UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez

1
2 Anlisis lxico (Scanner)

La fase de rastreo (scanner), tiene las funciones de leer el programa fuente como un archivo de
caracteres y dividirlo en tokens. Los tokens son las palabras reservadas de un lenguaje,
secuencia de caracteres que representa una unidad de informacin en el programa fuente. En
cada caso un token representa un cierto patrn de caracteres que el analizador lxico
reconoce, o ajusta desde el inicio de los caracteres de entrada. De tal manera es necesario
generar un mecanismo computacional que nos permita identificar el patrn de transicin entre
los caracteres de entrada, generando tokens, que posteriormente sern clasificados. Este
mecanismo es posible crearlo a partir de un tipo especifico de maquina de estados llamado
autmata finito.

2.1 Funcin del analizador lxico
Es la primera fase de un compilador. Su principal funcin consiste en leer la secuencia de
caracteres del programa fuente, carcter a carcter, y elaborar como salida la secuencia de
componentes lxicos que utiliza el analizador sintctico. El analizador sintctico emite la orden
al analizador lxico para que agrupe los caracteres y forme unidades con significado propio
llamados componentes lxicos (tokens). Los componentes lxicos representan:

o Palabras reservadas: if, while, do,
o Identificadores: variables, funciones, tipos definidos por el usuario, etiquetas,
o Operadores: =, >, <, >=, <=, +, *,
o Smbolos especiales: ;, ( ), { },
o Constantes numricas. literales que representan valores enteros y flotantes.
o Constantes de carcter: literales que representan cadenas de caracteres.

El analizador lxico opera bajo peticin del analizador sintctico devolviendo un componente
lxico conforme el analizador sintctico lo va necesitando para avanzar en la gramtica. Los
componentes lxicos son los smbolos terminales de la gramtica. Suele implementarse como
una subrutina del analizador sintctico. Cuando recibe la orden obtn el siguiente componente
lxico, el analizador lxico lee los caracteres de entrada hasta identificar el siguiente
componente lxico.

rbol de anlisis
sintctico
componente
lxico
programa
fuente
obtn siguiente
componente lxico
analizador
lxico
analizador
sintctico
tabla de
smbolos



Adems el analizador lxico es responsable de:

o Manejo de apertura y cierre de archivo, lectura de caracteres y gestin de posibles
errores de apertura.
o Eliminar comentarios, espacios en blanco, tabuladores y saltos de lnea.
o Inclusin de archivos y macros.
o Contabilizar nmero de lneas y columnas para emitir mensajes de error.

Una de las ventajas de separar el anlisis lxico y anlisis sintctico es que facilita la
transportabilidad del traductor si se decide realizar cambios posteriores, por ejemplo cambiar
las etiquetas begin-end por llaves de apertura y cierre { }.

UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
2
2.2 Componentes lxicos, patrones y lexemas
En la fase de anlisis, los trminos componentes lxicos (token), patrn y lexema se emplean
con significados especficos. Un analizador lxico, inicialmente lee los lexemas y le asigna un
significado propio.

componente lxico es la secuencia lgica y coherente de caracteres relativo a una
categora: identificador, palabra reservada, literales (cadena/numrica), operador o carcter
de puntuacin, adems de que un componente lxico puede tener uno o varios lexemas.

patrn es una regla que genera la secuencia de caracteres que puede representar a un
determinado componente lxico (expresin regular).

lexema es una cadena de caracteres que concuerda con un patrn que describe un
componente lxico (valor de cadena).

Ejemplo de una cadena de cdigo: const pi = 3.1416;

Lexemas Componente lxico Patrn
const const const
= relacin < o <= o = o <> o > o >=
pi identificador letra seguida de letras o nmeros
3.1416 nmero cualquier literal numrica
hola mundo literal caracteres entre comillas

El analizador lxico recoge informacin sobre los componentes lxicos en sus atributos
asociados. Los tokens influyen en las decisiones del anlisis sintctico, y los atributos, en la
traduccin de los tokens. En la practica los componentes lxicos suelen tener solo un atributo.
Para efectos de diagnostico, puede considerarse tanto el lexema para un identificador como el
numero de lnea en el que se encontr por primera vez. Esta informacin puede ser
almacenada en la tabla de smbolos para el identificador (estructura de datos).

Para la cadena E=M*C**2 de ejemplo, los componentes lxicos y los valores de atributo
asociado son:

<identificador, atributo para el smbolo E>
<op_asignacion>
<identificador, atributo para el smbolo M>
<op_multiplica>
<identificador, apuntador al smbolo C>
<op_exponente>
<numero, atributo valor 2>

Tome en cuenta que ciertas parejas no necesitan un valor de atributo. Los atributos
relacionados con ese token debern ser conservados y transferidos a alguna estructura de
datos para que sean empleados en las siguientes etapas del anlisis

2.3 Manejo de Buffer de entrada
Existen algunos aspectos de eficiencia relacionados con el manejo de buffer. Primero se
menciona un esquema de doble buffer de entrada que resulta til como pre-anlisis de la
entrada para identificar los componentes lxicos. El segundo esquema introduce algunas
tcnicas tiles para aumentar la eficiencia del analizador lxico, empleando centinelas.

Hay veces en que el analizador lxico necesita analizar previamente varios caracteres, adems
del lexema para un patrn, antes de poder anunciar una concordancia. Se pueden emplear
muchos esquemas de manejos de buffer, pero, aqu tan solo se sealarn algunos principios
bsicos.

UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
3
Parejas de buffer Se utiliza un buffer dividido en dos mitades de N (1024 512) caracteres
cada una, Se leen N caracteres de entrada en cada mitad del buffer con un orden de lectura del
sistema, en vez de invocar una instruccin de lectura para cada carcter de entrada. Si quedan
menos de N caracteres en la entrada, entonces se lee un carcter especial eof en el buffer
despus de los caracteres de entrada. Es decir, eof marca el final del archivo fuente y es
distinto a cualquier carcter de la entrada.


E = M * C * * 2 eof

Inicio
lexema
frente


Se mantienen dos apuntadores en el buffer de entrada. La cadena de caracteres entre los dos
apuntadores es el lexema en curso. Al principio, los dos apuntadores apuntan al primer
carcter del prximo lexema que hay que encontrar. Uno de ellos, apuntador delantero,
examina hacia adelante hasta encontrar una concordancia con un patrn. Una vez determinado
el siguiente lexema, el apuntador delantero se coloca en el carcter de su extremo derecho.
Despus de haber procesado el lexema, ambos apuntadores se colocan en el carcter situado
inmediatamente despus del lexema. Con este esquema se pueden considerar los comentarios
y los espacios en blanco como patrones que no producen componentes lxicos.

Centinela Corrigiendo la deficiencia del mtodo anterior para reducir la necesidad de dos
pruebas para cada avance del apuntador delantero. Se amplia cada mitad del buffer para
admitir un carcter centinela al final. De esta manera se vuelve mas eficiente el proceso de
cargar del buffer, realizando una carga en cada mitad.


E = M * \0 C * * 2 \0 eof

inicio
lexema
frente


El manejo de buffer es una labor puramente de programacin y se recomienda realizarla de la
manera que resulte mas sencilla, no es necesario apegarse a alguno de los dos mtodos antes
mencionados.

2.4 Jerarqua de Chomsky
En el campo de las ciencias computacionales y especficamente en el rea de los lenguajes
formales la jerarqua de Chomsky es una clase de gramtica formal, que describe de manera
precisa un lenguaje. Las gramticas formales o gramticas suelen ser clasificadas en dos
grandes tipos: las gramticas generativas, que en base a un conjunto de reglas nos indican
como formar cadenas del lenguaje. Y las gramticas analticas, que nos indican como esos
miembros del lenguaje pertenecen a un orden especifico.

Una gramtica formal consiste de:

o Un conjunto finito de smbolos terminales
o Un conjunto finito de smbolos no terminales
o Un conjunto finito de reglas de produccin que consiste de una secuencia de stos
smbolos
o Un smbolo inicial

Un lenguaje formal o gramtica formal es una secuencia de smbolos que podran ser
construidos aplicando reglas de produccin para esas secuencias de smbolos, y podran en
casi todos los casos describir de manera precisa un lenguaje de programacin.

UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
4
La jerarqua de Chomsky consiste de los siguientes niveles de gramticas:

o Gramticas sin restricciones (Tipo-0), son capaces de generar todos los lenguajes
reconocidos por una maquina de Turing.

o Gramticas de contexto sensitivo (Tipo-1), son lenguajes capaces de ser reconocidos por
una maquina de Turing no determinista.

o Gramticas libres de contexto (Tipo-2), estos lenguajes son exactamente todos aquellos
lenguajes que pueden ser reconocidos por un autmata de pila no-determinstico. Las
gramticas libres de contexto son la base terica para la construccin de la sintaxis en la
mayora de los lenguajes de programacin.

o Gramticas regulares (Tipo-3), son exactamente todos los lenguajes que pueden ser
reconocidos por un autmata de estado finito. Esta familia de lenguajes formales puede ser
obtenida a partir de una expresin regular. Las expresiones regulares son comnmente
usadas para realizar la bsqueda de patrones en estructuras lxicas de lenguajes de
programacin.

2.5 Especificaciones de componentes lxicos
Las expresiones regulares son una notacin importante para especificar patrones. Cada patrn
concuerda con una serie de cadenas que, de modo que las expresiones regulares servirn
como nombres para conjuntos de cadenas. El trmino alfabeto denota cualquier conjunto finito
de smbolos, por ejemplo el alfabeto binario { 0, 1 }. Una cadena es una secuencia de finita de
smbolos de un alfabeto y un lenguaje se refiere a conjunto de cadenas de un alfabeto fijo.

2.5.1 Expresiones Regulares
El origen de las expresiones regulares surge de la teora de autmatas y la teora de lenguajes
formales, ambas parte de la ciencias computacionales terica. Este campo estudia los modelos
computacionales (autmata) y la manera de describir y clasificar los lenguajes formales. Un
lenguaje formal puede ser especificado de varias maneras, tales como:

Cadenas producidas por alguna gramtica formal.
Cadenas producidas por expresiones regulares.
Cadenas aceptadas por algunos autmatas tales como las maquinas de Turing o
autmatas de estado finito.

A las expresiones regulares frecuentemente se les llaman patrones, ya que son expresiones
que describen a un conjunto de cadenas. Frecuentemente son usadas para dar una
descripcin concisa de un conjunto, sin tener que listar todos sus elementos.

Las expresiones regulares pueden ser expresadas en trminos de la teora de lenguajes
formales. Consisten de constantes y operadores que denotan el conjunto de cadenas y
operaciones sobre estos conjuntos, respectivamente. Dado un alfabeto las siguientes
constantes son definidas:

o Conjunto vaco: L( ) denota el conjunto { }
o Cadena vaca: L( ) denota el conjunto { }
o Carcter del alfabeto: L( a ), a elemento de denota el conjunto { a }


Operaciones bsicas en expresiones regulares

Seleccin de alternativas (unin) Si r y s son expresiones regulares, entonces r | s es una
expresin regular que define cualquier cadena que concuerda con r o con s. En trminos de
lenguajes decimos que r | s es la unin de los lenguajes de r y s, o L(r | s) = L(r) U L(s) = { |
esta en r o esta en s }.
UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
5

ejemplo:

o L(a | b) = L(a ) U L(b) = { a, b }
o L(a | ) = { a, }
o L(a | b | c | d ) = { a, b, c, d }

Concatenacin La concatenacin de dos expresiones regulares r y s se escribe como rs
(yuxtaposicin) y corresponde a cualquier cadena que sea la concatenacin de dos cadenas,
con la primera de ellas correspondiendo a r y la segunda a s. Por ejemplo la expresin regular
ab corresponde a la cadena { ab }, mientras que la expresin regular (a | b)c corresponde a las
cadenas { ac, bc }. De esta forma la operacin de concatenacin para expresiones regulares se
puede definir como L(rs) = L(r) L(s) = { | esta en r y esta en s }.

ejemplo:

o L(a | b) c = L(a | b) L(c) = { a, b } {c} = { ac, bc }
o L(ab|c)(d|ef)=L(ab|c)L(d|ef)={ab,c}{d,ef}={abd, abef, cd, cef}

Repeticin (cerradura de Kleene) Se escribe r*, donde r corresponde a la expresin regular.
La expresin regular r* corresponde a cualquier concatenacin finita de cadenas, cada una de
las cuales corresponde a r. Por ejemplo, la expresin regular a* corresponde a las cadenas { ,
a, aa, aaa, }, (concuerda con por que es la concatenacin de ninguna cadena
concordante con a). En trminos de lenguaje podemos decir que:

U

=
=
0
*
n
n
S S


Donde S
n
= S S es la concatenacin de S n veces (S
0
= { }).

ejemplo:

o L(a|b)* = {a, bb}* = {,a,bb,aa,abb,bba,bbbb,aaa,abba,abbbb,...}
o L(a | b*) = {a, b*} = { , a, b, bb, bbb, ...}
o L(ab|c)* = {ab,c}* = {, ab, c, abab, abc, cab, cc, ababab,...}

Para evitar los parntesis se asume que la repeticin tiene la precedencia mas alta, luego la
concatenacin y al final la unin. Si no existiera ambigedad los parntesis pueden ser
omitidos . Por ejemplo , (ab)c se escribe como abc y a|(b(c*)) puede ser escrito como a|bc*.

De manera que los lenguajes regulares deben su nombre al hecho de que presentan
regularidades o repeticiones de los mismo componentes, como por ejemplo el lenguaje L
1
:

L
1
={ab, abab, ababab, abababab, ...}

As pues, una expresin regular se construye a partir de expresiones regulares mas simples
utilizando un conjunto de reglas definitorias (operaciones bsicas). Cada expresin regular r
representa un lenguaje L(r). Las reglas de definicin especifican como se forma L(r)
combinando de varias maneras los lenguajes representados por las subexpresiones de r.

Se dice que un lenguaje designado por una expresin regular es un conjunto regular. Es
importante recordar que la especificacin de una expresin regular es un ejemplo de definicin
recursiva.

Definicin regular: Es una forma de simplificacin, dando un nombre a las expresiones
regulares y definiendo nuevas expresiones regulares utilizando dichos nombres como si fueran
smbolos. Por ejemplo, podramos desarrollar una expresin regular para una secuencia de uno
o mas dgitos, generando inicialmente una definicin regular para un digito.

digito = 0 | 1 | 2 | | 9 (definicin regular)
digito digito* (expresin regular para nmeros enteros sin signo)
UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
6

Ahora estamos en posicin de elaborar la una definicin de expresiones regulares para la
identificacin de los componentes de un lenguaje determinado. Los tokens de lenguajes de
programacin tiende a caer dentro de varias categoras limitadas que son bastante
estandarizadas, como palabras reservadas, smbolos especiales, identificadores y literales
(numrica/cadena).

Por ejemplo los identificadores en la mayora de los lenguajes de programacin es el conjunto
de cadenas de letras y dgitos que empiezan con una letra. Para ello generamos las
definiciones regulares para letra y digito:

letra = a | b | c | | z | A | B | Z
digito = 0 | 1 | 2 | | 9
identificador = letra ( letra | digito )*

Los nmeros con signo son literales numricas constituidas por el punto decimal despus de
un digito y por una literal que represente la parte del exponente. Con esta informacin
desarrollamos las definiciones regulares y las expresiones regulares necesarias:

((+||)digito digito*) ((. digito)|) ((E(+||)digito)|)

entero = (+||) digito digito*
fraccin = ( . digito ) |
exponente = ( E ( + | | ) digito ) |

numero = digito fraccin exponente

Esta definicin establece que fraccin es un punto decimal seguido de uno o mas dgitos, o
esta ausente. Un exponente, que es E seguido de un signo + - ausente, seguidos de uno o
mas dgitos, o la ausencia de exponente. Tome en cuanta que, como mnimo debe existir un
dgito despus del punto. De manera que numero concuerda con 1 y con 1.0.

Abreviaturas en la notacin

o Uno o mas casos el operador unitario postfijo
+
significa uno o mas casos de, de manera
que la expresin regular r que designa al lenguaje L(r), entonces r
+
es una expresin que
designa al lenguaje L(r)
+
. As la expresin regular a
+
representa al conjunto de todas las
cadenas de una o mas a. El operador
+
tiene la misma precedencia que la repeticin, las
identidades algebraicas son r* = r | y r
+
= r r*.

o Cero o un caso el operado unitario postfijo ? significa cero o un caso de. La notacin r?
es la abreviatura de r | . Si r es una expresin regular, entonces (r)? es una expresin
regular que designa el lenguaje L(r) U { }.

o Clases de caracteres una clase abreviada de caracteres como [a z] designa la
expresin regular a | b | c | | z.

A menudo en la descripcin de los tokens de lenguaje de programacin utilizamos expresiones
regulares, algunas cadenas se pueden definir mediante varias expresiones regulares
diferentes, Por ejemplo, cadenas tales como if y while podran se identificadores o palabras
clave.

Una definicin de lenguaje de programacin debe establecer cual interpretacin se observar,
y las expresiones regulares por si mismas no pueden hacer esto. En realizad, una definicin de
lenguaje debe proporcionar reglas de de no ambigedad que explicaran cual significado es el
conveniente para cada uno de tales casos.

Existen dos reglas bsicas que suponen tales casos:

o La primera establece que, cuando una cadena puede ser identificador o palabra clave, se
prefiere por lo general la interpretacin como palabra clave.
UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
7

o La segunda establece que, cuando una cadena puede ser un token simple o una secuencia
de varios tokens, por lo comn se prefiere la interpretacin del token simple. Esta
preferencia se conoce a menudo como el principio de sub-cadena mas larga.

Una cuestin que surge en el principio de sub-cadena mas larga es lo referente a los
delimitadores de tokens, o caracteres que implican que una cadena mas larga en el punto
donde aparecen no pueden representar un token. Los caracteres que son parte no ambigua de
otros tokens son delimitadores. Por ejemplo xtemp=ytem, el signo de = sirve como delimitador
pues no forma parte de los identificadores. Los espacios en blanco, los retornos de lnea y los
caracteres de tabulacin generalmente se asumen como delimitadores de token.

De esta manera el reconocimiento de componentes lxicos podra realizarse partiendo del
conjunto de cadenas dadas por expresiones regulares. Por ejemplo:

if = if
else = else
oprelacion = < | <= | = | <> | > | >=
identificador = letra ( letra | digito )*
entero = ( + | )? digito
+

real = ( + | )? digito
+
( . digito
+
)? ( E ( + | )? digito
+
)?

delimitador = blanco | tab | nuevalnea

Para este fragmento de lenguaje, el analizador lxico reconocer las palabras clave if, else, al
igual que los lexemas representados por opRelacion, identificador, numero y delimitador.

An cuando las expresiones regulares son un mecanismo poderoso de definicin de lenguajes,
es necesario construir una herramienta computacional que nos permita su implementacin,
para ello se emplean los autmatas de estado finito. Es decir que, las expresiones regulares
debern ser transformadas a algn tipo de maquina de estados fcil de programar.

2.6 Reconocimiento de componentes lxico
Un reconocedor de lenguajes es un programa que toma como entrada una cadena x e indica si
dicha cadena pertenece a una frase del programa. Se compila una expresin regular en un
reconocedor construyendo un diagrama de transiciones generalizado llamado autmata finito.
Un autmata finito puede ser determinista o no determinista, dependiendo del nmero de
transiciones para un mismo smbolo de entrada. Tanto los autmatas finitos deterministas
como los no deterministas pueden reconocer con precisin a los conjuntos regulares. Por tanto,
ambos pueden reconocer con precisin lo que denotan las expresiones regulares.

2.6.1 Autmatas finitos
Una maquina de estado finito o autmata finito, es un modelo computacional que consiste de
un conjunto de estados, un estado de inicio, un alfabeto de entrada y una funcin de transicin
que traza un mapa a un siguiente estado, a partir del smbolo de entrada y el estado actual.

En particular, los autmatas finitos se pueden utilizar para describir el proceso de
reconocimiento de patrones en cadenas de entrada. El sistema recibe una cadena constituida
por smbolos de un alfabeto y determina si esa cadena pertenece al lenguaje que ese autmata
reconoce. De esta manera se pueden construir analizadores lxicos, construyendo programas
de computadora que realicen las operaciones de un autmata.
Es claro que existe una fuerte relacin entre los autmatas y las expresiones regulares, y
veremos mas adelante como construir un autmata finito a partir de una expresin regular.

2.6.2 Autmata finito no determinstico

UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
8
2.6.3 Autmata finito determinstico
Un autmata finito determinista (DFA por sus siglas en ingles), es un modelo donde el siguiente
estado de la transicin esta dado particularmente por el estado actual y el carcter de entrada
actual. Si ningn estado de transicin es especificado, la cadena entrante es rechazada.

La siguiente definicin formalmente introduce un DFA, ( S, , T, s, A ) donde:

o S conjunto finito no vaco de elementos llamado estados
o alfabeto de entrada
o T es una funcin de transicin de S en S
o sS estado inicial
o A S conjunto no vaco de estados finales

El ADF se encuentra en un estado inicial y lee una entrada de cadena de caracteres de
izquierda a derecha. La funcin de transicin T define los estados de transicin y es denotada
por T ( s
i
,c ) = s
i+1
, donde s
i
y s
i+1
son estados de S, y c es un carcter del alfabeto de entrada.
La funcin de transicin indica que cuando un autmata esta en un estado s
i
y recibe el
siguiente smbolo de entrada c, el autmata deber cambiar al estado s
i+1
. El carcter de
entrada no causara transicin en caso de ser un carcter vaci.

El siguiente ejemplo nos muestra un autmata que reconoce cadenas de lenguaje para una
expresin regular ( a | b )* abb. El conjunto de estados del DFA es { 0, 1, 2, 3 } y el alfabeto de
smbolos de entrada es { a, b }. Se considera 0 como el estado de inicio, y 3 el estado de
aceptacin que esta indicado mediante un doble circulo. La siguiente funcin define dicho
autmata:
F = ({ 0, 1, 2, 3 }, { a, b }, T, 0, { 3 } )

Donde T es la tabla de transicin que refleja el patrn de la expresin regular que estamos
evaluando T ( s
i
,c ) = s
i+1
definida como:

Smbolos de entrada
Estado a b
0 1 0
1 1 2
2 1 3
3 1 0

La tabla de transicin tambin puede ser representada mediante un grafo de transicin, donde
cada nodo representa los posibles estados y las lneas reflejan el flujo de la transicin que
registran un cambio de un estado a otro en una coincidencia de carcter el estado 0 es
considerado el inicio de la transicin y el estado 3 (doble circulo) representa el fin de la
transicin o estado de aceptacin:

a b
a
b
a
0 1 2 3
a
b b


Justamente el autmata que se acaba de disear es capas de aceptar cadenas de entrada que
pertenezcan a la expresin regular dada anteriormente, es decir, { abb, aabb, babb, ababb,
baabb, aaabb, }. Cualquier cadena de entrada que no corresponda con dicho patrn ser
considerada como ajena al lenguaje, es decir, terminar en cualquier punto que no sea 3 (fin de
la transicin) es considerado como un posible error.

Igualmente es posible disear un algoritmo que realice exactamente las mismas operaciones
que el autmata dado anteriormente para la expresin regular ( a | b )* abb. As pues,
UAA Sistemas Electrnicos Compiladores Eduardo Serna-Prez
9
consideremos que la funcin de transicin (siguiente estado) desde un estado s en un carcter
de entrada c, esta dada por una operacin de seleccin de estado (case en s). Adems
consideraremos la existencia de una funcin sigtecar() que devuelve el siguiente carcter de la
cadena de entrada, obteniendo el siguiente algoritmo:

s = 0;
c = sigtecar( cadena );
while ( c != \0 ) {
case ( s ) {
0: s = ( c == b )? 0 : 1
1: s = ( c == b )? 2 : 1
2: s = ( c == b )? 3 : 1
3: s = ( c == b )? 0 : 1
}
c = sigtecar( cadena )
}
if ( s == 3 ) cadena valida

Dicho algoritmo es capas de evaluar una entrada de cadena y determinar si la misma forma
parte del patrn especificado por la expresin regular dada. Si el algoritmo llega a un fin de
cadena con un estado de aceptacin 3, quiere decir que dicha cadena es valida o concuerda
con el patrn.

Ahora estamos en posicin de poder construir autmatas mas elaborados partiendo de las
expresiones regulares ya definidas, por ejemplo, pensemos en la definicin regular para un
identificador que esta compuesta por la siguiente expresin regular letra ( letra | digito )*, para
este caso considerremos el conjunto de estados como 2 { 0, 1 }, el alfabeto de entrada estar
compuesto de las definiciones regulares letra y digito. El 0 es considerado como el inicio y 1
como el fin de la transicin.

De esta manera generamos el siguiente diagrama de transicin para un identificador:

letra
digito
0 1
letra





Bibliografa

Aho, A.V., Sethi, R., Ullman, J.D. (1990), Compiladores: principios, tcnicas y herramientas,
capitulo 1, pginas: 1- 25, 743-747.

Louden, K.C. (1997), Construccin de Compiladores: Principios y prctica, capitulo 1, pginas:
1- 27.

http://en.wikipedia.org/wiki/Compiler