如何找到子串

Question

给定一个包含字符串的文本文件，我会在该字符串中找到一些特定的 substrings/sequences。

Bison 文件.y（声明+规则）

%token <cval> AMINO 
%token STARTCODON STOPCODON
%type <cval> seq

%%
series: STARTCODON seq STOPCODON {printf("%s", );}
seq: AMINO
         | seq AMINO
         ;
%%

这里我想打印 STARTCODON 和 STOPCODON

之间的每个序列

Flex 文件 .l（规则）

    %%
    ("ATG")+ {return STARTCODON;}
    ("TAA"|"TAG"|"TGA")+ {return STOPCODON;}

    ("GCT"|"GCC"|"GCA"|"GCG")+ {yylval.cval = 'A';
                           return AMINO;}
    ("CGT"|"CGC"|"CGA"|"CGG"|"AGA"|"AGG")+ {yylval.cval = 'R';
                           return AMINO;}
     .
     .
     .

     [ \t]+                  /*ignore whitespace*/
     \n                      /*ignore end of line*/
     . {printf("-");}
     %%

当我运行代码时，我只得到规则 . {printf("-");}.

的输出

我是新手Flex/Bison，我怀疑：

bison 规则 series: STARTCODON seq STOPCODON {printf("%s", );} 不正确。
Flex 没有将整个字符串正确细分为 3 个字符的标记。

编辑：

（示例）输入文件： DnaSequence.txt：

输入字符串：cccATGAATTATTAGzzz，其中低位字符（ccc、zzz）产生（右）输出 -，ATG 是 STARTCODON，AATTAT是两个AMINO的序列（AATTAT），TAG 是 STOPCODON.

此输入字符串产生（错误的）输出 ---。

编辑：

根据@JohnBollinger 的建议，我在 Flex 文件中添加了 <<EOF>> {return ENDTXT;}，在 Bison 文件中添加了规则 finalseries: series ENDTXT;。

现在它返回 yyerror 的错误消息，表示解析错误。我想我们需要一个 STARTTXT 令牌，但我不知道如何实现它。

Answer 1

I am new Flex/Bison, I suspect that:

The bison rule series: STARTCODON seq STOPCODON {printf("%s", );} is not correct.

规则在句法上是可以接受的。如果标记 2 的值是 C 字符串，这在语义上是正确的，在这种情况下，它会导致该值打印到标准输出，但您的 Flex 文件似乎假定类型 <cval> 是 char，不是 C 字符串，也不能直接转换为 C 字符串。

Flex doesn't subdivide correctly the entire string into tokens of 3 characters.

实际上，您的 Flex 输入在我看来还不错。您提供的示例输入/输出表明 Flex 确实识别了从 ATG 到 TAG 的所有三元组，否则 . 的规则将被触发超过三次。

数据类型问题是您需要解决的一个细节问题，但是主要问题是您对seq的产生式没有设置其语义值.当 series 生产用于减少时，这如何导致（看似）没有被打印取决于您没有披露的细节，并且可能涉及未定义的行为。

如果 <cval> 被声明为字符串 (char *)，并且如果您的词法分析器将其值设置为字符串而不是字符，那么设置语义值可能如下所示：

seq: AMINO { $$ = calloc(MAX_AMINO_ACIDS + 1, 1); /* check for allocation failure ... */
             strcpy($$, ); }
         | seq AMINO { $$ = ; strcat($$, ); }
         ;

您可能会考虑坚持使用 char 作为 AMINO 语义值的类型，并将 seq 定义为不同的类型（即 char *）。这样，您的更改可能仅限于语法文件。然而，这将要求在 seq.

的产生式中对语义动作进行不同的实现。

最后，请注意，虽然你说

Here I want to print every sequence between STARTCODON and STOPCODON

你的文法，如前所述，以 series 作为它的开始符号。因此，一旦它将令牌序列减少到 series，它就可以完成。如果后面有其他标记（比如另一个 series 的标记），那将是错误的。如果这是您需要支持的东西，那么您将需要一个更高级别的开始符号来表示多个 series.

的序列

如何找到子串

How to find a substring

c

yacc

lex

bison