Add identifier interning and keyword lexing
This commit is contained in:
3
base.c
3
base.c
@@ -1,4 +1,7 @@
|
||||
#define panicf(...) base_panicf(__FILE__, __LINE__, __VA_ARGS__)
|
||||
#define len(x) (sizeof((x))/sizeof((x)[0]))
|
||||
#define ilen(x) ((int)len(x))
|
||||
|
||||
|
||||
_Noreturn
|
||||
void base_panicf(char *file, int line, const char *fmt, ...) {
|
||||
|
||||
184
lex.c
184
lex.c
@@ -18,6 +18,7 @@ typedef struct Token {
|
||||
|
||||
union {
|
||||
uint64_t u;
|
||||
char *intern;
|
||||
};
|
||||
} Token;
|
||||
|
||||
@@ -32,6 +33,92 @@ typedef struct Lexer {
|
||||
uint8_t preproc;
|
||||
} Lexer;
|
||||
|
||||
|
||||
uint64_t hash_bytes(char *data, size_t len) {
|
||||
uint64_t h = 1469598103934665603ull;
|
||||
for (size_t i = 0; i < len; i++) {
|
||||
h ^= (unsigned char)data[i];
|
||||
h *= 1099511628211ull;
|
||||
}
|
||||
return h;
|
||||
}
|
||||
|
||||
char *global_intern_table[4096];
|
||||
char intern_arena[4096*6];
|
||||
int intern_arena_len;
|
||||
|
||||
char *lex_alloc_string(int len) {
|
||||
char *result = intern_arena + intern_arena_len;
|
||||
intern_arena_len += len + 1;
|
||||
assert(intern_arena_len < ilen(intern_arena));
|
||||
return result;
|
||||
}
|
||||
|
||||
char *make_intern(char *string, int len) {
|
||||
uint64_t hash = hash_bytes(string, len);
|
||||
int index = hash % ilen(global_intern_table);
|
||||
for (int i = 0; i < ilen(global_intern_table); i += 1) {
|
||||
if (global_intern_table[index] == NULL) {
|
||||
global_intern_table[index] = lex_alloc_string(len + 1);
|
||||
memcpy(global_intern_table[index], string, len);
|
||||
global_intern_table[index][len] = 0;
|
||||
return global_intern_table[index];
|
||||
} else if (global_intern_table[index] && (memcmp(global_intern_table[index], string, len) == 0)) {
|
||||
return global_intern_table[index];
|
||||
}
|
||||
index += 1;
|
||||
index = index % ilen(global_intern_table);
|
||||
}
|
||||
assert(!"invalid codepath");
|
||||
return NULL;
|
||||
}
|
||||
|
||||
char *lex_first_keyword = NULL;
|
||||
char *lex_last_keyword = NULL;
|
||||
#define lex_add_keyword(x) make_intern(x, ilen(x) - 1)
|
||||
|
||||
void lex_init_keywords(void) {
|
||||
lex_first_keyword = lex_add_keyword("auto");
|
||||
lex_add_keyword("break");
|
||||
lex_add_keyword("case");
|
||||
lex_add_keyword("char");
|
||||
lex_add_keyword("const");
|
||||
lex_add_keyword("continue");
|
||||
lex_add_keyword("default");
|
||||
lex_add_keyword("do");
|
||||
lex_add_keyword("double");
|
||||
lex_add_keyword("else");
|
||||
lex_add_keyword("enum");
|
||||
lex_add_keyword("extern");
|
||||
lex_add_keyword("float");
|
||||
lex_add_keyword("for");
|
||||
lex_add_keyword("goto");
|
||||
lex_add_keyword("if");
|
||||
lex_add_keyword("inline");
|
||||
lex_add_keyword("int");
|
||||
lex_add_keyword("long");
|
||||
lex_add_keyword("register");
|
||||
lex_add_keyword("restrict");
|
||||
lex_add_keyword("return");
|
||||
lex_add_keyword("short");
|
||||
lex_add_keyword("signed");
|
||||
lex_add_keyword("sizeof");
|
||||
lex_add_keyword("static");
|
||||
lex_add_keyword("struct");
|
||||
lex_add_keyword("switch");
|
||||
lex_add_keyword("typedef");
|
||||
lex_add_keyword("union");
|
||||
lex_add_keyword("unsigned");
|
||||
lex_add_keyword("void");
|
||||
lex_add_keyword("volatile");
|
||||
lex_last_keyword = lex_add_keyword("while");
|
||||
}
|
||||
|
||||
bool lex_is_keyword(char *string) {
|
||||
bool result = string >= lex_first_keyword && string <= lex_last_keyword;
|
||||
return result;
|
||||
}
|
||||
|
||||
void lex_advance(Lexer *lex) {
|
||||
if (lex->at >= lex->end) {
|
||||
return;
|
||||
@@ -39,17 +126,13 @@ void lex_advance(Lexer *lex) {
|
||||
|
||||
if (*lex->at == '\n') {
|
||||
lex->line++;
|
||||
lex->preproc = false;
|
||||
lex->column = 0;
|
||||
} else {
|
||||
lex->column++;
|
||||
}
|
||||
|
||||
if (*lex->at == '\n') {
|
||||
lex->preproc = false;
|
||||
lex->at += 1;
|
||||
} else {
|
||||
lex->at += 1;
|
||||
}
|
||||
lex->at += 1;
|
||||
}
|
||||
|
||||
void eat_whitespace(Lexer *lex) {
|
||||
@@ -121,31 +204,6 @@ Token lex_token(Lexer *lex) {
|
||||
}
|
||||
|
||||
char c = *lex->at;
|
||||
|
||||
if (isdigit(c)) {
|
||||
t.kind = TOK_INT;
|
||||
while (lex->at < lex->end && isdigit(*lex->at)) {
|
||||
lex_advance(lex);
|
||||
}
|
||||
|
||||
// @todo: proper lexing of floats (as well as postfixes)
|
||||
if (lex->at < lex->end && *lex->at == '.') {
|
||||
t.kind = TOK_FLOAT;
|
||||
lex_advance(lex);
|
||||
|
||||
while (lex->at < lex->end && isdigit(*lex->at)) {
|
||||
lex_advance(lex);
|
||||
}
|
||||
}
|
||||
|
||||
if (t.kind == TOK_INT) {
|
||||
t.u = strtoull(t.str, NULL, 10);
|
||||
}
|
||||
|
||||
t.len = (int)(lex->at - t.str);
|
||||
return t;
|
||||
}
|
||||
|
||||
lex_advance(lex);
|
||||
|
||||
switch (c) {
|
||||
@@ -180,6 +238,27 @@ Token lex_token(Lexer *lex) {
|
||||
case '|': t.kind = lex_repeat_or_assign(lex, '|', TOK_BITOR, TOK_OR, TOK_OR_ASSIGN); break;
|
||||
case '^': t.kind = lex_assign_variant(lex, TOK_BITXOR, TOK_XOR_ASSIGN); break;
|
||||
|
||||
case '0': case '1': case '2': case '3': case '4': case '5': case '6': case '7': case '8': case '9': {
|
||||
t.kind = TOK_INT;
|
||||
while (lex->at < lex->end && isdigit(*lex->at)) {
|
||||
lex_advance(lex);
|
||||
}
|
||||
t.u = strtoull(t.str, NULL, 10);
|
||||
} break;
|
||||
|
||||
case 'a': case 'b': case 'c': case 'd': case 'e': case 'f': case 'g': case 'h': case 'i': case 'j':
|
||||
case 'k': case 'l': case 'm': case 'n': case 'o': case 'p': case 'q': case 'r': case 's': case 't':
|
||||
case 'u': case 'v': case 'w': case 'x': case 'y': case 'z':
|
||||
case 'A': case 'B': case 'C': case 'D': case 'E': case 'F': case 'G': case 'H': case 'I': case 'J':
|
||||
case 'K': case 'L': case 'M': case 'N': case 'O': case 'P': case 'Q': case 'R': case 'S': case 'T':
|
||||
case 'U': case 'V': case 'W': case 'X': case 'Y': case 'Z':
|
||||
case '_': {
|
||||
t.kind = TOK_IDENT;
|
||||
while (lex->at < lex->end && (isalnum(*lex->at) || *lex->at == '_')) {
|
||||
lex_advance(lex);
|
||||
}
|
||||
} break;
|
||||
|
||||
case '#': {
|
||||
t.kind = TOK_HASH;
|
||||
lex->preproc = t.preproc = true;
|
||||
@@ -192,6 +271,14 @@ Token lex_token(Lexer *lex) {
|
||||
}
|
||||
|
||||
t.len = (int)(lex->at - t.str);
|
||||
|
||||
if (t.kind == TOK_IDENT) {
|
||||
t.intern = make_intern(t.str, t.len);
|
||||
if (lex_is_keyword(t.intern)) {
|
||||
t.kind = TOK_KEYWORD;
|
||||
}
|
||||
}
|
||||
|
||||
return t;
|
||||
}
|
||||
|
||||
@@ -217,12 +304,12 @@ void assert_token(Token t, Token_Kind kind, char *text, int line, int column) {
|
||||
}
|
||||
|
||||
void lex_test(void) {
|
||||
char *src = "12 + 34.5 * 6\n- 7 % 2 / 1 == 1 != 2 <= 3 >= 4 && 3 || 4 << 1 >> 2";
|
||||
char *src = "12 + 34 * 6\n- 7 % 2 / 1 == 1 != 2 <= 3 >= 4 && 3 || 4 << 1 >> 2";
|
||||
Lexer lex = make_lexer("test.c", src, (int)strlen(src));
|
||||
|
||||
assert_token(lex_token(&lex), TOK_INT, "12", 0, 0);
|
||||
assert_token(lex_token(&lex), TOK_PLUS, "+", 0, 3);
|
||||
assert_token(lex_token(&lex), TOK_FLOAT, "34.5", 0, 5);
|
||||
assert_token(lex_token(&lex), TOK_INT, "34", 0, 5);
|
||||
assert_token(lex_token(&lex), TOK_STAR, "*", 0, 10);
|
||||
assert_token(lex_token(&lex), TOK_INT, "6", 0, 12);
|
||||
assert_token(lex_token(&lex), TOK_MINUS, "-", 1, 0);
|
||||
@@ -257,5 +344,36 @@ void lex_test(void) {
|
||||
Token_Array array = lex_file("test.c", src, (int)strlen(src));
|
||||
assert(array.len == 28);
|
||||
|
||||
char *intern_a = make_intern("hello", 5);
|
||||
char *intern_b = make_intern("hello", 5);
|
||||
char *intern_c = make_intern("world", 5);
|
||||
assert(strcmp(intern_a, "hello") == 0);
|
||||
assert(strcmp(intern_b, "hello") == 0);
|
||||
assert(strcmp(intern_c, "world") == 0);
|
||||
assert(intern_a == intern_b);
|
||||
assert(intern_a != intern_c);
|
||||
|
||||
char *ident_src = "foo _bar baz123 if for while if_ x9";
|
||||
Lexer ident_lex = make_lexer("ident_test.c", ident_src, (int)strlen(ident_src));
|
||||
Token foo = lex_token(&ident_lex);
|
||||
assert_token(foo, TOK_IDENT, "foo", 0, 0);
|
||||
assert(strcmp(foo.intern, "foo") == 0);
|
||||
Token bar = lex_token(&ident_lex);
|
||||
assert_token(bar, TOK_IDENT, "_bar", 0, 4);
|
||||
assert(strcmp(bar.intern, "_bar") == 0);
|
||||
Token baz123 = lex_token(&ident_lex);
|
||||
assert_token(baz123, TOK_IDENT, "baz123", 0, 9);
|
||||
assert(strcmp(baz123.intern, "baz123") == 0);
|
||||
Token kw_if = lex_token(&ident_lex);
|
||||
assert_token(kw_if, TOK_KEYWORD, "if", 0, 16);
|
||||
Token kw_for = lex_token(&ident_lex);
|
||||
assert_token(kw_for, TOK_KEYWORD, "for", 0, 19);
|
||||
Token kw_while = lex_token(&ident_lex);
|
||||
assert_token(kw_while, TOK_KEYWORD, "while", 0, 23);
|
||||
Token ident_if_ = lex_token(&ident_lex);
|
||||
assert_token(ident_if_, TOK_IDENT, "if_", 0, 29);
|
||||
Token ident_x9 = lex_token(&ident_lex);
|
||||
assert_token(ident_x9, TOK_IDENT, "x9", 0, 33);
|
||||
|
||||
printf("lexer tests passed\n");
|
||||
}
|
||||
|
||||
1
main.c
1
main.c
@@ -13,6 +13,7 @@
|
||||
#include "emit_asm_x64.c"
|
||||
|
||||
int main() {
|
||||
lex_init_keywords();
|
||||
vec_test();
|
||||
lex_test();
|
||||
parser_test();
|
||||
|
||||
Reference in New Issue
Block a user