Estructura léxica

Este capítulo describe cómo el compilador separa el texto fuente de un archivo .hoop en tokens: espacios, comentarios, identificadores, palabras clave, literales, operadores y puntuación. Lo que aquí se describe corresponde al analizador léxico (crates/hoop/src/lexer.rs); cómo se combinan los tokens se describe en Expresiones y Declaraciones.

Codificación y posiciones#

El fuente es texto Unicode (UTF-8). El analizador trabaja por caracteres (puntos de código), no por bytes: las columnas de los diagnósticos (archivo:línea:columna) cuentan caracteres desde 1, y cada salto de línea \n incrementa la línea.

Cualquier carácter que Unicode considere espacio en blanco (espacio, tabulación, \r, \n, …) separa tokens y se descarta. Los saltos de línea no tienen significado sintáctico: una declaración puede ocupar varias líneas.

Un carácter que no inicia ningún token es un error:

error E000: unexpected character `@`

Comentarios#

comentario_linea  = "//" { cualquier carácter salvo "\n" } ;
comentario_bloque = "/*" { cualquier carácter } "*/" ;

• // comenta hasta el fin de la línea.
• /* … */ comenta un bloque, que puede abarcar varias líneas. Los bloques no se anidan: el primer */ cierra el comentario.
• Un /* sin su */ es E000: unclosed /* comment.

Los comentarios no afectan el significado; el formateador (hoop fmt, ver Herramientas) los conserva.

// comentario de línea
const borde = 2.5mm /* comentario
                       de bloque */

Identificadores#

identificador = ( letra | "_" ) { letra | dígito | "_" } ;

Una letra es cualquier carácter alfabético Unicode y un dígito, cualquier carácter alfanumérico Unicode; así, ñandú, borde_negro y _x1 son identificadores válidos. Se distinguen mayúsculas de minúsculas (Twill no es twill).

const ñandú = 3mm
const borde_negro = 1.2mm
const _x1 = 2

Nombres calificados#

Un identificador seguido de . y otro identificador sin ( a continuación forma un nombre calificado: club.negro, escudo.center, canvas.width. Se usan para los nombres importados con espacio de nombres (ver Módulos) y para los miembros de una forma con nombre (ver Expresiones § Miembros). Si después del segundo identificador viene (, es una llamada a método (escudo.inset(2mm)). Los miembros y métodos también se aplican al resultado de cualquier expresión: canvas.inset(5mm).center, rect(size: (10mm, 5mm)).width.

Palabras clave#

El analizador léxico no reserva ninguna palabra: todas se leen como identificadores, y el analizador sintáctico las reconoce según el contexto. Las palabras con significado especial son:

Consecuencias de que sean contextuales:

• true y false se evalúan siempre como Bool, aunque exista una constante con ese nombre.
• Una palabra como layer o for puede usarse como nombre de constante (const layer = 2 compila), pero no es recomendable: dentro de una capa, for seguido de un identificador inicia un bucle.
• Al inicio de una declaración, cualquier otra palabra es E000: x is not a declaration (import, design, hoop, thread, const, shape or layer).

Literales#

Números#

número  = cifras [ unidad ] ;
cifras  = ( dígito | "." ) { dígito | "." } ;   (* sin ".." *)
unidad  = "mm" | "cm" | "deg" | "%" ;

Un número es una secuencia de dígitos ASCII y puntos, seguida inmediatamente (sin espacio) de una unidad opcional. La secuencia se interpreta como un número decimal: 2.5, .5 y 1. son válidos; 1.2.3 es E000: invalid number: 1.2.3. No hay notación exponencial ni signo: -3mm es el operador - aplicado a 3mm (ver Expresiones).

Un número termina antes de .., de modo que 0..4 son tres tokens (0, .., 4).

La unidad determina el tipo (ver Tipos):

• Cualquier secuencia de letras (o %) pegada al número que no sea una de las unidades es E001: unknown unit px (use mm, cm, deg or %).
• Un número sin unidad debe ser entero: 1.5 es E001: 1.5 has no unit: add mm, cm, deg or %.
• Con espacio entre número y unidad (3 mm) la unidad se lee como un identificador aparte, lo que suele terminar en un error de sintaxis.

const a = 2.5mm
const b: Length = .5mm
const c: Length = 1cm
const d: Angle = 45deg
const e: Ratio = 30%
const f: Int = 3

// error E001
const g = 1.5 // error E001

Textos#

texto   = '"' { carácter | escape } '"'
        | "'" { carácter | escape } "'" ;
escape  = "\" carácter ;

Un texto (tipo String) se escribe entre comillas dobles o simples; termina en la misma comilla con que empezó, así que dentro de "…" la comilla simple es un carácter más, y viceversa. Un texto no puede contener un salto de línea literal: un texto sin cerrar antes del fin de la línea es E000: unclosed string (missing closing quote).

Escapes: \n es un salto de línea; \ seguido de cualquier otro carácter produce ese carácter (\" → ", \' → ', \\ → \, \t → t).

const a = "HANNOVER"
const b = 'Club "Los Andes"'
const c = "MARÍA\nJOSÉ"
const d = 'it\'s'

Colores#

color = "#" hex hex hex hex hex hex ;

Un color (tipo Color) es # seguido de exactamente seis dígitos hexadecimales. Se normaliza a minúsculas: #1C1616 y #1c1616 son el mismo valor. Cualquier otra cantidad de dígitos es E000: a color is written #rrggbb (6 hex digits).

const rojo = #C8102E
const igual: Bool = #FF0000 == #ff0000

Booleanos#

true y false no son tokens propios: son identificadores que el verificador evalúa como valores Bool (ver Palabras clave).

Operadores y puntuación#

Los tokens de dos caracteres (==, !=, <=, >=, ..) se reconocen antes que los de uno. ! solo no es un token (not es la negación lógica). Un . seguido de un dígito inicia un número (.5mm), no un acceso.

Los operadores con nombre (and, or, not, mod) son identificadores reconocidos por el analizador sintáctico; su precedencia está en Expresiones § Precedencia.