今天闲逛Linux宝库，看到论坛里有人在讨论如何用 shell 脚本来处理 C 语言注释，发帖时间是 08-10-23（以前怎么都没注意到，失败...），但问题好像并没被解决。正好这两天玩 sed & awk，来小试一下身手。
C语句注释
本文讨论的是 C99 标准，它支持单行注释（“// ...”）和块注释（“/.../”），并且当单行注释以“/”结尾时也可以跨多行。测试代码如下：
#include <stdlib.h>
#include <stdio.h>
int main (int argc, char *argv[])
{
// not show\
not show\
not show
// not show
/* not show */
int is; // not show
int/* not show */ ms; /* not show */
double ds; // not show\
not show\
not show
double dm; /* ...
not show
not show */ float fs; /**
* now show
*/
float/**/ fm;
char cs[] = "aaa // /***/";
char cm1[] = /* not show */"hello*/";
char cm2[] = "/*redraiment"/* not show */;
/* printf("/////"); */
return EXIT_SUCCESS;
}
其中灰色部分就是注释，经过处理后需要将它们全部移除或用替换成空字符。论坛原帖中没有处理以“\”结尾的单行注释，也没处理注释关键字出现在字符串中的情况。
工具的选择
sed 是一个流编辑器，它能对文件进行“插入”、“删除”、“替换”、“追加”等编辑操作；而 awk 是一门模式匹配的程序设计语言，它除了能编辑文本还可以统计信息，你可以把它看成基于文本文件的数据库系统。原帖中作者使用 sed 来解决，因为问题涉及的操作仅仅是删除 C 代码中的注释。但由于以下原因导致 sed 心有余而力不足：
一、不支持最小匹配
正则表达式默认采用贪心匹配策略，在正则的标准中通过在量词后面加“?”来使用最小匹配策略，详细规则介绍请参见这里。问题中多行注释必须使用最小匹配原则，如果关键词只有一个字符，就可以通过排除字符集来模拟，比如我们经常用“"[^"]*"”来匹配一个字符串。可惜 C 语言的注释关键词都是多字符。
二、排序字符（Collating Symbols）只是一个美丽的梦想
排序字符用于字符列表（character list）中。按照文档的描述，排序字符可将多个字符当一个字符来匹配。比如模式“[[.ch.]i]”可以匹配行“char”和“int”，但不能匹配“coho”。如果它能被支持，就可以把“/”、“/”、“//”都看做一个字符，通过（一）中的排除字符集来实现最小匹配。可惜到目前为止，我接触的工具中没有一款支持这个特性，更不用说对正则支持平平的 sed 了。
三、字符串来捣乱
在《sed单行脚本学习笔记》中我给出了一段 sed 单行脚本，用于替换不在字符串中的模式。看起来正适合解决这个问题，但它的前提是模式要和待修改的文本完全匹配。由（一）、（二）两个条件决定了 sed 实现的正则表达式无法匹配 C 语言所有类型的注释。另外，sed 提供的控制语句是“b、t”，它们的功能是类似于 C 语言的 goto，因此它不能像“if ... else ...”一样方便地判断某个注释的起始位置是否在字符串中。
由于上述原因，我们需要一个变量来记录当前状态——是否在字符串中。因此我使用 awk 来解决。
我的解决方案
# filename: strip_c_comment.awk
# issue: awk -f scrip_c_comment.awk test.c
#!/bin/awk -f
BEGIN { FS="" }
!(ignore_line && $NF == "\\") && !ignore_line-- {
ignore_line = 0;
for(i = 1; i <= NF; i++) {
if (ignore) {
if ($i $(i+1) == "*/") {
ignore = 0
i++ # remove '*'
}
continue
}
if (!instr && $i $(i+1) == "/*") {
ignore = 1
i++ # remove '/'
continue
}
if (!instr && $i $(i+1) == "//") {
ignore_line = ($NF == "\\")? 1: 0
break
}
if ($i == "\"") {
instr = 1 - instr
}
printf($i)
}
printf("\n")
}
在开始时将 FS 设为空字符串，使得输入记录的每个字符都成为一个独立的字段。代码中的三个布尔变量分别代表：
- ignore_line
- 如果上一行是以“\”结尾的单行注释则为“True”；
- ignore_block
- 如果当前字符在块注释中则为“True”；
- instr
- 如果当前字符在非注释的字符串内则为“True”。
脚本的工作就是保留“ignore_line”和“ignore_block”都为“False”时的字符。
执行结果
#include <stdlib.h>
#include <stdio.h>
int main (int argc, char *argv[])
{
int is;
int ms;
double ds;
double dm;
float fs;
float fm;
char cs[] = "aaa // /***/";
char cm1[] = "hello*/";
char cm2[] = "/*redraiment";
return EXIT_SUCCESS;
}