Capitolul IV
Structura lexicală Java

4.1 Setul de caractere
4.2 Unităţi lexicale

4.2.1 Cuvinte cheie
4.2.2 Identificatori
4.2.3 Literali

4.2.3.1 Literali întregi
4.2.3.2 Literali flotanţi
4.2.3.3 Literali booleeni
4.2.3.4 Literali caracter
4.2.3.5 Literali şir de caractere

4.2.4 Separatori
4.2.5 Operatori

4.3 Comentarii

4.1 Setul de caractere

Limbajului Java lucrează în mod nativ folosind setul de caractere Unicode. Acesta este un standard internaţional care înlocuieşte vechiul set de caractere ASCII. Motivul acestei înlocuiri a fost necesitatea de a reprezenta mai mult de 256 de caractere. Setul de caractere Unicode, fiind reprezentat pe 16 biţi are posibilităţi mult mai mari.

Vechiul standard ASCII este însă un subset al setului Unicode, ceea ce înseamnă că vom regăsi caracterele ASCII cu exact aceleaşi coduri ca şi mai înainte în noul standard.

Java foloseşte setul Unicode în timpul rulării aplicaţiilor ca şi în timpul compilării acestora. Folosirea Unicode în timpul execuţiei nu înseamnă nimic altceva decât faptul că o variabilă Java de tip caracter este reprezentată pe 16 biţi iar un şir de caractere va ocupa fizic în memorie de doua ori mai mulţi octeţi decât numărul caracterelor care formează şirul.

În ceea ce priveşte folosirea Unicode în timpul compilării, compilatorul Java acceptă la intrare fişiere sursă care pot conţine orice caractere Unicode. Se poate lucra şi cu fişiere ASCII obişnuite în care putem introduce caractere Unicode folosind secvenţe escape. Fişierele sursă sunt fişiere care conţin declaraţii şi instrucţiuni Java. Aceste fişiere trec prin trei paşi distincţi la citirea lor de către compilator:

1. Şirul de caractere Unicode sau ASCII, memorat în fişierul sursă, este transformat într-un şir de caractere Unicode. Caracterele Unicode pot fi introduse şi ca secvenţe escape folosind doar caractere ASCII.
2. Şirul de caractere Unicode este transformat într-un şir de caractere în care sunt evidenţiate separat caracterele de intrare faţă de caracterele de sfârşit de linie.
3. Şirul de caractere de intrare şi de sfârşit de linie este transformat într-un şir de cuvinte ale limbajului Java.

În primul pas al citirii fişierului sursă, sunt generate secvenţe escape. Secvenţele escape sunt secvenţe de caractere ASCII care încep cu caracterul backslash \. Pentru secvenţele escape Unicode, al doilea caracter din secvenţă trebuie să fie u sau U. Orice alt caracter care urmează după backslash va fi considerat ca fiind caracter nativ Unicode şi lăsat nealterat. Dacă al doilea caracter din secvenţa escape este u, următoarele patru caractere ASCII sunt tratate ca şi cifre hexazecimale (în baza 16) care formează împreună doi octeţi de memorie care reprezintă un caracter Unicode.

Se pot folosi la intrare şi fişiere ASCII normale, pentru că ASCII este un subset al Unicode. De exemplu, putem scrie:

int f\u0660 = 3;

Numele variabilei are două caractere şi al doilea caracter este o cifră arabic-indic.

Exemple de secvenţe Unicode:

\uaa08 \U0045 \uu6abe

În al doilea pas al citirii fişierului sursă, sunt recunoscute ca şi caractere de sfârşit de linie caracterele ASCII CR şi ASCII LF. În acelaşi timp, secvenţa de caractere ASCII CR-ASCII LF este tratată ca un singur sfârşit de linie şi nu două. În acest mod, Java suportă în comun standardele de terminare a liniilor folosite de diferite sisteme de operare: MacOS, Unix şi DOS.

Este important să separăm caracterele de sfârşit de linie de restul caracterelor de intrare pentru a şti unde se termină comentariile de o singură linie (care încep cu secvenţa //) precum şi pentru a raporta odată cu erorile de compilare şi linia din fişierul sursă în care au apărut acestea.

În pasul al treilea al citirii fişierului sursă, sunt izolate elementele de intrare ale limbajului Java, şi anume: spaţii, comentarii şi unităţi lexicale.

Spaţiile pot fi caracterele ASCII SP (spaţiu), FF (avans de pagină) sau HT (tab orizontal) precum şi orice caracter terminator de linie. Comentariile le vom discuta în paragraful 4.3.

4.2 Unităţi lexicale

Unităţile lexicale sunt elementele de bază cu care se construieşte semantica programelor Java. În şirul de cuvinte de intrare, unităţile lexicale sunt separate între ele prin comentarii şi spaţii. Unităţile lexicale în limbajul Java pot fi:

• Cuvinte cheie
• Identificatori
• Literali
• Separatori
• Operatori

4.2.1 Cuvinte cheie

Cuvintele cheie sunt secvenţe de caractere ASCII rezervate de limbaj pentru uzul propriu. Cu ajutorul lor, Java îşi defineşte unităţile sintactice de bază. Nici un program nu poate să utilizeze aceste secvenţe altfel decât în modul în care sunt definite de limbaj. Singura excepţie este aceea că nu există nici o restricţionare a apariţiei cuvintelor cheie în şiruri de caractere sau comentarii.

Cuvintele cheie ale limbajului Java sunt:

abstract
boolean
break
byte
case
cast
catch
char
class
const
continue
default
do
double
else
extends
final
finally
float

for
future
generic
goto
if
implements
import
inner
instanceof
intinterface
long
native
new
null
operator
outer
package
private
protected

public
rest
return
short
static
super
switch
synchronized
this
throw
throws
transient
try
var
void
volatile
while
byvalue

Dintre acestea, cele îngroşate sunt efectiv folosite, iar restul sunt rezervate pentru viitoare extensii ale limbajului.

4.2.2 Identificatori

Identificatorii Java sunt secvenţe nelimitate de litere şi cifre Unicode, începând cu o literă. Identificatorii nu au voie să fie identici cu cuvintele rezervate.

Cifrele Unicode sunt definite în următoarele intervale:

Tabelul 4.1 Cifrele Unicode.

Un caracter Unicode este o literă dacă este în următoarele intervale şi nu este cifră:

Tabelul 4.2 Literele Unicode.

4.2.3 Literali

Un literal este modalitatea de bază de exprimare în fişierul sursă a valorilor pe care le pot lua tipurile primitive şi tipul şir de caractere. Cu ajutorul literalilor putem introduce valori constante în variabilele de tip primitiv sau în variabilele de tip şir de caractere.

În limbajul Java există următoarele tipuri de literali:

• literali întregi
• literali flotanţi
• literali booleeni
• literali caracter
• literali şir de caractere

4.2.3.1 Literali întregi

Literalii întregi pot fi reprezentaţi în baza 10, 16 sau 8. Toate caracterele care se folosesc pentru scrierea literalilor întregi fac parte din subsetul ASCII al setului Unicode.

Literalii întregi pot fi întregi normali sau lungi. Literalii lungi se recunosc prin faptul că se termină cu sufixul l sau L. Un literal întreg este reprezentat pe 32 de biţi iar unul lung pe 64 de biţi.

Un literal întreg în baza 10 începe cu o cifră de la 1 la 9 şi se continuă cu un şir de cifre de la 0 la 9. Un literal întreg în baza 10 nu poate să înceapă cu cifra 0, pentru că acesta este semnul folosit pentru a semnaliza literalii scrişi în baza 8.

Exemple de literali întregi în baza 10:

12356L234871234567890l

Exemplul al doilea şi al patrulea sunt literali întregi lungi.

Pentru a exprima un literal întreg în baza 16 trebuie să definim cifrele de la 10 la 15. Convenţia va fi următoarea:

10 - a, A13 - d, D
11 - b, B14 - e, E
12 - c, C15 - f, F

În plus, pentru că un literal întreg în baza 16 poate începe cu o literă, vom adăuga prefixul 0x sau 0X. Dacă nu am adăuga acest sufix, compilatorul ar considera că este vorba despre un identificator.

Exemple de literali întregi în baza 16:

0xa340X1230x2c45L0xde123abccdL

Ultimele două exemple sunt literali întregi lungi.

În fine, pentru a reprezenta un literal întreg în baza 8, îl vom preceda cu cifra 0. Restul cifrelor pot fi oricare între 0 şi 7. Cifrele 8 şi 9 nu sunt admise în literalii întregi în baza 8.

Exemple de literali întregi în baza 8:

0234500123001234567712345677L

Valoarea maximă a unui literal întreg normal este de 2147483647 (2³¹-1), scrisă în baza 10. În baza 16, cel mai mare literal pozitiv se scrie ca 0x7fffffff iar în baza 8 ca 017777777777. Toate trei scrierile reprezintă de fapt aceeaşi valoare, doar că aceasta este exprimată în baze diferite.

Cea mai mică valoare a unui literal întreg normal este -2147483648 (-2³¹), respectiv 0x80000000 şi 020000000000. Valorile 0xffffffff şi 037777777777 reprezintă amândouă valoarea -1.

Specificarea în sursă a unui literal întreg normal care depăşeşte aceste limite reprezintă o eroare de compilare. Cu alte cuvinte, dacă folosim în sursă numărul: 21474836470 de exemplu, fără să punem sufixul de număr lung după el, compilatorul va genera o eroare la analiza sursei.

Valoarea maximă a unui literal întreg lung este, în baza 10, 9223372036854775807L (2⁶³-1). În octal, asta înseamnă 0777777777777777777777L iar în baza 16 0x7fffffffffffffffL. În mod asemănător, valoarea minimă a unui literal întreg lung este -9223372036854775808L (-2⁶³-1), în octal această valoare este 0400000000000000000000L iar în baza 16 este 0x8000000000000000L.

La fel ca şi la literalii întregi normali, depăşirea acestor limite este o eroare de compilare.

4.2.3.2 Literali flotanţi

Literalii flotanţi reprezintă numere reale. Ei sunt formaţi dintr-o parte întreagă, o parte fracţionară, un exponent şi un sufix de tip. Exponentul, dacă există, este introdus de litera e sau E urmată opţional de un semn al exponentului.

Este obligatoriu să existe măcar o cifră fie în partea întreagă fie în partea zecimală şi punctul zecimal sau litera e pentru exponent.

Sufixul care indică tipul flotantului poate fi f sau F în cazul în care avem o valoare flotantă normală şi d sau D dacă avem o valoare flotantă dublă. Dacă nu este specificat nici un sufix, valoarea este implicit dublă.

Valoarea maximă a unui literal flotant normal este 3.40282347e+38f iar valoarea cea mai mică reprezentabilă este 1.40239846e-45f, ambele reprezentate pe 32 de biţi.

Valoarea maximă reprezentabilă a unui literal flotant dublu este de 1.79769313486231570e+308 iar valoarea cea mai mică reprezentabilă este 4.94065645841246544e-324, ambele reprezentate pe 64 de biţi.

La fel ca şi la literalii întregi, este o eroare să avem exprimat în sursă un literal mai mare decât valoarea maximă reprezentabilă sau mai mic decât cea mai mică valoare reprezentabilă.

Exemple de literali flotanţi:

1.0e45f-3.456f0..01e-3

Primele două exemple reprezintă literali flotanţi normali, iar celelalte literali flotanţi dubli.

4.2.3.3 Literali booleeni

Literalii booleeni nu pot fi decât true sau false, primul reprezentând valoarea booleană de adevăr iar celălalt valoarea booleană de fals. True şi false nu sunt cuvinte rezervate ale limbajului Java, dar nu veţi putea folosi aceste cuvinte ca identificatori.

4.2.3.4 Literali caracter

Un literal de tip caracter este utilizat pentru a exprima caracterele codului Unicode. Reprezentarea se face fie folosind o literă, fie o secvenţă escape. Secvenţele escape ne permit reprezentarea caracterelor care nu au reprezentare grafică şi reprezentarea unor caractere speciale precum backslash şi însăşi caracterul apostrof.

Caracterele care au reprezentare grafică pot fi reprezentate între apostrofe, ca în exemplele:

'a' 'Ş' ','

Pentru restul caracterelor Unicode trebuie să folosim secvenţe escape. Dintre acestea, câteva sunt predefinite în Java, şi anume:

Tabelul 4.3 Secvenţe escape predefinite în Java.

În formă generală, o secvenţă escape se scrie sub una din formele:

'\o' '\oo''\too'

unde o este o cifră octală iar t este o cifră octală între 0 şi 3.

Nu este corect să folosiţi ca valori pentru literale caracter secvenţa '\u000d' (caracterul ASCII CR), sau altele care reprezintă caractere speciale, pentru că acestea fiind secvenţe escape Unicode sunt transformate foarte devreme în timpul procesării sursei în caractere CR şi sunt interpretate ca terminatori de linie.

Exemple de secvenţe escape:

'\n''\u23a''\34'

dacă după caracterul backslash urmează altceva decât: b, t, n, f, r, ", ', \, 0, 1, 2, 3, 4, 5, 6, 7 se va semnala o eroare de compilare.

În acest moment secvenţele escape Unicode au fost deja înlocuite cu caractere Unicode native. Dacă u apare după \, se semnalează o eroare de compilare.

4.2.3.5 Literali şir de caractere

Un literal şir de caractere este format din zero sau mai multe caractere între ghilimele. Caracterele care formează şirul de caractere pot fi caractere grafice sau secvenţe escape ca cele definite la literalii caracter.

Dacă un literal şir de caractere conţine în interior un caracter terminator de linie va fi semnalată o eroare de compilare. Cu alte cuvinte, nu putem avea în sursă ceva de forma:

"Acesta este
greşit!”

chiar dacă aparent exprimarea ar reprezenta un şir format din caracterele A, c, e, s, t, a, spaţiu, e, s, t, e, linie nouă, g, r, e, ş, i, t, !. Dacă dorim să introducem astfel de caractere terminatoare de linie într-un şir va trebui să folosim secvenţe escape ca în:

“Acesta este\ngreşit”

Dacă şirul de caractere este prea lung, putem să-l spargem în bucăţi mai mici pe care să le concatenăm cu operatorul +.

Fiecare şir de caractere este în fapt o instanţă a clasei de obiecte String declarată standard în pachetul java.lang.

Exemple de şiruri de caractere:

"""\"""Şir de caractere""unu" + "doi"

Primul şir de caractere din exemplu nu conţine nici un caracter şi se numeşte şirul vid. Ultimul exemplu este format din două şiruri distincte concatenate.

4.2.4 Separatori

Un separator este un caracter care indică sfârşitul unei unităţi lexicale şi începutul alteia. Separatorii sunt necesari atunci când unităţi lexicale diferite sunt scrise fără spaţii între ele. Acestea se pot totuşi separa dacă unele dintre ele conţin caractere separatori. În Java separatorii sunt următorii:

( ) { } [ ] ; , .

Exemple de separare:

a[i]sin(56)

În primul exemplu nu avem o singură unitate lexicală ci patru: a, [, i, ]. Separatorii [ şi ] ne dau această informaţie. În al doilea exemplu, unităţile lexicale sunt tot 4 sin, (, 56, ).

Atenţie, separatorii participă în acelaşi timp şi la construcţia sintaxei limbajului. Ei nu sunt identici cu spaţiile deşi, ca şi acestea, separă unităţi lexicale diferite.

4.2.5 Operatori

Operatorii reprezintă simboluri grafice pentru operaţiile elementare definite de limbajul Java. Despre operatori vom discuta mai mult atunci când vom prezenta expresiile. Deocamdată, iată lista tuturor operatorilor limbajului Java:

=><!~?:
==<=>=!=&&||++--
+-*/&|^%<<>> >>>
+=-=*=/=&=|=^=%=<<=>>=>>>=

Să mai precizăm deocamdată că toţi operatorii joacă şi rol de separatori. Cu alte cuvinte, din secvenţa de caractere:

vasile+gheorghe

putem extrage trei unităţi lexicale, vasile, + şi gheorghe.

4.3 Comentarii

Un comentariu este o secvenţă de caractere existentă în fişierul sursă dar care serveşte doar pentru explicarea sau documentarea sursei şi nu afectează în nici un fel semantica programelor.

În Java există trei feluri de comentarii:

• Comentarii pe mai multe linii, închise între /* şi */. Toate caracterele dintre cele două secvenţe sunt ignorate.
• Comentarii pe mai multe linii care ţin de documentaţie, închise între /** şi */. Textul dintre cele două secvenţe este automat mutat în documentaţia aplicaţiei de către generatorul automat de documentaţie.
• Comentarii pe o singură linie care încep cu //. Toate caracterele care urmează acestei secvenţe până la primul caracter sfârşit de linie sunt ignorate.

În Java, nu putem să scriem comentarii în interiorul altor comentarii. La fel, nu putem introduce comentarii în interiorul literalilor caracter sau şir de caractere. Secvenţele /* şi */ pot să apară pe o linie după secvenţa // dar îşi pierd semnificaţia. La fel se întâmplă cu secvenţa // în comentarii care încep cu /* sau /**.

Ca urmare, următoarea secvenţă de caractere formează un singur comentariu:

/* acest comentariu /* // /* se termină abia aici: */