Python源码分析5 – 语法分析器PyParser
Introduction
上一篇文章我们分析了Python是如何对语法文件Grammar进行预处理，生成语法数据，并在运行时生成Acclerators加速语法分析的过程。当分析完这些内容之后，下一步便是分析Python中语法分析的机制。回顾一下Python的整个处理流程：
1. PyTokenizer进行词法分析，把源程序分解为Token
2. PyParser根据Token创建CST
3. CST被转换为AST
4. AST被编译为字节码
5. 执行字节码
语法分析处于整个流程的第二步，其目标是处理token生成CST(Concrete Syntax Tree)。因此，在具体分析PyParser的工作方式之前，我们先看一下什么是CST。
CST (Concrete Syntax Tree)
CST (Concrete Syntax Tree) 和AST (Abstract Syntax Tree) 类似，都是语法分析所获得的中间结果。他们的不同之处在于，CST直接对应语法分析的匹配的过程，是直接生成的，含有大量冗余信息。而AST省略了中间的冗余信息，直接对应实际的语义，也就是分析的结果。用例子说明要清楚一些：
假设有这样一个表达式a，
CST是这样的：（->表示从父结点到子结点）
file_input -> stmt -> simple_stmt -> small_stmt -> expr_stmt -> testlist -> test ->or_test ->and_test ->not_test -> comparison -> expr -> xor_expr -> and_expr -> shift_expr -> arith_expr -> term -> factor -> power -> atom -> (NAME, “a”)
而AST则是：
(stmt_ty, expr_kind) -> (expr_ty, name_kind) ->(“a”)
可以看到CST表述了整个分析a的过程，从file_input一直推导到最后的NAME，每一步推导都成了树的结点，而大部分信息都可以说是无用的。AST的结构要简单和直接的多，直接表明a是一个表达式语句（假定a是一个单独的语句），内容是一个标示符，值为”a”。Python的语法分析生成的是CST而非AST，之后Python会调用PyAst_FromNode将CST转换为AST。
CST的结点称为Node，其结构定义在node.h中：
| typedef struct _node { short n_type; char *n_str; int n_lineno; int n_col_offset; int n_nchildren; struct _node *n_child; } node; |
| Field |
Description |
| n_type |
结点类型，终结符定义在token.h中，而非终结符定义在graminit.h中 |
| n_str |
结点所对应的字符串的内容 |
| n_lineno |
对应的行号 |
| n_col_offset |
列号 |
| n_nchildren |
子结点的个数 |
| n_child |
子结点数组，动态分配内存 |
Python提供了下面的函数/宏来操作CST，同样定义在node.h中：
| PyAPI_FUNC(node *) PyNode_New(int type); PyAPI_FUNC(int) PyNode_AddChild(node *n, int type, char *str, int lineno, int col_offset); PyAPI_FUNC(void) PyNode_Free(node *n);
/* Node access functions */ #define NCH(n) ((n)->n_nchildren)
#define CHILD(n, i) (&(n)->n_child[i]) #define RCHILD(n, i) (CHILD(n, NCH(n) + i)) #define TYPE(n) ((n)->n_type) #define STR(n) ((n)->n_str)
/* Assert that the type of a node is what we expect */ #define REQ(n, type) assert(TYPE(n) == (type))
PyAPI_FUNC(void) PyNode_ListTree(node *); |
PyNode_New和PyNode_Delete负责创建和释放node结构：
| node * PyNode_New(int type) { node *n = (node *) PyObject_MALLOC(1 * sizeof(node)); if (n == NULL) return NULL; n->n_type = type; n->n_str = NULL; n->n_lineno = 0; n->n_nchildren = 0; n->n_child = NULL; return n; }
void PyNode_Free(node *n) { if (n != NULL) { freechildren(n); PyObject_FREE(n); } }
static void freechildren(node *n) { int i; for (i = NCH(n); --i >= 0; ) freechildren(CHILD(n, i)); if (n->n_child != NULL) PyObject_FREE(n->n_child); if (STR(n) != NULL) PyObject_FREE(STR(n)); }
|
NCH/CHILD/RCHILD/TYPE/STR是用来封装对node的成员的访问的。需要提一下的是，CHILD(n, i)是从左边开始算，传入i的是正数，而RCHILD(n, i)则是从右边往左，传入的参数i是负数。
PyNode_AddChild将一个新的子结点加入到子结点数组中。由于结点数量是动态变化的，因此在当前分配的结点数组大小不够的时候，Python会调用realloc重新分配内存。内存分配是一个非常耗时的动作，因此Python在PyNode_AddChild之中用到了和std::vector类似的技巧来尽量减少内存分配的次数，每次增长的时候都会根据某个规则进行RoundUp，而不是需要多少就分配多少。XXXROUNDUP函数负责进行此运算。n<=1时， 返回n。1
| #define XXXROUNDUP(n) ((n) <= 1 ? (n) : / (n) <= 128 ? (((n) + 3) & ~3) : / fancy_roundup(n)) |
有了XXXROUNDUP之后，实现PyNode_AddChild就非常直接了：
| int PyNode_AddChild(register node *n1, int type, char *str, int lineno, int col_offset) { const int nch = n1->n_nchildren; int current_capacity; int required_capacity; node *n;
if (nch == INT_MAX || nch < 0) return E_OVERFLOW;
current_capacity = XXXROUNDUP(nch); required_capacity = XXXROUNDUP(nch + 1); if (current_capacity < 0 || required_capacity < 0) return E_OVERFLOW; if (current_capacity < required_capacity) { n = n1->n_child; n = (node *) PyObject_REALLOC(n, required_capacity * sizeof(node)); if (n == NULL) return E_NOMEM; n1->n_child = n; }
n = &n1->n_child[n1->n_nchildren++]; n->n_type = type; n->n_str = str; n->n_lineno = lineno; n->n_col_offset = col_offset; n->n_nchildren = 0; n->n_child = NULL; return 0; } |
值得注意的是该函数并没有记录下当前的最大容量，这个可以通过XXXROUNDUP(nch)计算出来。
PyParser
PyParser所作的事情就是根据token生成CST。整个生成树的过程其实也就是一个遍历语法图的过程。在前一篇文章中我们知道语法图是由多个DFA组成的，而输入的token和当前的所处的状态结点可以决定下一个状态结点。由于PyParser是在多个DFA中遍历，因此当结束了某个DFA的遍历需要回到上一个DFA，这些信息都是由一个专门的栈保存着。PyParser所对应的结构是parser_state，这个结构保存着PyParser的内部状态，如下：
| typedef struct { stack p_stack; /* Stack of parser states */ grammar *p_grammar; /* Grammar to use */ node *p_tree; /* Top of parse tree */ #ifdef PY_PARSER_REQUIRES_FUTURE_KEYWORD unsigned long p_flags; /* see co_flags in Include/code.h */ #endif } parser_state; |
| Field |
Description |
| p_stack |
PyParser状态栈，每一个状态都对应着某个DFA中的某个状态 |
| p_grammar |
语法图的指针 |
| p_tree |
CST的根结点 |
| p_flags |
PyParser的flags，唯一用到的是CO_FUTURE_WITH_STATEMENT |
状态栈的定义如下：
| typedef struct { stackentry *s_top; /* Top entry */ stackentry s_base[MAXSTACK]; /* Array of stack entries */ /* NB The stack grows down */ } stack; |
状态栈中的状态如下：
| typedef struct { int s_state; /* State in current DFA */ dfa *s_dfa; /* Current DFA */ struct _node *s_parent; /* Where to add next node */ } stackentry; |
| Field |
Description |
| s_state |
当前DFA中的状态ID |
| s_dfa |
当前DFA指针 |
| s_parent |
当前的parent结点。PyParser会把新的结点作为Child加到栈顶状态的s_parent结点中去 |
PyParser调用下面这些函数来操作栈：
| static void s_reset(stack *s); #define s_empty(s) ((s)->s_top == &(s)->s_base[MAXSTACK]) static int s_push(register stack *s, dfa *d, node *parent) #define s_pop(s) (s)->s_top++ |
这些函数的实现非常简单，不再赘述。
PyParser所支持的“成员”函数如下：
| parser_state *PyParser_New(grammar *g, int start); void PyParser_Delete(parser_state *ps); int PyParser_AddToken(parser_state *ps, int type, char *str, int lineno, int col_offset,int *expected_ret); void PyGrammar_AddAccelerators(grammar *g); |
PyParser_New & PyParser_Delete显然是用于创建和销毁PyParser的实例的，和PyTokenizer一致。PyGrammar_AddAccelerators在我的前一篇Python源码研究4中提到过，主要用于处理Python的Grammar数据生成Accelerator加快语法分析的速度。在这些函数中，最为核心的是PyParser_AddToken，这个函数的作用是根据PyTokenizer所获得的token和当前所处的状态/DFA，跳转到下一个状态，并添加到CST中。在parsetok函数中，有如下的代码（省略了大部分）：
| parser_state *ps; ps = PyParser_New(g, start); for (;;) { char *a, *b; int type; type = PyTokenizer_Get(tok, &a, &b); PyParser_AddToken(ps, (int)type, str, tok->lineno, col_offset, &(err_ret->expected)); } |
Parsetok的作用是分析某段代码。可以看到，parsetok会反复调用PyTokenizer_Get获得下一个token，然后将反复将获得的token传给PyParser_AddToken来逐步构造整个CST，当所有token都处理过了之后，整棵树也就建立完毕了。
PyParser API
Python不会直接调用PyParser和PyTokenizer的函数，而是直接调用下面的这些Python API：
| PyAPI_FUNC(node *) PyParser_ParseString(const char *, grammar *, int, perrdetail *); PyAPI_FUNC(node *) PyParser_ParseFile (FILE *, const char *, grammar *, int, char *, char *, perrdetail *);
PyAPI_FUNC(node *) PyParser_ParseStringFlags(const char *, grammar *, int, perrdetail *, int); PyAPI_FUNC(node *) PyParser_ParseFileFlags(FILE *, const char *, grammar *, int, char *, char *, perrdetail *, int);
PyAPI_FUNC(node *) PyParser_ParseStringFlagsFilename(const char *, const char *, grammar *, int, perrdetail *, int);
/* Note that he following function is defined in pythonrun.c not parsetok.c. */ PyAPI_FUNC(void) PyParser_SetError(perrdetail *); |
PyAPI_FUNC宏是用于定义公用的Python API，表明这些函数可以被外界调用。在Windows上面Python Core被编译成一个DLL，因此PyAPI_FUNC等价于大家常用的__declspec(dllexport)/__declspec(dllimport)。这些函数把PyParser和PyTokenizer对象的接口和细节包装起来，使用者可以直接调用PyParser_ParseXXXX函数来使用PyParser和PyTokenizer的功能而无需知道PyPaser/PyTokenizer的工作方式，这可以看作是一个典型的Façade模式。以PyParser_ParseFile为例，该函数分析传入的FILE返回生成的CST。其他的函数与此类似，只是分析的对象不同和传入参数的不同。
PyParser_AddToken implementation
在全面了解了PyParser的接口和调用方式之后，我们来看一下PyParser_AddToken的具体实现。PyParser_AddToken会调用3个内部函数来做处理：classify, push, shift
Classify根据type和str，确定对应的Label，实现如下：
| static int classify(parser_state *ps, int type, char *str) { grammar *g = ps->p_grammar; register int n = g->g_ll.ll_nlabels;
if (type == NAME) { register char *s = str; register label *l = g->g_ll.ll_label; register int i; for (i = n; i > 0; i--, l++) { if (l->lb_type != NAME || l->lb_str == NULL || l->lb_str[0] != s[0] || strcmp(l->lb_str, s) != 0) continue; #ifdef PY_PARSER_REQUIRES_FUTURE_KEYWORD if (!(ps->p_flags & CO_FUTURE_WITH_STATEMENT)) { if (s[0] == 'w' && strcmp(s, "with") == 0) break; /* not a keyword yet */ else if (s[0] == 'a' && strcmp(s, "as") == 0) break; /* not a keyword yet */ } #endif D(printf("It's a keyword/n")); return n - i; } }
{ register label *l = g->g_ll.ll_label; register int i; for (i = n; i > 0; i--, l++) { if (l->lb_type == type && l->lb_str == NULL) { D(printf("It's a token we know/n")); return n - i; } } }
D(printf("Illegal token/n")); return -1; } |
可以看到classify作了一些针对NAME的特殊处理。有两种NAME，一种是标示符，一种是关键字。语法图中标示符的str是NULL（因为在语法图中无法实现知道标示符的内容，也不用知道），而关键字的str是有值的，不同的关键字对应着不同的语句，因此需要进行比较。classify首先处理关键字的情况，如果不是关键字则当普通情况下处理。两种情况下都需要遍历整个LabelList来确定Label的ID，唯一不同的是关键字的情况下需要比较具体的str内容而其他情况下无须比较。这里的效率看起来还是有改进的余地，在非关键字情况下可以用一个数组来做索引，直接根据type查找到id。在关键字的情况下至少可以把关键字作为一个单独的Token/非终结符来识别，这样就不用和普通标示符的情况弄混了，而目前的实现即使是普通标示符也会进到第一个if语句中进行关键字的判断。还可以使用hash来快速查找等。
Shift改变当前栈顶的状态（注意并不跳转到另外的DFA，这个改变只限于单个DFA中，跳转到另外一个DFA需要调用push压栈），并把当前的type/str作为一个新的子结点加入到栈顶的s_parent结点，通常s_parent结点对应着当前的DFA的结点。
假设我们在DFA0中，当前栈顶为(DFA0, s1)，type=NAME
NAME
DFA0: s0 -> s1 -> s2
从s1跳转到s2不会离开DFA0，不用进栈，只需改变当前(DFA0, s1)到(DFA0, s2)即可。
| static int shift(register stack *s, int type, char *str, int newstate, int lineno, int col_offset) { int err; assert(!s_empty(s)); err = PyNode_AddChild(s->s_top->s_parent, type, str, lineno, col_offset); if (err) return err; s->s_top->s_state = newstate; return 0; } |
Push同样也会把type/str作为新的子结点n加入到当前s_parent结点并改变当前栈顶的状态为newstate。但是newstate并非是下一个状态，而是当新的DFA遍历完毕之后退栈才会到。然后，把目标DFA压栈。新生成的子结点n作为新的s_parent。
还是举一个例子比较容易说明这个过程：
‘a’
DFA 1: s0 -> s1
DFA1
DFA 0: s1 -> s2
假设当前我们处于(DFA0, s1), type/str告诉我们下一个状态为s2，label是非终结符DFA1，对应着DFA1，因此我们会把当前栈顶(DFA0, s1)修改为(DFA0, s2)，然后跳转到DFA1中进行匹配，同时(DFA1, s0)作为新的栈顶压栈，当(DFA1,s0)退栈之后，说明DFA1匹配完毕，回到(DFA0, s2)。
具体的实现如下：
| static int push(register stack *s, int type, dfa *d, int newstate, int lineno, int col_offset) { int err; register node *n; n = s->s_top->s_parent; assert(!s_empty(s)); err = PyNode_AddChild(n, type, (char *)NULL, lineno, col_offset); if (err) return err; s->s_top->s_state = newstate; return s_push(s, d, CHILD(n, NCH(n)-1)); } |
在讨论完这些函数之后就可以开始着手研究PyParser_AddToken的实现了：
| int PyParser_AddToken(register parser_state *ps, register int type, char *str, int lineno, int col_offset, int *expected_ret) { register int ilabel; int err;
D(printf("Token %s/'%s' ... ", _PyParser_TokenNames[type], str));
/* Find out which label this token is */ ilabel = classify(ps, type, str); if (ilabel < 0) return E_SYNTAX; |
PyParser_AddToken第一步是根据type和str，调用classify获得对应的label。
PyParser_AddToken获得了对应的label之后，进入一个for loop：
| /* Loop until the token is shifted or an error occurred */ for (;;) { /* Fetch the current dfa and state */ register dfa *d = ps->p_stack.s_top->s_dfa; register state *s = &d->d_state[ps->p_stack.s_top->s_state];
D(printf(" DFA '%s', state %d:", d->d_name, ps->p_stack.s_top->s_state)); |
这个for loop反复拿到当前栈顶，也就是DFA和DFA状态，然后根据当前的状态和Label决定下一步的动作。基本的规则如下：
| /* Check accelerator */ if (s->s_lower <= ilabel && ilabel < s->s_upper) { register int x = s->s_accel[ilabel - s->s_lower]; |
有对应的Accelerator，为x
1. X第8位为1，说明x对应着一个非终结符，记录着目标状态的DFA ID和状态
| DFA ID |
1 |
目标状态，7bit |
在这种情况下会跳转到另外一个DFA，把目标DFA+状态压栈。
| if (x != -1) { if (x & (1<<7)) { /* Push non-terminal */ int nt = (x >> 8) + NT_OFFSET; int arrow = x & ((1<<7)-1); dfa *d1 = PyGrammar_FindDFA( ps->p_grammar, nt); if ((err = push(&ps->p_stack, nt, d1, arrow, lineno, col_offset)) > 0) { D(printf(" MemError: push/n")); return err; } D(printf(" Push .../n")); continue; }
|
2. 否则，x对应终结符，调用Shift来改变栈顶的状态并把结点添加到CST中。如果栈顶对应着一个Accept状态的话，说明当前DFA已经匹配完毕，反复退栈直到当前状态不为Accept状态为止。
| /* Shift the token */ if ((err = shift(&ps->p_stack, type, str, x, lineno, col_offset)) > 0) { D(printf(" MemError: shift./n")); return err; } D(printf(" Shift./n")); /* Pop while we are in an accept-only state */ while (s = &d->d_state [ps->p_stack.s_top->s_state], s->s_accept && s->s_narcs == 1) { D(printf(" DFA '%s', state %d: " "Direct pop./n", d->d_name, ps->p_stack.s_top->s_state)); #ifdef PY_PARSER_REQUIRES_FUTURE_KEYWORD if (d->d_name[0] == 'i' && strcmp(d->d_name, "import_stmt") == 0) future_hack(ps); #endif s_pop(&ps->p_stack); if (s_empty(&ps->p_stack)) { D(printf(" ACCEPT./n")); return E_DONE; } d = ps->p_stack.s_top->s_dfa; } return E_OK; |
如果没有Acclerator，有可能该结点已经是Accept状态，同样退栈：
| if (s->s_accept) { #ifdef PY_PARSER_REQUIRES_FUTURE_KEYWORD if (d->d_name[0] == 'i' && strcmp(d->d_name, "import_stmt") == 0) future_hack(ps); #endif /* Pop this dfa and try again */ s_pop(&ps->p_stack); D(printf(" Pop .../n")); if (s_empty(&ps->p_stack)) { D(printf(" Error: bottom of stack./n")); return E_SYNTAX; } continue; } |
否则，语法错误，假如可能遇到的token只有一种可能的话，设置expected_ret为当前我们所期望看到的token，这样Python才可以显示语法错误信息。
| /* Stuck, report syntax error */ D(printf(" Error./n")); if (expected_ret) { if (s->s_lower == s->s_upper - 1) { /* Only one possible expected token */ *expected_ret = ps->p_grammar-> g_ll.ll_label[s->s_lower].lb_type; } else *expected_ret = -1; } return E_SYNTAX; |
至此PyParser已经分析完毕。下一篇文章将着重分析从CST到AST转换过程。
作者: ATField
E-Mail: [email protected]
Blog: http://blog.csdn.net/atfield