第一步是构建词法分析器，它将源代码转换为Token序列，如int a=10+5;被分解为TOKEN_INT、TOKEN_IDENTIFIER等；通过状态机扫描字符，跳过空白，识别关键字、标识符、数字和运算符，同时维护行列位置信息，便于错误报告。
要实现一个简单的C++编译器，第一步是构建词法分析器（Lexer），也叫扫描器（Scanner）。它的作用是将源代码字符流转换成有意义的词法单元（Token），为后续的语法分析提供基础。
词法分析器的基本原理
词法分析器读取源代码字符序列，按照语言的词法规则识别出一个个Token。例如，变量名、关键字、运算符、常量等都对应不同类型的Token。
比如对于代码片段：
int a = 10 + 5;词法分析器应输出如下Token序列：
立即学习“C++免费学习笔记（深入）”；
- TOKEN_INT
- TOKEN_IDENTIFIER ("a")
- TOKEN_ASSIGN
- TOKEN_INTEGER (10)
- TOKEN_PLUS
- TOKEN_INTEGER (5)
- TOKEN_SEMICOLON
Token类型的定义
在C++中，可以用枚举定义Token类型：
enum TokenType { TOKEN_EOF, TOKEN_INT, TOKEN_IDENTIFIER, TOKEN_INTEGER, TOKEN_ASSIGN, TOKEN_PLUS, TOKEN_SEMICOLON, TOKEN_KEYWORD };
每个Token除了类型，还应包含其实际值（如标识符名称、整数数值）和位置信息（行号、列号），便于错误报告。
实现词法分析器的关键步骤
词法分析的核心是状态机驱动的字符扫描。以下是关键实现点：
- 维护一个输入缓冲区和当前字符指针，逐个读取字符
- 跳过空白字符（空格、换行、制表符）
- 使用辅助函数判断字符类型，如 isalpha、isdigit
- 识别关键字：可预先将关键字存入哈希表，标识符读取后查表判断是否为关键字
- 处理多字符运算符：如"=="、">="，需预读下一个字符判断
- 管理行号和列号：遇到换行符时更新行号，列号随字符递增
一个简化的getNextToken()函数结构如下：
Token Lexer::getNextToken() { while (isspace(peek)) advance(); // 跳过空白if (peek == '=') { advance(); return Token(TOKEN_ASSIGN); } if (isdigit(peek)) { std::string num; while (isdigit(peek)) { num += peek; advance(); } return Token(TOKEN_INTEGER, std::stoi(num)); } if (isalpha(peek)) { std::string ident; while (isalnum(peek)) { ident += peek; advance(); } if (ident == "int") return Token(TOKEN_INT); return Token(TOKEN_IDENTIFIER, ident); } // 处理其他符号... return Token(TOKEN_EOF); }
实用建议与常见问题
开发过程中注意以下几点：
- 使用 peek() 查看当前字符，advance() 移动指针，避免越界
- 为错误处理预留机制，如非法字符、不完整的注释
- 支持单行注释 // 和多行注释 /* */，在词法分析阶段直接跳过
- 考虑扩展性，后续可加入浮点数、字符串、布尔字面量等
- 测试用例要覆盖边界情况：连续运算符、混合空白、关键字与标识符混淆等
基本上就这些。一个简洁的词法分析器不需要太复杂，关键是把字符流正确切分，为语法分析打好基础。不复杂但容易忽略的是位置追踪和错误恢复，这些对用户体验很重要。
