|
今天我们一起动手写一个编译器，但不是我们平常所说的编译器，而是一个超级超级小的编译器，小到如果你把本文件的所有注释都删了，真正的代码也就200多行。 我们将把lisp风格的函数调用编译成C风格的函数调用，如果你对这两个不熟悉的话，让我来简单介绍一下。 如果我们有两个函数：add和subtract，它们会写成下面的样子： LISP C2 + 2 (add 2 2) add(2, 2)4 - 2 (subtract 4 2) subtract(4, 2)2 + (4 - 2) (add 2 (subtract 4 2)) add(2, subtract(4, 2))是不是很简单？ 很好，这就是我们要编译的，虽然这并不是一个完整的LISP或C语法，但是这小部分的语法足以向我们展示一个现代编译器的主要部分。 大多数的编译器都会分成三个主要的阶段：解析（Parsing）、转换（Transformation）以及生成代码（Code Generation）。 1.Parsing会将源代码转换成更抽象的代码表示； 2.Transformation会对这个抽象的代码表示进行任何它想要的操作； 3.Code Generation会把操作完的代码抽象表示生成新代码； 解析（Parsing）解析通常分为两个阶段：词法分析和语法分析。 1.词法分析会使用一个叫做分词器（tokenizer）的东西来把源代码切割成一个个叫做标记（token）的东西； tokens是一个数组，里面每项都是用来描述语法中一个独立块的最小对象，它们可以是数字、标签、标点、运算符等等。 2.语法分析会把标记重新组合，用来描述语法的每个部分，并建立起它们之间的联系，这一般被称作为“抽象语法树”。 一个抽象语法树（简称为AST），是一个深层嵌套的对象，以一种又简单又能告诉我们大量信息的方式来表示代码。 对于下面的语法：
token列表是下面这样的： [ { type: 'paren', value: '(' }, { type: 'name', value: 'add' }, { type: 'number', value: '2' }, { type: 'paren', value: '(' }, { type: 'name', value: 'subtract' }, { type: 'number', value: '4' }, { type: 'number', value: '2' }, { type: 'paren', value: ')' }, { type: 'paren', value: ')' }, ]AST是这样的： { type: 'Program', body: [{ type: 'CallExpression', name: 'add', params: [{ type: 'NumberLiteral', value: '2', }, { type: 'CallExpression', name: 'subtract', params: [{ type: 'NumberLiteral', value: '4', }, { type: 'NumberLiteral', value: '2', }] }] }] }转换（Transformation）编译器的下一个阶段是转换，再强调一次，这个阶段只是把上个阶段生成的AST拿来进行一些修改，它可以保持原来的语言，也可以把它翻译成全新的语言。 让我们看看如何转换AST。 你可能会注意到我们AST里的元素看起来都非常相似，这些对象都有一个type属性，每个节点都被称为AST节点，这些节点上都定义了一些属性，用来描述树的一个部分。 我们可以为NumberLiteral创建一个节点： { type: 'NumberLiteral', value: '2',}或者为CallExpression创建一个节点： { type: 'CallExpression', name: 'subtract', params: [...嵌套节点...],}当转换AST的时候，我们可以通过这些方式来操作节点：添加、移除、替换属性，我们可以添加新节点，或者我们可以不管现有的AST，直接在它的基础上创建一个新的AST。 因为我们的目标是一个新语言，所以我们将基于目标语言创建一个全新的AST。 遍历（Traversal）为了在所有节点中穿梭，我们需要能够遍历它们，这个遍历的过程会以深度优先的方式到达每个节点。 { type: 'Program', body: [{ type: 'CallExpression', name: 'add', params: [{ type: 'NumberLiteral', value: '2' }, { type: 'CallExpression', name: 'subtract', params: [{ type: 'NumberLiteral', value: '4' }, { type: 'NumberLiteral', value: '2' }] }] }] }对于上述AST，我们将依次访问：
如果我们直接操作这个AST，而不是重新创建一个，我们可能会在这里引入各种抽象概念。但其实直接访问（visiting）树的每个节点就够我们使用了。 我之所以使用“访问”（visiting）这个词，是因为这里存在这样一种模式，即如何表示对对象结构上的元素的操作。 访问者（Visitors）基本思路是创建一个visitor访问器对象，提供一些接受不同节点类型的方法。 var visitor = { NumberLiteral() {}, CallExpression() {},};当我们遍历AST，每当遇到一个匹配的节点时，我们会调用这个访问器上对应节点类型的方法。 为了能让这些方法更有用，我们会传入两个参数，当前遍历到的节点，以及它的父节点。 var visitor = { NumberLiteral(node, parent) {}, CallExpression(node, parent) {},};然而，当退出时也存在需要访问的可能性，想象一下我们之前列表形式的树结构： - Program - CallExpression - NumberLiteral - CallExpression - NumberLiteral - NumberLiteral当我们向下遍历时，很容易在一个分支上走到头，当我们遍历完某个分支了我们就会退出它，所以往下走的时候我们会“进入”每个节点，往上走时会“退出”节点。 -> Program (enter) -> CallExpression (enter) -> Number Literal (enter) <- Number Literal (exit) -> Call Expression (enter) -> Number Literal (enter) <- Number Literal (exit) -> Number Literal (enter) <- Number Literal (exit) <- CallExpression (exit) <- CallExpression (exit) <- Program (exit) 为了支持这种情况，最终的访问器是这样的： var visitor = { NumberLiteral: { enter(node, parent) {}, exit(node, parent) {}, }};生成代码（Code Generation）编译器的最后一个阶段是生成代码，有时编译器会做一些和转换重合的事情，但大多数情况下，生成代码只是意味着把AST转换回代码字符串。 代码生成器有几种不同的工作方式，一些编译器会重用之前的token，其他的会创建一个独立的代码表示，这样就可以线性的打印节点，但据我所知，大多数的都会直接使用我们刚刚创建的AST，我们也会这么干。 实际上我们的代码生成器知道如何去打印AST上所有不同类型的节点，它会递归调用自己去打印所有嵌套节点，直到所有内容都被打印到一个长长的代码字符串中。 小结一下上面就是我们要做的编译器，它包含了一个真正编译器的所有部分。 但这并不意味着所有编译器都和我上面描述的一样，每个编译器可能都有不同的用途，所以它们除了我上面提到的内容外，可能它们还会有更多的步骤。 但是你现在应该会对大多数编译器有一个总体的基本的认识。 既然我已经把编译器的内容都介绍完了，现在你是否能自己写一个编译器了呢？ 开个玩笑了，下面让我来帮你一起完成它。 开始吧。。。 代码实现分词器我们将从解析的第一个阶段开始，使用分词器进行词法分析。 我们要做的只是把代码字符串分解成一个token数组： (add 2 (subtract 4 2)) => [{ type: 'paren', value: '(' }, ...]函数接收一个代码字符串为入参，我们要做两件事： function tokenizer(input) { // `current`变量就像一个游标，跟踪我们在代码中当前的位置 let current = 0; // `tokens`数组用来存放生成的token let tokens = []; // 我们从创建一个while循环开始，在循环中会按照我们想要的递增量来更新current // 这样做是因为可能一个循环里会多次更新current，因为一个token的长度是任意的 while (current < input.length) { // 当前位置的字符 let char = input[current]; // 首先要检查的是左括号`（`，后面会用于`CallExpression`，但是现在我们只关心字符 // 检查是否是左括号： if (char === '(') { // 如果匹配到了，添加一个类型为`paren`的token，设置它的值为`(` tokens.push({ type: 'paren', value: '(', }); // 递增`current` current++; // 跳过当前循环，进入下一个循环 continue; } // 接下来检查是否是右括号`)`，和刚才一样：匹配到右括号，添加一个新的token，递增current，最后跳过当前循环进入下一个循环 if (char === ')') { tokens.push({ type: 'paren', value: ')', }); current++; continue; } // 继续，接下来我们要检查的是空白符，空白符是用来分隔字符的，但它实际上并不重要，所以不会把它当做一个token进行添加 // 所以这里我们仅仅检查是否匹配到了空白符，匹配到了就跳过 let WHITESPACE = /\s/; if (WHITESPACE.test(char)) { current++; continue; } // 下一个token类型是number，这和之前的几种不一样，因为数字可能有任意长度，我们需要把数字整体作为一个token进行添加 // // (add 123 456) // ^^^ ^^^ // 虽然有六个字符，但是只算两个单独的token // // 当遇到序列中的第一个数字时，我们就开始了... let NUMBERS = /[0-9]/; if (NUMBERS.test(char)) { // 创建一个value变量，用来保存整个数字 let value = ''; // 接下来遍历这之后的每一个字符，直到遇到非数字字符 while (NUMBERS.test(char)) { // 拼接当前数字 value += char; // 更新current，移动到下一个字符 char = input[++current]; } // 之后我们添加一个number类型的token tokens.push({ type: 'number', value }); // 继续 continue; } // 我们也要增加对字符串的支持，即任何被双引号包裹起来的字符（'） // // (concat 'foo' 'bar') // ^^^ ^^^ 字符串类型的token // // 我们先检查一下开头的引号（'）： if (char === ''') { // 创建一个value变量用来保存token的值 let value = ''; // 跳过开头的双引号 char = input[++current]; // 遍历之后的每一个字符，直到遇到结尾的双引号 while (char !== ''') { // 更新value value += char; // 移到下一个字符 char = input[++current]; } // 跳过结尾的双引号 char = input[++current]; // 添加一个string类型的token tokens.push({ type: 'string', value }); continue; } // 还剩最后一种`name`类型的token，这是一个字母形式的字符，不是数字，作为我们的lisp语法里的函数名 // // (add 2 4) // ^^^ // Name token // let LETTERS = /[a-z]/i; if (LETTERS.test(char)) { let value = ''; // 同样的，还是循环遍历之后的所有字符 while (LETTERS.test(char)) { value += char; char = input[++current]; } // 添加一个`name`类型的token，然后继续到下一个循环 tokens.push({ type: 'name', value }); continue; } // 最后，如果到这里还有我们没有匹配到的字符，那就相当于语法有误，我们搞不定了，那么就直接抛错然后中止循环 throw new TypeError('I dont know what this character is: ' + char); } // 最后的最后，我们的分词器只要返回token列表就可以了 return tokens;}解析器对于解析器来说，要做的是把token列表转换成AST： [{ type: 'paren', value: '(' }, ...] => { type: 'Program', body: [...] }定义一个parser函数，接收token列表作为参数： function parser(tokens) { // 同样的，我们维护一个`current`变量作为游标 let current = 0; // 但是这里我们将使用递归，而不是while循环，定义一个递归函数 function walk() { // 先获取并保存当前位置的token let token = tokens[current]; // 我们将把每种类型的token分成不同的代码路径，从`number`类型的token开始 // // 判断是否是一个`number`类型的token if (token.type === 'number') { // 如果是的话，先递增一下current current++; // 返回一个新的AST节点，类型是`NumberLiteral`，它的value就是token的value return { type: 'NumberLiteral', value: token.value, }; } // `string`类型和`number`类型一样，创建一个`StringLiteral`类型的节点并返回 if (token.type === 'string') { current++; return { type: 'StringLiteral', value: token.value, }; } // 接下来，我们要找的是`CallExpressions`，这从我们遇到左括号开始 if ( token.type === 'paren' && token.value === '(' ) { // 递增current，跳过左括号，因为它在AST里不需要 token = tokens[++current]; // 创建一个基础的`CallExpression`节点，然后把值设置为当前token的value，因为左括号的右边紧接着就是函数名 let node = { type: 'CallExpression', name: token.value, params: [], }; // 递增current跳过函数名token token = tokens[++current]; // 接下来遍历后面的节点作为调用表达式`CallExpression`的参数`params`，直到遇到右括号 // // 这就是递归的用处，我们将依赖递归来解析一组可能无限嵌套的节点 // // 为了解释这一点，让我们再看看Lisp代码，你可以看到`add`方法有一个数字参数和一个嵌套的`CallExpression`，同样它又存在两个数字参数： // // (add 2 (subtract 4 2)) // // 你也会注意到token列表中存在多个右括号： // // [ // { type: 'paren', value: '(' }, // { type: 'name', value: 'add' }, // { type: 'number', value: '2' }, // { type: 'paren', value: '(' }, // { type: 'name', value: 'subtract' }, // { type: 'number', value: '4' }, // { type: 'number', value: '2' }, // { type: 'paren', value: ')' }, <<< 右括号 // { type: 'paren', value: ')' }, <<< 右括号 // ] // // 我们将依赖嵌套的`walk`函数来递增`current`，直到所有的`CallExpression`之后 // 因此我们创建一个`while`循环，递归调用`walk`，直到遇到右括号 // 译者注：这里其实就是考察递归思维，如果一个任务可以拆解成更小的子任务，且子任务和大任务的逻辑是一样的就可以使用递归，对于这里来说，add函数的参数的类型是任意的，可以是数字，可以是字符串，也可以是另外一个函数，另一个函数又会遇到和add函数一样的问题，所以直接交给递归函数执行，对于add来说，你只要返回AST节点就可以了。 while ( (token.type !== 'paren') || (token.type === 'paren' && token.value !== ')') ) { // 调用递归函数，它将返回一个AST节点，添加到当前的`params`列表里 node.params.push(walk()); token = tokens[current]; } // 递增current，用来跳过右括号 current++; // 返回节点 return node; } // 同样的，如果遇到我们无法识别的token就抛错 throw new TypeError(token.type); } // 创建一个`AST`的根节点`Program` let ast = { type: 'Program', body: [], }; // 接下来开启一个循环，来添加节点到`ast.body`数组里 // 这里使用循环是因为可能有多个并列的`CallExpression` // // (add 2 2) // (subtract 4 2) // while (current < tokens.length) { ast.body.push(walk()); } // 最后返回ast即可 return ast;}遍历到这里我们已经有AST了，我们想能通过访问器来访问不同类型的节点。我们需要能够在遇到匹配类型的节点时调用访问器上的方法。 traverse(ast, { Program: { enter(node, parent) { // ... }, exit(node, parent) { // ... }, }, CallExpression: { enter(node, parent) { // ... }, exit(node, parent) { // ... }, }, NumberLiteral: { enter(node, parent) { // ... }, exit(node, parent) { // ... }, }, });所以我们定义一个traverser函数，接收一个AST和一个访问器，内部还会再定义两个函数... function traverser(ast, visitor) { // `traverseArray`函数用来遍历数组，里面会调用下面定义的`traverseNode`函数 function traverseArray(array, parent) { array.forEach(child => { traverseNode(child, parent); }); } // `traverseNode`接收一个`node`和它的父节点 function traverseNode(node, parent) { // 首先确认匹配到的`type`是否在访问器里有对应方法 let methods = visitor[node.type]; // 如果存在`enter`方法，那么就调用它，传入当前节点和父节点 if (methods && methods.enter) { methods.enter(node, parent); } // 接下来根据类型类型来分别处理 switch (node.type) { // 从顶层节点`Program`开始，因为Program节点的属性`body`是数组类型，所以调用`traverseArray`方法来遍历 // (记住`traverseArray`方法内部会依次调用`traverseNode`，所以会递归遍历树) case 'Program': traverseArray(node.body, node); break; // `CallExpression`类型也是一样的，只不过遍历的是它的`params`属性 case 'CallExpression': traverseArray(node.params, node); break; // `NumberLiteral`和`StringLiteral`类型的节点没有子节点，所以直接跳过 case 'NumberLiteral': case 'StringLiteral': break; // 还是同样的，如果出现了我们无法识别的节点就抛错 default: throw new TypeError(node.type); } // 如果存在`exit`方法，在这里调用，传入`node`和它的`parent` if (methods && methods.exit) { methods.exit(node, parent); } } // 最后我们调用`traverseNode`来开启遍历，传入ast，因为顶层节点没有`parent`，所以传null traverseNode(ast, null);}译者注：这个方法其实就是树的深度优先遍历，然后在前序遍历的位置调用访问器的enter方法，在后序遍历位置调用访问器的exit方法。 转换接下来，转换器（transformer），它会把我们构建的AST，再加上一个访问器visitor，一起传给traverser函数，然后返回一个新的AST。 ---------------------------------------------------------------------------- 原 AST | 转换后的 AST---------------------------------------------------------------------------- { | { type: 'Program', | type: 'Program', body: [{ | body: [{ type: 'CallExpression', | type: 'ExpressionStatement', name: 'add', | expression: { params: [{ | type: 'CallExpression', type: 'NumberLiteral', | callee: { value: '2' | type: 'Identifier', }, { | name: 'add' type: 'CallExpression', | }, name: 'subtract', | arguments: [{ params: [{ | type: 'NumberLiteral', type: 'NumberLiteral', | value: '2' value: '4' | }, { }, { | type: 'CallExpression', type: 'NumberLiteral', | callee: { value: '2' | type: 'Identifier', }] | name: 'subtract' }] | }, }] | arguments: [{ } | type: 'NumberLiteral', | value: '4' ---------------------------------- | }, { | type: 'NumberLiteral', | value: '2' | }] (不好意思，右边的比较长) | } | } | }] | } ----------------------------------------------------------------------------所以我们的transformer函数会接受一个lisp的AST作为参数： （译者注：要理解下面这个函数，还是先要搞清楚从旧的到新的都做了哪些转换，回到上面的对比，可以看到CallExpression节点的type没变，但是把name属性修改成了callee，另外参数列表由params变成了arguments，最后如果CallExpression节点的父节点不是CallExpression节点的话那么会创建一个ExpressionStatement节点来包裹，所以转换过程是这样的，我们首先创建一个新的AST根节点，但是我们遍历的是旧的AST，所以怎么能在新的AST上添加节点呢，可以通过在旧的AST节点上创建一个属性来引用新的AST上的列表属性，这样就可以在遍历旧的树时往新的树的列表里添加节点。） function transformer(ast) { // 新AST，和之前的AST一样，也要有一个Program节点 let newAst = { type: 'Program', body: [], }; // 接下来我要做一个小改动，在父节点上添加一个`context`属性，然后会把每个节点都添加到它们父节点的`context`里，通常情况下你会有一个更好的抽象，但是为了我们的目的，这样做更简单 // // 需要注意的是旧的AST里的context属性只是新AST属性的一个引用 ast._context = newAst.body; // 接下来调用traverser方法，传入AST和一个访问器对象 traverser(ast, { // 第一个访问者接收`NumberLiteral`类型的节点 NumberLiteral: { // 进入时 enter(node, parent) { // 创建一个新的`NumberLiteral`节点，添加到父节点的context里 parent._context.push({ type: 'NumberLiteral', value: node.value, }); }, }, // 接下来是`StringLiteral` StringLiteral: { enter(node, parent) { parent._context.push({ type: 'StringLiteral', value: node.value, }); }, }, // 然后是`CallExpression` CallExpression: { enter(node, parent) { // 创建一个新节点`CallExpression`，里面嵌套一个`Identifier`节点 let expression = { type: 'CallExpression', callee: { type: 'Identifier', name: node.name, }, arguments: [], }; // 接下来我们给原`CallExpression`节点定义一个新的context属性，引用我们刚才新创建的节点的arguments属性，这样在遍历旧节点的参数时就可以给新的节点添加参数了 node._context = expression.arguments; // 接下来检查一下父节点是否是`CallExpression`节点 // 如果不是的话... if (parent.type !== 'CallExpression') { // 创建一点`ExpressionStatement`节点来包裹`CallExpression`节点，这样做是因为顶层的`CallExpression`在JavaScript里实际上是语句 expression = { type: 'ExpressionStatement', expression: expression, }; } // 最后，把(可能是被包裹的) `CallExpression`节点添加到父节点的`context`里 parent._context.push(expression); }, } }); // 函数的最后返回新创建的AST return newAst;}生成代码现在让我们来看最后一个阶段：生成代码。 我们的代码生成器会递归的调用自己，把树中的每个节点都打印到一个巨大的字符里。 function codeGenerator(node) { // 我们将按节点类型进行分别处理 switch (node.type) { // 如果是`Program`节点，那就遍历它的`body`列表，对每个节点调用codeGenerator方法，然后把它们用换行符拼接起来 case 'Program': return node.body.map(codeGenerator) .join('\n'); // 对于`ExpressionStatement`节点，对它的expression节点调用对每个节点调用codeGenerator方法方法，然后再添加一个分号... case 'ExpressionStatement': return ( codeGenerator(node.expression) + ';' // << (...在一个语句的末尾添加分号是符合标准的) ); // 对于`CallExpression`节点，我们要打印的是`callee`，然后拼接一个左括号，然后遍历参数`arguments`的每个节点，调用codeGenerator方法把它们转成字符串，然后用逗号拼接起来，最后再添加一个右括号 case 'CallExpression': return ( codeGenerator(node.callee) + '(' + node.arguments.map(codeGenerator) .join(', ') + ')' ); // 对于`Identifier`节点，只要返回name属性的值即可 case 'Identifier': return node.name; // 对于`NumberLiteral`节点，返回它的value属性值 case 'NumberLiteral': return node.value; // 对于`StringLiteral`节点，需要使用双引号来包裹它的value值 case 'StringLiteral': return ''' + node.value + '''; // 如果遇到无法识别的节点，那么抛错 default: throw new TypeError(node.type); }}最终的编译器~最后让我们来创建一个compiler函数，在这个函数里把上面的所有流程串起来： 1. input => tokenizer => tokens2. tokens => parser => ast3. ast => transformer => newAst4. newAst => generator => outputfunction compiler(input) { let tokens = tokenizer(input); let ast = parser(tokens); let newAst = transformer(ast); let output = codeGenerator(newAst); // 把代码生成结果返回就ok了 return output;}大功告成现在，让我们把上面所有的函数导出： module.exports = { tokenizer, parser, traverser, transformer, codeGenerator, compiler,};总结注释太多可能影响阅读代码，可以点此阅读纯享版 |
|
|
来自： 菌心说 > 《编程＋、计算机、信息技术》
