Question

我正在学习制作一个编译器，它有一些规则，比如单个字符串：

char ch[] ="abcd";

和多字符串：

printf("This is\
a multi\
string");

我写了正则表达式

STRING \"([^\"\n]|\\{NEWLINE})*\"

单行字符串工作正常，但它不适用于多行字符串，其中一行以'\'字符结尾。我应该改变什么？

Answer 1

常见的字符串模式是

\"([^"\\\n]|\\(.|\n))*\"

这将匹配包含转义双引号（\"）和反斜杠（\\）的字符串。它使用\\(.|\n)允许反斜杠后的任何字符。虽然一些反斜杠序列长于一个字符（\x40），但它们都不包括第一个字符后的非字母数字。

您的输入可能包含Windows行结尾（CR-LF），在这种情况下，反斜杠不会直接跟在换行符后面;然后是回车。如果你想接受那个输入而不是抛出错误（这可能更合适），你需要明确地这样做：

\"([^"\\\n]|\\(.|\r?\n))*\"

但是识别字符串并理解字符串代表的是两个不同的东西。通常，编译器需要将字符串的表示形式转换为字节序列，例如，需要将\n转换为字节10并完全删除反斜杠的换行符。

使用启动条件可以在（f）lex扫描仪中轻松完成该任务。（或者，当然，您可以使用不同的词法扫描程序重新扫描字符串。）

此外，您需要考虑错误处理。一旦你用未转义的换行符禁止字符串（就像C那样），你就可以打开一个未终止字符串的可能性，在结束语句之前会遇到一个换行符。如果字符串未正确关闭，则文件末尾可能会发生同样的情况。

如果您有单字符后备规则，它将识别未终止字符串的开头引号。这是不可取的，因为它会将字符串的内容扫描为程序文本，从而导致一连串的错误。如果您没有尝试进行错误恢复，那么这并不重要，但如果您这样做，通常最好至少使用不同的模式识别未终止的字符串，直到换行符为止。