Python手写词法分析器：基于正则表达式的Tokenizer实现
词法分析是编译和解析的第一步——把一串原始字符拆成有类型的记号（Token）。Python标准库的 re 模块提供了足够的正则能力，配合 re.compile 和命名分组，几十行代码就能写出一个可用的 Tokenizer。本文从 Token 的定义开始，逐步构建一个完整的手写词法分析器，最终用它处理一段简单的算术表达式源码。
一、词法分析器做什么
词法分析器（Lexer / Tokenizer）的输入是一段源代码字符串，输出是一个 Token 序列。每个 Token 至少包含两个信息：类型（比如 NUMBER、IDENTIFIER、PLUS）和值（对应源码中的原始文本）。有些实现还会记录行号和列号，方便后续报错。
以表达式 x = 3 + 42 * y 为例，词法分析器应该输出如下 Token 序列：
| 类型 | 值 |
|---|---|
| IDENTIFIER | x |
| ASSIGN | = |
| NUMBER | 3 |
| PLUS | + |
| NUMBER | 42 |
| STAR | * |
| IDENTIFIER | y |
空格和换行通常在这一步被丢弃（除非语言语法需要它们）。遇到无法识别的字符时，词法分析器应该报错并指出位置。
二、用命名分组构建主正则
手写 Tokenizer 最直接的办法是：为每种 Token 写一条正则，然后用 |（或运算）把它们合并成一条大正则。Python 的命名分组 (?P<NAME>...) 能让我们在匹配成功后直接知道命中了哪种 Token。
需要注意的是，re 模块要求同一正则里命名分组不能重名。在合并时，每种 Token 类型的名字就是分组名，不会冲突。
定义 Token 规则
用一个列表存储每种 Token 的名称和对应正则。顺序很重要：正则引擎从左到右尝试匹配，把更长、更具体的模式放前面。比如 >= 必须排在 > 前面，关键字 if 要在普通标识符之前用 \b 限定边界。
import re
from typing import NamedTuple
# Token 数据结构
class Token(NamedTuple):
type: str # Token 类型
value: str # 原始文本
line: int # 行号
column: int # 列号
# Token 规则列表：(类型名, 正则表达式)
TOKEN_SPEC = [
('NUMBER', r'\d+(\.\d*)?'), # 整数或小数
('ASSIGN', r'='), # 赋值
('PLUS', r'\+'), # 加号
('MINUS', r'-'), # 减号
('STAR', r'\*'), # 乘号
('SLASH', r'/'), # 除号
('LPAREN', r'\('), # 左括号
('RPAREN', r'\)'), # 右括号
('IDENT', r'[A-Za-z_]\w*'), # 标识符
('NEWLINE', r'\n'), # 换行
('SKIP', r'[ \t]+'), # 空格和制表符（跳过）
('MISMATCH', r'.'), # 无法识别的字符
]几点说明：
NUMBER放在IDENT前面，因为\d+不会和标识符冲突，但顺序清晰更易维护。SKIP用来吃掉空白，匹配后不生成 Token。MISMATCH放在最后，任何前面都没匹配上的字符会落到这里，触发报错。
合并正则
把所有规则用 | 拼接成一条带命名分组的正则：
tok_regex = '|'.join(
f'(?P<{name}>{pattern})' for name, pattern in TOKEN_SPEC
)
master_pat = re.compile(tok_regex)合并后的正则大致形如：
(?P<NUMBER>\d+(\.\d*)?)|(?P<ASSIGN>=)|(?P<PLUS>\+)|... re.finditer 会从左到右依次尝试每个分支，返回第一个成功的匹配。只要规则顺序正确，就能保证最长匹配优先。
三、完整的 Tokenizer 实现
把上面的准备工作整合成一个 tokenize 函数。它接收源代码字符串，返回 Token 生成器：
import re
from typing import NamedTuple, Generator
class Token(NamedTuple):
type: str
value: str
line: int
column: int
TOKEN_SPEC = [
('NUMBER', r'\d+(\.\d*)?'),
('ASSIGN', r'='),
('PLUS', r'\+'),
('MINUS', r'-'),
('STAR', r'\*'),
('SLASH', r'/'),
('LPAREN', r'\('),
('RPAREN', r'\)'),
('IDENT', r'[A-Za-z_]\w*'),
('NEWLINE', r'\n'),
('SKIP', r'[ \t]+'),
('MISMATCH', r'.'),
]
def tokenize(code: str) -> Generator[Token, None, None]:
tok_regex = '|'.join(
f'(?P<{name}>{pattern})' for name, pattern in TOKEN_SPEC
)
master_pat = re.compile(tok_regex)
line_num = 1
line_start = 0
for mo in master_pat.finditer(code):
kind = mo.lastgroup # 命中的分组名
value = mo.group() # 匹配到的文本
column = mo.start() - line_start + 1
if kind == 'NUMBER':
# 如果包含小数点就转 float，否则 int
# 这里只记录原始文本，类型转换留给后续阶段
pass
elif kind == 'NEWLINE':
line_num += 1
line_start = mo.end()
continue
elif kind == 'SKIP':
continue
elif kind == 'MISMATCH':
raise RuntimeError(
f'第 {line_num} 行第 {column} 列：'
f'无法识别的字符 {value!r}'
)
yield Token(kind, value, line_num, column)几个关键点：
mo.lastgroup返回匹配成功的命名分组名称，直接就是 Token 类型。- 行号和列号通过记录每行起始位置来计算，不需要逐字符扫描。
NEWLINE和SKIP匹配后执行continue，不产出 Token。- 遇到
MISMATCH抛异常，附带准确的位置信息。
四、测试运行
写一段测试代码验证 Tokenizer 的输出：
source = '''x = 3 + 42
result = x * (y - 1)
'''
print(f'{"类型":<12} {"值":<10} {"行":<4} {"列":<4}')
print('-' * 36)
for tok in tokenize(source):
print(f'{tok.type:<12} {tok.value:<10} {tok.line:<4} {tok.column:<4}')示例输出：
类型 值 行 列
------------------------------------
IDENT x 1 1
ASSIGN = 1 3
NUMBER 3 1 5
PLUS + 1 7
NUMBER 42 1 9
IDENT result 2 1
ASSIGN = 2 8
IDENT x 2 10
STAR * 2 12
LPAREN ( 2 14
IDENT y 2 15
MINUS - 2 17
NUMBER 1 2 19
RPAREN ) 2 20每个 Token 的类型、值、行号、列号都准确对应源码位置。如果源码中出现 # 或 @ 等未定义的字符，MISMATCH 规则会触发异常并报出具体位置。
五、如何扩展
上面的 Tokenizer 处理的是简单算术表达式。实际应用中，可以按需扩展规则。下面列出几个常见方向。
添加关键字识别
许多语言有保留关键字（如 if、while、return）。一种做法是先按 IDENT 匹配，再在生成 Token 时查表替换类型：
KEYWORDS = {'if', 'else', 'while', 'return', 'def'}
# 在 tokenize 函数中，匹配到 IDENT 后加入：
if kind == 'IDENT' and value in KEYWORDS:
kind = value.upper() # 'if' -> 'IF', 'while' -> 'WHILE'这比为每个关键字写一条正则更简洁，也不容易因为顺序出错。
支持字符串字面量
在 TOKEN_SPEC 中添加字符串规则。双引号字符串的正则可以写成：
('STRING', r'"[^"\\]*(?:\\.[^"\\]*)*"'),这条正则处理了转义字符的情况（如 \"），需要放在 MISMATCH 之前。
支持注释
行注释通常匹配到行末：
('COMMENT', r'#[^\n]*'),把 COMMENT 和 SKIP 一样处理——匹配后跳过，不生成 Token。
六、常见问题与注意事项
规则顺序导致错误匹配
如果把 IDENT 放在 NUMBER 前面，像 3abc 这样的输入会先把 3 匹配为 IDENT 的一部分吗？不会——因为 [A-Za-z_]\w* 要求首字符是字母或下划线。但如果规则之间有真正的前缀冲突，顺序就至关重要。比如 == 和 =，如果 = 在前，== 永远不会被匹配到，因为引擎在第一个 = 处就成功返回了。
通用规则：更长的模式放前面，关键字用 \b 约束词边界。
性能考虑
re.finditer 在 CPython 中由 C 实现的正则引擎驱动，对于几千行的源码足够快。如果源码规模达到数万行，可以考虑：
- 预编译正则（本文已经使用
re.compile）。 - 使用
re.Scanner（非公开API，但功能类似，一些老项目在用）。 - 对性能要求极高的场景，换用 C 扩展或
mmap读取文件。
与 tokenize 标准库的区别
Python 自带 tokenize 模块，可以对 Python 源码做词法分析。它的规则完整覆盖了 Python 语法，包括缩进 Token（INDENT / DEDENT）、f-string 等。手写 Tokenizer 的意义在于：理解原理、为自定义语言或 DSL 构建解析器的第一步。
七、完整代码汇总
把上面所有部分合并成一个可以直接运行的脚本：
import re
from typing import NamedTuple, Generator
class Token(NamedTuple):
type: str
value: str
line: int
column: int
TOKEN_SPEC = [
('NUMBER', r'\d+(\.\d*)?'),
('ASSIGN', r'='),
('PLUS', r'\+'),
('MINUS', r'-'),
('STAR', r'\*'),
('SLASH', r'/'),
('LPAREN', r'\('),
('RPAREN', r'\)'),
('IDENT', r'[A-Za-z_]\w*'),
('NEWLINE', r'\n'),
('SKIP', r'[ \t]+'),
('MISMATCH', r'.'),
]
KEYWORDS = {'if', 'else', 'while', 'return', 'def'}
def tokenize(code: str) -> Generator[Token, None, None]:
tok_regex = '|'.join(
f'(?P<{name}>{pattern})' for name, pattern in TOKEN_SPEC
)
master_pat = re.compile(tok_regex)
line_num = 1
line_start = 0
for mo in master_pat.finditer(code):
kind = mo.lastgroup
value = mo.group()
column = mo.start() - line_start + 1
if kind == 'NUMBER':
pass
elif kind == 'IDENT' and value in KEYWORDS:
kind = value.upper()
elif kind == 'NEWLINE':
line_num += 1
line_start = mo.end()
continue
elif kind == 'SKIP':
continue
elif kind == 'MISMATCH':
raise RuntimeError(
f'第 {line_num} 行第 {column} 列：'
f'无法识别的字符 {value!r}'
)
yield Token(kind, value, line_num, column)
# ---------- 测试 ----------
if __name__ == '__main__':
source = '''x = 3 + 42
result = x * (y - 1)
if x return y
'''
print(f'{"类型":<12} {"值":<10} {"行":<4} {"列":<4}')
print('-' * 36)
for tok in tokenize(source):
print(f'{tok.type:<12} {tok.value:<10} {tok.line:<4} {tok.column:<4}')这段代码可以保存为 tokenizer.py，直接用 python tokenizer.py 运行，输出全部 Token 及其位置。
整个 Tokenizer 的核心不到 50 行。理解了这个模式之后，无论是为模板引擎写解析器、为配置文件定义格式，还是为自制编程语言搭建前端，都可以从这里开始，逐步添加规则、扩展功能。正则负责字符层面的匹配，命名分组负责分类，finditer 负责推进位置——三者配合，就是一个完整的词法分析器。
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
