Compilador

En informática, un compilador es un tipo de traductor que transforma un programa entero de

un lenguaje de programación (llamado código fuente) a otro.1 Usualmente el lenguaje
objetivo es código máquina, aunque también puede ser traducido a un código intermedio (bytecode) o a
texto. A diferencia de los intérpretes, los compiladores reúnen diversos elementos o fragmentos en una
misma unidad (un programa ejecutable o una librería), que puede ser almacenada y reutilizada. Este
proceso de traducción se conoce como compilación.2
La construcción de un compilador involucra la división del proceso en una serie de fases que variará
con su complejidad. Generalmente estas fases se agrupan en dos tareas: el análisis del programa fuente
y la síntesis del programa objeto.
•Análisis: se trata de la comprobación de la corrección del programa fuente, según la definición del
lenguaje en términos de teoría de lenguajes formales. Incluye las fases correspondientes al análisis
léxico (que consiste en la descomposición del programa fuente en componentes léxicos), análisis
sintáctico (agrupación de los componentes léxicos en frases gramaticales ) y análisis semántico
(comprobación de la validez semántica de las sentencias aceptadas en la fase de análisis sintáctico).
•Síntesis: su objetivo es la generación de la salida expresada en el lenguaje objeto y suele estar formado
por una o varias combinaciones de fases de generación de código (normalmente se trata de código
intermedio o de código objeto) y de optimización de código (en las que se busca obtener un programa
objetivo lo más eficiente posible, según su complejidad computacional o complejidad de Kolmogórov:
tiempo de ejecución, espacio durante ejecución, espacio para ser almacenado fuera de ejecución, etc).
Alternativamente, las fases descritas para las tareas de análisis y síntesis se pueden agrupar en:
•Analizador o front-end: es la parte que analiza el código fuente, comprueba su validez, genera el árbol
de derivación y rellena los valores de la tabla de símbolos. Esta parte suele ser independiente de la
plataforma o sistema para el cual se vaya a compilar, y está compuesta por las fases comprendidas entre
el análisis léxico y la generación de código intermedio.
•Generador o back-end: es la parte que genera el código máquina, específico de una plataforma, a partir
de los resultados de la fase de análisis, realizada por este generador.
Esta división permite que el mismo generador se utilice para crear el código máquina de
varios lenguajes de programación distintos y que el mismo analizador que sirve para examinar el
código fuente de un lenguaje de programación concreto sirva para producir código máquina en varias
plataformas. Suele incluir la generación y optimización del código dependiente de la máquina.
Historia[editar]
Artículo principal: Historia de la construcción de los compiladores
En 1946 se desarrolló la primera computadora digital. En un principio, estas máquinas ejecutaban
instrucciones consistentes en códigos numéricos que señalaban a los circuitos de la máquina los estados
correspondientes a cada operación, lo que se denominó lenguaje máquina.
Pronto los primeros usuarios de estos ordenadores descubrieron la ventaja de escribir sus programas
mediante claves más fáciles de recordar que esos códigos; al final, todas esas claves juntas se traducían
manualmente a lenguaje máquina. Estas claves constituyen los llamados lenguajes ensambladores.
Pese a todo, el lenguaje ensamblador seguía siendo el de una máquina, pero más fácil de manejar. Los
trabajos de investigación se orientaron hacia la creación de un lenguaje que expresara las distintas
acciones a realizar de una manera lo más sencilla posible para una persona. El primer compilador fue
escrito por Grace Hopper, en 1952 para el lenguaje de programación A-0. En 1950 John Backus dirigió
una investigación en IBM sobre un lenguaje algebraico. En 1954 se empezó a desarrollar un lenguaje
que permitía escribir fórmulas matemáticas de manera traducible por un ordenador; le llamaron
FORTRAN (FORmulae TRANslator). Fue el primer lenguaje de alto nivel y se introdujo en 1957 para
el uso de la computadora IBM modelo 704.
Surgió así por primera vez el concepto de un traductor como un programa que traducía un lenguaje a
otro lenguaje. En el caso particular de que el lenguaje a traducir es un lenguaje de alto nivel y el
lenguaje traducido de bajo nivel, se emplea el término compilador.
El trabajo de realizar un compilador fue complicado de realizar. El primer compilador
de FORTRAN tardó 18 años-persona en realizarse y era muy sencillo. Este desarrollo de FORTRAN
estaba muy influenciado por la máquina objeto en la que iba a ser implementado. Como un ejemplo de
ello tenemos el hecho de que los espacios en blanco fuesen ignorados, debido a que el periférico que se
utilizaba como entrada de programas (una lectora de tarjetas perforadas) no contaba correctamente los
espacios en blanco.
El primer compilador autocontenido, es decir, capaz de compilar su propio código fuente fue el creado
para Lisp por Hart y Levin en el MIT en 1962. Desde 1970 se ha convertido en una práctica común
escribir el compilador en el mismo lenguaje que este compila, aunque PASCAL y C han sido
alternativas muy usadas.
Crear un compilador autocontenido genera un problema llamado bootstrapping, es decir el primer
compilador creado para un lenguaje tiene que o bien ser compilado por un compilador escrito en otro
lenguaje o bien compilado al ejecutar el compilador en un intérprete.
Tipos de compiladores[editar]
Esta taxonomía de los tipos de compiladores no es excluyente, por lo que puede haber compiladores
que se adscriban a varias categorías:
•Compiladores cruzados: generan código para un sistema distinto del que están funcionando.
•Compiladores optimizadores: realizan cambios en el código para mejorar su eficiencia, pero
manteniendo la funcionalidad del programa original.
•Compiladores de una sola pasada: generan el código máquina a partir de una única lectura del código
fuente.
•Compiladores de varias pasadas: necesitan leer el código fuente varias veces antes de poder producir
el código máquina.
•Compiladores JIT (just in time): forman parte de un intérprete y compilan partes del código según se
necesitan.
En las primeras épocas de la informática, los compiladores eran considerados un software de los más
complejos existentes.
Los primeros compiladores se realizaron programándolos directamente en lenguaje máquina o
en ensamblador. Una vez que se dispone de un compilador, se pueden escribir nuevas versiones del
compilador (u otros compiladores distintos) en el lenguaje que compila ese compilador.
Existen herramientas que facilitan la tarea de escribir compiladores o intérpretes informáticos. Estas
herramientas permiten generar el esqueleto del analizador sintáctico a partir de una definición formal
del lenguaje de partida, especificada normalmente mediante una gramática formal y barata, dejando
únicamente al programador del compilador la tarea de programar las acciones semánticas asociadas.

Proceso de compilación[editar]
Es el proceso por el cual se traducen las instrucciones escritas en un determinado lenguaje de
programación a lenguaje máquina. Además de un traductor, se pueden necesitar otros programas para
crear un programa objeto ejecutable. Un programa fuente se puede dividir en módulos almacenados en
archivos distintos. La tarea de reunir el programa fuente a menudo se confía a un programa distinto,
llamado preprocesador. El preprocesador también puede expandir abreviaturas, llamadas a macros, a
proposiciones del lenguaje fuente.
Normalmente la creación de un programa ejecutable (un típico archivo .exe para Windows o DOS)
conlleva dos pasos. El primer paso se llama compilación (propiamente dicho) y traduce el código
fuente escrito en un lenguaje de programación almacenado en un archivo a código en bajo nivel
(normalmente en código objeto, no directamente a lenguaje máquina). El segundo paso se
llama enlazado en el cual se enlaza el código de bajo nivel generado de todos los ficheros y
subprogramas que se han mandado a compilar y se añade el código de las funciones que hay en las
bibliotecas del compilador para que el ejecutable pueda comunicarse directamente con el sistema
operativo, traduciendo así finalmente el código objeto a código máquina, y generando un módulo
ejecutable.
Estos dos pasos se pueden hacer por separado, almacenando el resultado de la fase de compilación en
archivos objetos (un típico.obj para Microsoft Windows, DOS o para Unix); para enlazarlos en fases
posteriores, o crear directamente el ejecutable; con lo que la fase de compilación se almacena solo
temporalmente. Un programa podría tener partes escritas en varios lenguajes (por ejemplo C, C+
+ y Asm), que se podrían compilar de forma independiente y luego enlazar juntas para formar un único
módulo ejecutable.

Etapas del proceso[editar]

El proceso de traducción se compone internamente de varias etapas o fases, que realizan distintas
operaciones lógicas. Es útil pensar en estas fases como en piezas separadas dentro del traductor, y
pueden en realidad escribirse como operaciones codificadas separadamente aunque en la práctica a
menudo se integren juntas.

Fase de análisis[editar]
Análisis léxico[editar]
Artículo principal: Analizador léxico
El análisis léxico constituye la primera fase, aquí se lee el programa fuente de izquierda a derecha y se
agrupa en componentes léxicos (tókenes), que son secuencias de caracteres que tienen un significado.
Además, todos los espacios en blanco, líneas en blanco, comentarios y demás información innecesaria
se elimina del programa fuente. También se comprueba que los símbolos del lenguaje (palabras
clave, operadores, etc.) se han escrito correctamente.
Como la tarea que realiza el analizador léxico es un caso especial de coincidencia de patrones, se
necesitan los métodos de especificación y reconocimiento de patrones, se usan principalmente
los autómatas finitos que acepten expresiones regulares. Sin embargo, un analizador léxico también es
la parte del traductor que maneja la entrada del código fuente, y puesto que esta entrada a menudo
involucra un importante gasto de tiempo, el analizador léxico debe funcionar de manera tan eficiente
como sea posible.

Análisis sintáctico[editar]
Artículo principal: Analizador sintáctico
En esta fase los caracteres o componentes léxicos se agrupan jerárquicamente en frases gramaticales
que el compilador utiliza para sintetizar la salida. Se comprueba si lo obtenido de la fase anterior es
sintácticamente correcto (obedece a la gramática del lenguaje). Por lo general, las frases gramaticales
del programa fuente se representan mediante un árbol de análisis sintáctico.
La estructura jerárquica de un programa normalmente se expresa utilizando reglas recursivas. Por
ejemplo, se pueden dar las siguientes reglas como parte de la definición de expresiones:
1.Un identificador puede ser una expresión.
2.Un número puede ser una expresión.
3.Si expresión1 y expresión2 son expresiones, entonces también lo son:
•expresión1 + expresión2
•expresión1 * expresión2
•( expresión1 )
Las reglas 1 y 2 son reglas básicas (no recursivas), en tanto que la regla 3 define expresiones en función
de operadores aplicados a otras expresiones.
La división entre análisis léxico y análisis sintáctico es algo arbitraria. Un factor para determinar la
división es si una construcción del lenguaje fuente es inherentemente recursiva o no. Las
construcciones léxicas no requieren recursión, mientras que las construcciones sintácticas suelen
requerirla. No se requiere recursión para reconocer los identificadores, que suelen ser cadenas de letras
y dígitos que comienzan con una letra. Normalmente, se reconocen los identificadores por el simple
examen del flujo de entrada, esperando hasta encontrar un carácter que no sea ni letra ni dígito, y
agrupando después todas las letras y dígitos encontrados hasta ese punto en un componente léxico
llamado identificador. Por otra parte, esta clase de análisis no es suficientemente poderoso para analizar
expresiones o proposiciones. Por ejemplo, no podemos emparejar de manera apropiada los paréntesis
de las expresiones, o las palabras begin y end en proposiciones sin imponer alguna clase de estructura
jerárquica o de anidamiento a la entrada.

Análisis semántico[editar]
La fase de análisis semántico revisa el programa fuente para tratar de encontrar errores semánticos y
reúne la información sobre los tipos para la fase posterior de generación de código. En ella se utiliza la
estructura jerárquica determinada por la fase de análisis sintáctico para identificar los operadores y
operandos de expresiones y proposiciones.
Un componente importante del análisis semántico es la verificación de tipos. Aquí, el compilador
verifica si cada operador tiene operandos permitidos por la especificación del lenguaje fuente. Por
ejemplo, las definiciones de muchos lenguajes de programación requieren que el compilador indique un
error cada vez que se use un número real como índice de una matriz. Sin embargo, la especificación del
lenguaje puede imponer restricciones a los operandos, por ejemplo, cuando un operador aritmético
binario se aplica a un número entero y a un número real.3 Revisa que los arreglos tengan definido el
tamaño correcto.
Fase de síntesis[editar]
Consiste en generar el código objeto equivalente al programa fuente. Solo se genera código objeto
cuando el programa fuente está libre de errores de análisis, lo cual no quiere decir que el programa se
ejecute correctamente, ya que un programa puede tener errores de concepto o expresiones mal
calculadas. Por lo general el código objeto es código de máquina relocalizable o código ensamblador.
Las posiciones de memoria se seleccionan para cada una de las variables usadas por el programa.
Después, cada una de las instrucciones intermedias se traduce a una secuencia de instrucciones de
máquina que ejecuta la misma tarea. Un aspecto decisivo es la asignación de variables a registros.

Generación de código intermedio[editar]

Después de los análisis sintáctico y semántico, algunos compiladores generan una representación
intermedia explícita del programa fuente. Se puede considerar esta representación intermedia como un
programa para una máquina abstracta. Esta representación intermedia debe tener dos propiedades
importantes; debe ser fácil de producir y fácil de traducir al programa objeto.
La representación intermedia puede tener diversas formas. Existe una forma intermedia llamada
«código de tres direcciones» que es como el lenguaje ensamblador de una máquina en la que cada
posición de memoria puede actuar como un registro. El código de tres direcciones consiste en una
secuencia de instrucciones, cada una de las cuales tiene como máximo tres operandos. Esta
representación intermedia tiene varias propiedades:
•Primera: cada instrucción de tres direcciones tiene a lo sumo un operador, además de la asignación,
por tanto, cuando se generan estas instrucciones, el traductor tiene que decidir el orden en que deben
efectuarse las operaciones.
•Segunda: el traductor debe generar un nombre temporal para guardar los valores calculados por cada
instrucción.
•Tercera: algunas instrucciones de «tres direcciones» tienen menos de tres operandos, por ejemplo, la
asignación.

Optimización de código[editar]
Artículo principal: Compilador optimizador
La fase de optimización de código consiste en mejorar el código intermedio, de modo que resulte un
código máquina más rápido de ejecutar. Esta fase de la etapa de síntesis es posible sobre todo si el
traductor es un compilador (difícilmente un intérprete puede optimizar el código objeto). Hay mucha
variación en la cantidad de optimización de código que ejecutan los distintos compiladores. En los que
hacen mucha optimización, llamados «compiladores optimizadores», una parte significativa del tiempo
del compilador se ocupa en esta fase. Sin embargo, hay optimizaciones sencillas que mejoran
sensiblemente el tiempo de ejecución del programa objeto sin retardar demasiado la compilación.3
Estructura de datos principales[editar]
La interacción entre los algoritmos utilizados por las fases del compilador y las estructuras de datos que
soportan estas fases es, naturalmente, muy fuerte. El escritor del compilador se esfuerza por
implementar estos algoritmos de una manera tan eficaz como sea posible, sin aumentar demasiado la
complejidad. De manera ideal, un compilador debería poder compilar un programa en un tiempo
proporcional al tamaño del mismo.

Componentes léxicos o tókenes[editar]

Cuando un analizador léxico reúne los caracteres en un token, generalmente representa el token de
manera simbólica, es decir, como un valor de un tipo de datos enumerado que representa el conjunto de
tokens del lenguaje fuente. En ocasiones también es necesario mantener la cadena de caracteres misma
u otra información derivada de ella, tal como el nombre asociado con un token identificador o el valor
de un token de número.
En la mayoría de los lenguajes el analizador léxico solo necesita generar un token a la vez. En este caso
se puede utilizar una variable global simple para mantener la información del token. En otros casos
(cuyo ejemplo más notable es FORTRAN), puede ser necesario un arreglo (o vector) de tókenes.

Árbol sintáctico[editar]
Si el analizador sintáctico genera un árbol sintáctico, por lo regular se construye como una estructura
estándar basada en un puntero que se asigna de manera dinámica a medida que se efectúa el análisis
sintáctico. El árbol entero puede entonces conservarse como una variable simple que apunta
al nodo raíz. Cada nodo en la estructura es un registro cuyos campos representan la información
recolectada tanto por el analizador sintáctico como, posteriormente, por el analizador semántico. Por
ejemplo, el tipo de datos de una expresión puede conservarse como un campo en el nodo del árbol
sintáctico para la expresión.
En ocasiones, para ahorrar espacio, estos campos se asignan de manera dinámica, o se almacenan en
otras estructuras de datos, tales como la tabla de símbolos, que permiten una asignación y
desasignación selectivas. En realidad, cada nodo del árbol sintáctico por sí mismo puede requerir de
atributos diferentes para ser almacenado, de acuerdo con la clase de estructura del lenguaje que
represente. En este caso, cada nodo en el árbol sintáctico puede estar representado por un registro
variable, con cada clase de nodo conteniendo solamente la información necesaria para ese caso.

Tabla de símbolos[editar]
Esta estructura de datos mantiene la información asociada con los
identificadores: funciones, variables, constantes y tipos de datos. La tabla de símbolos interactúa con
casi todas las fases del compilador: el analizador léxico, el analizador sintáctico o el analizador
semántico pueden introducir identificadores dentro de la tabla; el analizador semántico agregará tipos
de datos y otra información; y las fases de optimización y generación de código utilizarán la
información proporcionada por la tabla de símbolos para efectuar selecciones apropiadas de código
objeto.
Puesto que la tabla de símbolos tendrá solicitudes de acceso con tanta frecuencia, las operaciones de
inserción, eliminación y acceso necesitan ser eficientes, preferiblemente operaciones de tiempo
constante. Una estructura de datos estándar para este propósito es la tabla de dispersión o de cálculo de
dirección, aunque también se pueden utilizar diversas estructuras de árbol. En ocasiones se utilizan
varias tablas y se mantienen en una lista o pila.

Tabla de literales[editar]
La búsqueda y la inserción rápida son esenciales también para la tabla de literales, la cual almacena
constantes y cadenas utilizadas en el programa. Sin embargo, una tabla de literales necesita impedir las
eliminaciones porque sus datos se aplican globalmente al programa y una constante o cadena aparecerá
solo una vez en esta tabla. La tabla de literales es importante en la reducción del tamaño de un
programa en la memoria al permitir la reutilización de constantes y cadenas. También es necesaria para
que el generador de código construya direcciones simbólicas para las literales y para introducir
definiciones de datos en el archivo de código objeto.

Código intermedio[editar]
De acuerdo con la clase de código intermedio (por ejemplo, código de tres direcciones o código P) y de
las clases de optimizaciones realizadas, este código puede conservarse como un arreglo de cadenas de
texto, un archivo de texto temporal o bien una lista de estructuras ligadas. En los compiladores que
realizan optimizaciones complejas debe ponerse particular atención a la selección de representaciones
que permitan una fácil reorganización.
Generación de código intermedio
Después de los análisis sintáctico y semántico, algunos compiladores generan una representación
intermedia explícita del programa fuente. Se puede considerar esta representación intermedia como un
programa para una máquina abstracta. Esta representación intermedia debe tener dos propiedades
importantes; debe ser fácil de producir y fácil de traducir al programa objeto.
La representación intermedia puede tener diversas formas. Existe una forma intermedia llamada
«código de tres direcciones», que es como el lenguaje ensamblador para una máquina en la que cada
posición de memoria puede actuar como un registro. El código de tres direcciones consiste en una
secuencia de instrucciones, cada una de las cuales tiene como máximo tres operandos.