雖然文章的標題是詞法分析，但首先還是要從編譯原理說開來。編譯原理應該很多人都聽說過，雖 然不一定會有多麼了解。
簡單的說，編譯原理就是研究如何進行編譯——也就如何從代碼（*.cs 文件）轉換為計 算機可以執行的程序（*.exe 文件）。當然也有些語言如 JavaScript 是解釋執行的，它的代碼是直接 被執行的，不需要生成可執行程序。
編譯過程是很復雜的，它涉及到很多步驟，直接拿《編譯原理》（Compilers: Principles, Techniques and Tools，紅龍書）上的圖來看：
圖 1 編譯器的各個步驟，其實是我根據書上的圖綜合了一下後畫的
這裡給出了 7 個步驟（後面的優化步驟是可選的），其中前 4 個步驟是分析部分（也被稱為前端 front end），是把源程序分解為多個組成要素，並在這些要素上加上語法結構，最後把信息存放在符 號表（symbol table）中。後三個步驟是綜合部分（也成為後端 back end），它們根據中間表示和符 號表中的信息構造期待的目標程序。
將編譯器分為這麼多步驟，其好處就是使得每個步驟更加簡單，從而使編譯器更加容易設計，也可 以利用很多現有的工具——例如詞法分析器可以用 Lex 或 Flex 生成，語法分析器可以用 Yacc 或 Bison 生成，幾乎不用做太多編碼工作就能得到一顆語法樹，前端的工作也就完成的差不多了 。而至於後端，也有很多現有的技術可以使用，例如現成的虛擬機（CLR 或 Java，只要翻譯成相應的 IL 就可以了）。
這個系列的文章，說的就是編譯原理的第一步：語法分析。大部分算法和理論都來自《編譯原理》 ，其余的部分則是自己搞出來的，或者是參考了 Flex 的實現（這裡的 Flex 是指 fast lexical analyzer generator，一個著名的提供詞法分析的程序，而不是 Adobe 的 Flex）。
我會盡量完整的介紹詞法分析器的編寫過程，包括一些細節的實現。當然，目前只能根據正則表達 式定義得到一個可以用來進行詞法分析的對象，要想達到 Flex 那樣直接根據詞法定義文件生成詞法分 析器源代碼，還有很多工作要做，不是短期內能夠搞定的。
本篇文章作為系列的第一篇，將會對詞法分析做綜合的概述，介紹一下其中用到的技術和大致的流 程。
一、詞法分析介紹
詞法分析（lexical analysis）或掃描（scanning）是編譯器的第一個步驟。詞法分析器讀入組成 源程序的字符流，並且將它們組織成有意義的詞素（lexeme）的序列，並對每個詞素產生詞法單元 （token）作為輸出。
簡單的來說，詞法分析就是將源程序（可以認為是一個很長的字符串）讀進來，並且“切 ”成小段（每一段就是一個詞法單元 token），每個單元都是有具體的意義的，例如表示某個特 定的關鍵詞，或者代表一個數字。而這個詞法單元在源程序中對應的文本，就叫做“詞素” 。
以計算器來舉例，12+34*9 這一段“源程序”的詞法分析過程如下所示：
圖 2 算式的詞法分析過程
一段對計算機來說豪無意義的字符串，經過語法分析後就得到了略微有意義的 Token 流。digit 就 表示這個詞法單元對應的是數字，operator 則表示操作符，後面相應的數字和符號（粉色背景）就是 詞素。同時，程序中一些不必要的空白、注釋也可以由詞法分析器來過濾掉，這樣，之後的語法分析等 步驟處理起來就會容易得多。
在實際的程序中，詞法單元都會以枚舉或數字來表示這是哪一類詞法單元。我的 Token<T> 類 定義如下所示：
namespace Cyjb.Text {
class Token<T> {
// 詞法單元的標識符，表示詞法單元的類型。
T Id;
// 詞法單元的文本，即“詞素”。
string Text;
// 獲取詞法單元的起始位置。
SourceLocation Start;
// 獲取詞法單元的結束位置。
SourceLocation End;
// 獲取詞法單元的值。
object Value;
}
}
裡面的 Id 和 Text 屬性不必多做解釋，Start 和 End 是用來在源文件中定位的（索引，行數和列 數），Value 則僅僅是為了方便傳遞一些值而設。
2014.1.8 更新：這個 Token<T> 類，最開始的定義是一個 Token 結構，詞法單元的標識符 是使用一個 int 值表示的。但是，個人認為使用枚舉類型要更好些，因為枚舉類型是具有名稱的，這 樣每個標識符可以很好的體現其語意；而且具有編譯期檢查，能夠有效防止拼寫錯誤。
二、如何描述詞素
現在知道了詞法分析可以將詞素分割開來，那麼詞素是怎麼描述的？或者說，為什麼 12、+ 和 34 都是詞素，而 1、 2+3 和 4 就不是詞素呢？這就需要用到模式了。
模式（pattern）描述了一個詞法單元的詞素可能具有的形式。
也就是說，我定義了 digit 模式為“由一個或多個數字組成的序列”，和 operator 模 式為“單個 + 或 * 字符”，詞法分析器就知道 12 是一個詞素，而 2+3 則不是詞素了。
現在，模式一般都是用正則表達式（regular expression）表示的，這裡所謂的正則表達式，與平 常所說的正則表達式（例如 System.Text.RegularExpressions.Regex 類）形式完全相同，功能卻更有 限，它只包含了字符串的匹配能力，而沒有分組、引用和替換的能力。簡單的舉個例子，a+ 這個正則 表達式就表示“由一個或多個字符 a 組成的序列”。關於正則表達式更多詳細信息，我會 在後面的文章中列出來，當然，有限的參考一下 System.Text.RegularExpressions.Regex 也是可以的 。
在本系列之後的文章中所提的正則表達式，都指的是這種只具有字符串匹配能力的正則表達式，大 家一定要注意不要與 System.Text.RegularExpressions.Regex 相混淆。
查看本欄目
