en esta plataforma xd

luimarco daniel Carrascal Diaz

student•

def _peek_two_character_token(self,token_tyoe:Tokentype)->Token:
  prefix=self._character
  self._read_character()
  suffix=self._character
  return Token(token_type, f'{prefix}{suffix}')

luimarco daniel Carrascal Diaz

student•

def test_two_character_operator(self)->None:
  source:str='''
    10==10;
    10!=9;
  '''

luimarco daniel Carrascal Diaz

student•

Jherom Chacon

student•

Si hice algunos cambios, empezando por el test, se me hizo más sencillo validarlos en una única cadena separada por ;

Por otra parte decidí hacer el Diferente a usando <>

Al final todo ha funcionado perfecto