用 JavaScript 写一个超小型编译器
2019/10/21/09:28:41 阅读:2007 来源:谷歌SEO算法 标签:
自媒体
这是一个用JavaScript编写的编译器,虽然是一个很小很小的并没有什么卵用的编译器,但可以向我们展示编译器的很多东西。今天我把它翻译了出来,供大家学习和讨论。
/** * 今天让我们来写一个编译器,一个超级无敌小的编译器!它小到如果把所有注释删去的话,大概只剩 * 200行左右的代码。 * * 我们将会用它将 lisp 风格的函数调用转换为 C 风格。 * * 如果你对这两种风格不是很熟悉,下面是一个简单的介绍。 * * 假设我们有两个函数,`add` 和 `subtract`,那么它们的写法将会是下面这样: * * LISP C * * 2 + 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)) * * 很简单对吧? * * 这个转换就是我们将要做的事情。虽然这并不包含 LISP 或者 C 的全部语法,但它足以向我们 * 展示现代编译器很多要点。 * */ /** * 大多数编译器可以分成三个阶段:解析(Parsing),转换(Transformation)以及代码 * 生成(Code Generation) * * 1. *解析*是将最初原始的代码转换为一种更加抽象的表示(译者注:即AST)。* * * 2. *转换*将对这个抽象的表示做一些处理,让它能做到编译器期望 * 它做到的事情。 * * 3. *代码生成*接收处理之后的代码表示,然后把它转换成新的代码。 */ /** * 解析(Parsing) * ------- * * 解析一般来说会分成两个阶段:词法分析(Lexical Analysis)和语法分析(Syntactic Analysis)。 * * 1. *词法分析*接收原始代码,然后把它分割成一些被称为 Token 的东西,这个过程是在词法分析 * 器(Tokenizer或者Lexer)中完成的。 * * Token 是一个数组,由一些代码语句的碎片组成。它们可以是数字、标签、标点符号、运算符, * 或者其它任何东西。 * * 2. *语法分析* 接收之前生成的 Token,把它们转换成一种抽象的表示,这种抽象的表示描述了代 * 码语句中的每一个片段以及它们之间的关系。这被称为中间表示(intermediate representation) * 或抽象语法树(Abstract Syntax Tree, 缩写为AST) * * 抽象语法树是一个嵌套程度很深的对象,用一种更容易处理的方式代表了代码本身,也能给我们 * 更多信息。 * * 比如说对于下面这一行代码语句: * * (add 2 (subtract 4 2)) * * 它产生的 Token 看起来或许是这样的: * * [ * { 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: ')' } * ] * * 它的抽象语法树(AST)看起来或许是这样的: * * { * 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) * -------------- * * 编译器的下一步就是转换。它只是把 AST 拿过来然后对它做一些修改。它可以在同种语言下操 * 作 AST,也可以把 AST 翻译成全新的语言。 * * 下面我们来看看该如何转换 AST。 * * 你或许注意到了我们的 AST 中有很多相似的元素,这些元素都有 type 属性,它们被称为 AST * 结点。这些结点含有若干属性,可以用于描述 AST 的部分信息。 * * 比如下面是一个“NumberLiteral”结点: * * { * type: 'NumberLiteral', * value: '2' * } * * 又比如下面是一个“CallExpression”结点: * * { * type: 'CallExpression', * name: 'subtract', * params: [...nested nodes go here...] * } * * 当转换 AST 的时候我们可以添加、移动、替代这些结点,也可以根据现有的 AST 生成一个全新 * 的 AST * * 既然我们编译器的目标是把输入的代码转换为一种新的语言,所以我们将会着重于产生一个针对 * 新语言的全新的 AST。 * * * 遍历(Traversal) * --------- * * 为了能处理所有的结点,我们需要遍历它们,使用的是深度优先遍历。 * * { * 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' * }] * }] * }] * } * * So for the above AST we would go: * 对于上面的 AST 的遍历流程是这样的: * * 1. Program - 从 AST 的顶部结点开始 * 2. CallExpression (add) - Program 的第一个子元素 * 3. NumberLiteral (2) - CallExpression (add) 的第一个子元素 * 4. CallExpression (subtract) - CallExpression (add) 的第二个子元素 * 5. NumberLiteral (4) - CallExpression (subtract) 的第一个子元素 * 6. NumberLiteral (4) - CallExpression (subtract) 的第二个子元素 * * 如果我们直接在 AST 内部操作,而不是产生一个新的 AST,那么就要在这里介绍所有种类的抽象, * 但是目前访问(visiting)所有结点的方法已经足够了。 * * 使用“访问(visiting)”这个词的是因为这是一种模式,代表在对象结构内对元素进行操作。 * * 访问者(Visitors) * -------- * * 我们最基础的想法是创建一个“访问者(visitor)”对象,这个对象中包含一些方法,可以接收不 * 同的结点。 * * var visitor = { * NumberLiteral() {}, * CallExpression() {} * }; * * 当我们遍历 AST 的时候,如果遇到了匹配 type 的结点,我们可以调用 visitor 中的方法。 * * 一般情况下为了让这些方法可用性更好,我们会把父结点也作为参数传入。 */ /** * 代码生成(Code Generation) * --------------- * * 编译器的最后一个阶段是代码生成,这个阶段做的事情有时候会和转换(transformation)重叠, * 但是代码生成最主要的部分还是根据 AST 来输出代码。 * * 代码生成有几种不同的工作方式,有些编译器将会重用之前生成的 token,有些会创建独立的代码 * 表示,以便于线性地输出代码。但是接下来我们还是着重于使用之前生成好的 AST。 * * 我们的代码生成器需要知道如何“打印”AST 中所有类型的结点,然后它会递归地调用自身,直到所 * 有代码都被打印到一个很长的字符串中。 * */ /** * 好了!这就是编译器中所有的部分了。 * * 当然不是说所有的编译器都像我说的这样。不同的编译器有不同的目的,所以也可能需要不同的步骤。 * * 但你现在应该对编译器到底是个什么东西有个大概的认识了。 * * 既然我全都解释一遍了,你应该能写一个属于自己的编译器了吧? * * 哈哈开个玩笑,接下来才是重点 : P * * 所以我们开始吧... */ /** * ============================================================================ * (/^▽^)/ * 词法分析器(Tokenizer)! * ============================================================================ */ /** * 我们从第一个阶段开始,即词法分析,使用的是词法分析器(Tokenizer)。 * * 我们只是接收代码组成的字符串,然后把它们分割成 token 组成的数组。 * * (add 2 (subtract 4 2)) => [{ type: 'paren', value: '(' }, ...] */ // 我们从接收一个字符串开始,首先设置两个变量。 function tokenizer(input) { // `current`变量类似指针,用于记录我们在代码字符串中的位置。 var current = 0; // `tokens`数组是我们放置 token 的地方 var tokens = []; // 首先我们创建一个 `while` 循环, `current` 变量会在循环中自增。 // // 我们这么做的原因是,由于 token 数组的长度是任意的,所以可能要在单个循环中多次 // 增加 `current` while (current < input.length) { // 我们在这里储存了 `input` 中的当前字符 var char = input[current]; // 要做的第一件事情就是检查是不是右圆括号。这在之后将会用在 `CallExpressions` 中, // 但是现在我们关心的只是字符本身。 // // 检查一下是不是一个左圆括号。 if (char === '(') { // 如果是,那么我们 push 一个 type 为 `paren`,value 为左圆括号的对象。 tokens.push({ type: 'paren', value: '(' }); // 自增 `current` current++; // 结束本次循环,进入下一次循环 continue; } // 然后我们检查是不是一个右圆括号。这里做的时候和之前一样:检查右圆括号、加入新的 token、 // 自增 `current`,然后进入下一次循环。 if (char === ')') { tokens.push({ type: 'paren', value: ')' }); current++; continue; } // 继续,我们现在检查是不是空格。有趣的是,我们想要空格的本意是分隔字符,但这现在 // 对于我们储存 token 来说不那么重要。我们暂且搁置它。 // // 所以我们只是简单地检查是不是空格,如果是,那么我们直接进入下一个循环。 var WHITESPACE = /\s/; if (WHITESPACE.test(char)) { current++; continue; } // 下一个 token 的类型是数字。它和之前的 token 不同,因为数字可以由多个数字字符组成, // 但是我们只能把它们识别为一个 token。 // // (add 123 456) // ^^^ ^^^ // Only two separate tokens // 这里只有两个 token // // 当我们遇到一个数字字符时,将会从这里开始。 var NUMBERS = /[0-9]/; if (NUMBERS.test(char)) { // 创建一个 `value` 字符串,用于 push 字符。 var value = ''; // 然后我们循环遍历接下来的字符,直到我们遇到的字符不再是数字字符为止,把遇到的每 // 一个数字字符 push 进 `value` 中,然后自增 `current`。 while (NUMBERS.test(char)) { value += char; char = input[++current]; } // 然后我们把类型为 `number` 的 token 放入 `tokens` 数组中。 tokens.push({ type: 'number', value: value }); // 进入下一次循环。 continue; } // 最后一种类型的 token 是 `name`。它由一系列的字母组成,这在我们的 lisp 语法中 // 代表了函数。 // // (add 2 4) // ^^^ // Name token // var LETTERS = /[a-z]/i; if (LETTERS.test(char)) { var value = ''; // 同样,我们用一个循环遍历所有的字母,把它们存入 value 中。 while (LETTERS.test(char)) { value += char; char = input[++current]; } // 然后添加一个类型为 `name` 的 token,然后进入下一次循环。 tokens.push({ type: 'name', value: value }); continue; } // 最后如果我们没有匹配上任何类型的 token,那么我们抛出一个错误。 throw new TypeError('I dont know what this character is: ' + char); } // 词法分析器的最后我们返回 tokens 数组。 return tokens; } /** * ============================================================================ * ヽ/?o ?? o\? * 语法分析器(Parser)!!! * ============================================================================ */ /** * 语法分析器接受 token 数组,然后把它转化为 AST * * [{ type: 'paren', value: '(' }, ...] => { type: 'Program', body: [...] } */ // 现在我们定义 parser 函数,接受 `tokens` 数组 function parser(tokens) { // 我们再次声明一个 `current` 变量作为指针。 var current = 0; // 但是这次我们使用递归而不是 `while` 循环,所以我们定义一个 `walk` 函数。 function walk() { // walk函数里,我们从当前token开始 var token = tokens[current]; // 对于不同类型的结点,对应的处理方法也不同,我们从 `number` 类型的 token 开始。 // 检查是不是 `number` 类型 if (token.type === 'number') { // 如果是,`current` 自增。 current++; // 然后我们会返回一个新的 AST 结点 `NumberLiteral`,并且把它的值设为 token 的值。 return { type: 'NumberLiteral', value: token.value }; } // 接下来我们检查是不是 CallExpressions 类型,我们从左圆括号开始。 if ( token.type === 'paren' && token.value === '(' ) { // 我们会自增 `current` 来跳过这个括号,因为括号在 AST 中是不重要的。 token = tokens[++current]; // 我们创建一个类型为 `CallExpression` 的根节点,然后把它的 name 属性设置为当前 // token 的值,因为紧跟在左圆括号后面的 token 一定是调用的函数的名字。 var node = { type: 'CallExpression', name: token.value, params: [] }; // 我们再次自增 `current` 变量,跳过当前的 token token = tokens[++current]; // 现在我们循环遍历接下来的每一个 token,直到我们遇到右圆括号,这些 token 将会 // 是 `CallExpression` 的 `params`(参数) // // 这也是递归开始的地方,我们采用递归的方式来解决问题,而不是去尝试解析一个可能有无限 // 层嵌套的结点。 // // 为了更好地解释,我们来看看我们的 Lisp 代码。你会注意到 `add` 函数的参数有两个, // 一个是数字,另一个是一个嵌套的 `CallExpression`,这个 `CallExpression` 中 // 包含了它自己的参数(两个数字) // // (add 2 (subtract 4 2)) // // 你也会注意到我们的 token 数组中有多个右圆括号。 // // [ // { 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: ')' }, <<< 右圆括号 // { type: 'paren', value: ')' } <<< 右圆括号 // ] // // 遇到嵌套的 `CallExpressions` 时,我们将会依赖嵌套的 `walk` 函数来 // 增加 `current` 变量 // // 所以我们创建一个 `while` 循环,直到遇到类型为 `'paren'`,值为右圆括号的 token。 while ( (token.type !== 'paren') || (token.type === 'paren' && token.value !== ')') ) { // 我们调用 `walk` 函数,它将会返回一个结点,然后我们把这个节点 // 放入 `node.params` 中。 node.params.push(walk()); token = tokens[current]; } // 我们最后一次增加 `current`,跳过右圆括号。 current++; // 返回结点。 return node; } // 同样,如果我们遇到了一个类型未知的结点,就抛出一个错误。 throw new TypeError(token.type); } // 现在,我们创建 AST,根结点是一个类型为 `Program` 的结点。 var ast = { type: 'Program', body: [] }; // 现在我们开始 `walk` 函数,把结点放入 `ast.body` 中。 // // 之所以在一个循环中处理,是因为我们的程序可能在 `CallExpressions` 后面包含连续的两个 // 参数,而不是嵌套的。 // // (add 2 2) // (subtract 4 2) // while (current < tokens.length) { ast.body.push(walk()); } // 最后我们的语法分析器返回 AST return ast; } /** * ============================================================================ * ⌒(?>???<?)⌒ * 遍历器!!! * ============================================================================ */ /** * 现在我们有了 AST,我们需要一个 visitor 去遍历所有的结点。当遇到某个类型的结点时,我们 * 需要调用 visitor 中对应类型的处理函数。 * * traverse(ast, { * Program(node, parent) { * // ... * }, * * CallExpression(node, parent) { * // ... * }, * * NumberLiteral(node, parent) { * // ... * } * }); */ // 所以我们定义一个遍历器,它有两个参数,AST 和 vistor。在它的里面我们又定义了两个函数... function traverser(ast, visitor) { // `traverseArray` 函数允许我们对数组中的每一个元素调用 `traverseNode` 函数。 function traverseArray(array, parent) { array.forEach(function(child) { traverseNode(child, parent); }); } // `traverseNode` 函数接受一个 `node` 和它的父结点 `parent` 作为参数,这个结点会被 // 传入到 visitor 中相应的处理函数那里。 function traverseNode(node, parent) { // 首先我们看看 visitor 中有没有对应 `type` 的处理函数。 var method = visitor[node.type]; // 如果有,那么我们把 `node` 和 `parent` 都传入其中。 if (method) { method(node, parent); } // 下面我们对每一个不同类型的结点分开处理。 switch (node.type) { // 我们从顶层的 `Program` 开始,Program 结点中有一个 body 属性,它是一个由若干 // 个结点组成的数组,所以我们对这个数组调用 `traverseArray`。 // // (记住 `traverseArray` 会调用 `traverseNode`,所以我们会递归地遍历这棵树。) case 'Program': traverseArray(node.body, node); break; // 下面我们对 `CallExpressions` 做同样的事情,遍历它的 `params`。 case 'CallExpression': traverseArray(node.params, node); break; // 如果是 `NumberLiterals`,那么就没有任何子结点了,所以我们直接 break case 'NumberLiteral': break; // 同样,如果我们不能识别当前的结点,那么就抛出一个错误。 default: throw new TypeError(node.type); } } // 最后我们对 AST 调用 `traverseNode`,开始遍历。注意 AST 并没有父结点。 traverseNode(ast, null); } /** * ============================================================================ * ?(??????????)? * 转换器!!! * ============================================================================ */ /** * 下面是转换器。转换器接收我们在之前构建好的 AST,然后把它和 visitor 传递进入我们的遍历 * 器中 ,最后得到一个新的 AST。 * * ---------------------------------------------------------------------------- * 原始的 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' * | }] * (那一边比较长/w\) | }] * | } * | }] * | } * ---------------------------------------------------------------------------- */ // 定义我们的转换器函数,接收 AST 作为参数 function transformer(ast) { // 创建 `newAST`,它与我们之前的 AST 类似,有一个类型为 Program 的根节点。 var newAst = { type: 'Program', body: [] }; // 下面的代码会有些奇技淫巧,我们在父结点上使用一个属性 `context`(上下文),这样我们就 // 可以把结点放入他们父结点的 context 中。当然可能会有更好的做法,但是为了简单我们姑且 // 这么做吧。 // // 注意 context 是一个*引用*,从旧的 AST 到新的 AST。 ast._context = newAst.body; // 我们把 AST 和 visitor 函数传入遍历器 traverser(ast, { // 第一个 visitor 方法接收 `NumberLiterals`。 NumberLiteral: function(node, parent) { // 我们创建一个新结点,名字叫 `NumberLiteral`,并把它放入父结点的 context 中。 parent._context.push({ type: 'NumberLiteral', value: node.value }); }, // 下一个,`CallExpressions`。 CallExpression: function(node, parent) { // 我们创建一个 `CallExpression` 结点,里面有一个嵌套的 `Identifier`。 var expression = { type: 'CallExpression', callee: { type: 'Identifier', name: node.name }, arguments: [] }; // 下面我们在原来的 `CallExpression` 结点上定义一个新的 context,它是 expression // 中 arguments 这个数组的引用,我们可以向其中放入参数。 node._context = expression.arguments; // 然后来看看父结点是不是一个 `CallExpression`,如果不是... if (parent.type !== 'CallExpression') { // 我们把 `CallExpression` 结点包在一个 `ExpressionStatement` 中,这么做是因为 // 单独存在(原文为top level)的 `CallExpressions` 在 JavaScript 中也可以被当做 // 是声明语句。 // // 译者注:比如 `var a = foo()` 与 `foo()`,后者既可以当作表达式给某个变量赋值,也 // 可以作为一个独立的语句存在。 expression = { type: 'ExpressionStatement', expression: expression }; } // 最后我们把 `CallExpression`(可能是被包起来的) 放入父结点的 context 中。 parent._context.push(expression); } }); // 最后返回创建好的新 AST。 return newAst; } /** * ============================================================================ * ヾ(〃^?^)?? * 代码生成器!!!! * ============================================================================ */ /** * 现在只剩最后一步啦:代码生成器。 * * 我们的代码生成器会递归地调用它自己,把 AST 中的每个结点打印到一个很大的字符串中。 */ function codeGenerator(node) { // 对于不同 `type` 的结点分开处理。 switch (node.type) { // 如果是 `Program` 结点,那么我们会遍历它的 `body` 属性中的每一个结点,并且递归地 // 对这些结点再次调用 codeGenerator,再把结果打印进入新的一行中。 case 'Program': return node.body.map(codeGenerator) .join('\n'); // 对于 `ExpressionStatements`,我们对它的 expression 属性递归调用,同时加入一个 // 分号。 case 'ExpressionStatement': return ( codeGenerator(node.expression) + ';' // << (...因为我们喜欢用*正确*的方式写代码) ); // 对于 `CallExpressions`,我们会打印出 `callee`,接着是一个左圆括号,然后对 // arguments 递归调用 codeGenerator,并且在它们之间加一个逗号,最后加上右圆括号。 case 'CallExpression': return ( codeGenerator(node.callee) + '(' + node.arguments.map(codeGenerator) .join(', ') + ')' ); // 对于 `Identifiers` 我们只是返回 `node` 的 name。 case 'Identifier': return node.name; // 对于 `NumberLiterals` 我们只是返回 `node` 的 value case 'NumberLiteral': return node.value; // 如果我们不能识别这个结点,那么抛出一个错误。 default: throw new TypeError(node.type); } } /** * ============================================================================ * (?* ‘ヮ’)?” * !!!!!!!!!!!!编译器!!!!!!!!!!! * ============================================================================ */ /** * 最后!我们创建 `compiler` 函数,它只是把上面说到的那些函数连接到一起。 * * 1. input => tokenizer => tokens * 2. tokens => parser => ast * 3. ast => transformer => newAst * 4. newAst => generator => output */ function compiler(input) { var tokens = tokenizer(input); var ast = parser(tokens); var newAst = transformer(ast); var output = codeGenerator(newAst); // 然后返回输出! return output; } /** * ============================================================================ * (??????)? * !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!你做到了!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! * ============================================================================ */ // 现在导出所有接口... module.exports = { tokenizer: tokenizer, parser: parser, transformer: transformer, codeGenerator: codeGenerator, compiler: compiler };
热门评论