前言
本篇内容主要由 the-super-tiny-compiler中的注释翻译而来,该项目实现了一款包含编译器核心组成的极简的编译器。希望能够给想要初步了解编译过程的同学提供到一些帮助。
概要
- 本篇和大家一起学习写一款超级简单轻量,去掉注释只有不到200行代码的编译器。
- 该编译器将类 lisp 语法函数调用 编译为 类C语言函数调用
- 如果不熟悉上述的两种语法的其中任意一种,下面给出了简单的介绍
- 例如有两个函数
add
和subtract
他们用对应的语言分别实如余下:
image.png
- 本篇要实现编译的全部语法如上所示。虽然既不涵盖完整的lisp语法和c语法,但是足够展示一个现代编译器需要的主要组成部分
编译器组成
大部分的编译器可以粗略的划分为3个阶段: 解析 Parsing,翻译 Transformation,代码生成Code Generation
- 解析 获取原始代码并将其转化为一个更抽象的代码表示
- 翻译 用抽象的代码表示为编译器想要完成的操作做准备
- 代码生成 将翻译过的抽象表示转化为新的要编译的代码
解析 Parsing
解析过程通常被分为两个部分: 词法分析,语法分析
- 词法分析 获取原始代码 ,且将代码分割为一个一个词[token]
由这些词构成的词组用来描述语法,他们可以是数字,文本,标点符号,运算符等等 - 语法分析 获取词组[tokens]且将他们重新格式化为一个表示形式,该表示形式描述语法的每个部分及其相互之间的关系。这称为中间表示或抽象语法树。
抽象语法树(简称AST)是一个嵌套很深的对象,它以一种既容易使用又能告诉我们很多信息的方式表示代码。
示例语法
(add 2 (subtract 4 2))
tokens表示如下
{ 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: ')' },
]
抽象语法树表示如下
{
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',
}]
}]
}]
}
翻译
获得抽象语法树后下一个阶段就是翻译转换。同样,这只需要从最后一步中提取AST并对其进行更改。它可以用同一种语言操纵AST,也可以将AST翻译成一种全新的语言。
让我们看看如何转换AST。
你可能会注意到我们的AST中有看起来非常相似的元素。这些对象具有类型属性。每个节点都称为AST节点。这些节点定义了描述树的一个独立部分的属性。
我们有一个数字节点 "NumberLiteral"
{
type: 'NumberLiteral',
value: '2',
}
或者一个调用表达式节点
{
type: 'CallExpression',
name: 'subtract',
params: [...nested nodes here...],
}
转换AST时,我们可以通过添加/删除/替换属性来操纵节点,可以添加新节点,删除节点,也可以不使用现有的AST直接基于它创建一个全新的AST。
由于我们定位的是新语言,因此我们将专注于创建特定于目标语言的全新AST。
遍历
为了浏览所有这些节点,我们需要能够遍历它们。 如下将通过深度优先方式的遍历AST的每个节点。
{
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'
}]
}]
}]
}
因此,对于上述AST,我们将:
- Program - 从AST的顶层开始
- CallExpression (add) - 转到程序的第一个元素
- NumberLiteral (2) - 移至CallExpression参数的第一个元素
- CallExpression (subtract) - 移至CallExpression参数的第二个元素
- NumberLiteral (4) - 移至CallExpression参数的第一个元素
- NumberLiteral (2) - 移至CallExpression参数的第二个元素
如果我们直接操作此AST,而不是创建单独的AST,则可能会在这里引入各种抽象。 但是仅访问树中的每个节点就足以完成我们要尝试的操作。
我之所以使用“访问”一词,是因为存在这种模式来表示对象结构元素上的操作。
Visitors
这里的基本思想是,我们将创建一个“访客”对象,该对象的方法将接受不同的节点类型。
var visitor = {
NumberLiteral() {},
CallExpression() {},
};
但是,也有可能在“退出”时调用相应的操作。 想象一下以前以列表形式的树结构:
- Program
- CallExpression
- NumberLiteral
- CallExpression
- NumberLiteral
- NumberLiteral
当我们往下遍历时,我们遍历尽所有分支时。我们“退出”它。 因此,沿着树下来,我们“进入[enter]”每个节点,然后“退出[exit]”。
-> 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)
为了支持进入和退出操作,我们将vistitor定义调整如下
var visitor = {
NumberLiteral: {
enter(node, parent) {},
exit(node, parent) {},
}
};
代码生成
编译器的最后一步就是代码生成.有时,编译器会执行与转换重叠的操作,但是在大多数情况下,代码生成只是意味着将AST抽象语法树字符串化代码化。
代码生成器以几种不同的方式工作,一些编译器将复用前面获取的tokens,另一些创建单独表示,以便它们可以线性打印节点,但是据我所知,大多数将使用我们刚创建的AST, 这也是我们后续主要关注的方式,
综上就是一个编译器应该具备的核心部分.
请注意,并不是说每个编译器看起来都和这里描述的完全一样。编译器根据目的不同有很多种,可能需要比如下详细介绍的步骤更多的步骤。
代码
现在您应该对编译器的主要外观有一个大致的总体了解。
经过上面的解释和介绍,现在可以开始编写自己的编译器了,那么开始代码走起。
第一步获取token
我们将获取我们的代码串将其解析成token数组
(add 2 (subtract 4 2)) => [{ type: 'paren', value: '(' }, ...]
function tokenizer(input) {
// current变量,用来标记当前读入代码的字符位置的游标
let current = 0;
// tokens数组变量,用来存入解析的token词组
let tokens = [];
// 开启一个while循环,将current设置为循环内部的增量
while(current < input.length){
// 获取当前游标对应的字符
let char = input[current];
// 检查当前字符是否是一个括号
if(char=== "("){
// 如果是括号,则新增一个`paren`括号类型的,值为做括号的词到tokens词组
tokens.push({
type: 'paren',
value: '(',
});
//然后游标向后前进一位
current ++;
// 进入下一循环
continue;
}
// 检查是否右括号,如是则新增一个右括号词组,增加游标,继续下一次循环
if (char === ')') {
tokens.push({
type: 'paren',
value:')'
})
current++;
continue;
}
// 检查当前字符是否空格,如果是空格则直接跳过,游标后移
// (add 123 456)
// ^^^ ^^^ number
let WHITESPACE = /\s/;
if (WHITESPACE.test(char)) {
current++;
continue;
}
//下一个将检测的类型是number数字.和之前不同的是number类型可能由多个数字字符组成,我们需要
// 获取整个连续的数字串作为一个number类型的词token
let NUMBERS = /[0-9]/;
if(NUMBERS.test(char)){
//新建一个value串用来设置数字字符串
let value='';
while(NUMBERS.test(char)){
value += char;
char = input[++current];
}
tokens.push({type:'number',value});
continue;
}
// 在将要实现的编译器中也支持被双引号括起来的字符串
// (concat "foo" "bar")
// ^^^^ ^^^^ 支付串
if (char === '"') {
let value = '';
char = input[++current];
while (char != '"') {
value += char;
char = input[++current]
}
// 游标跳过终结的引号
char = input[++current];
tokens.push({
type:'string',
value
})
continue;
}
// 最后一个类型的token是`name`类型.由一串字母构成。该类型用作本编译器
// 的lisp语法风格的函数名
let LETTERS = /[a-z]/i;
if(LETTERS.test(char)) {
let value = '';
while (LETTERS.test(char)){
value += char;
char = input[++current];
}
tokens.push({type: 'name', value});
continue;
}
// 如果不匹配上述任意类型抛出类型异常,介绍循环
throw new TypeError('I dont know what this character is: ' + char);
}
return tokens;
}
parse 抽象语法树
function parser(tokens) {
// 新建current变量作为游标
let current = 0;
// 该方法中将用递归代替while循环,先定义一个walk方法
function walk() {
//获取当前token
let token = tokens[current];
// 从number类型的token开始,将不同类型的token置入代码的不同位置
if (token.type === 'number') {
// 如果当前是number类型,游标向前
current++;
// 返回一个number类型的AST 节点
return {
type: 'NumberLiteral',
value: token.value
}
}
// 字符token返回一个字符类型的AST节点
if (token.type === 'string') {
current++;
return {
type: 'StringLiteral',
value: token.value
}
}
// 下面检查是否调用表达式.先判断是否是一个括号类型,且是左括号token
if (
token.type === 'paren' &&
token.value === '('
) {
// 跳过当前左括号游标,获取下一个token
token = tokens[++current];
let node = {
type:'CallExpression',
name: token.value,
params: []
}
// 游标向前移一位跳过 name类型的token
token = tokens[++current];
// 现在开始遍历 CallExpression的参数,直到遇到右括号
// 这里开始会存在递归,我们通过递归解决嵌套节点问题。
// 为了解释这一点,让我们采用我们的Lisp代码。 您可以看到
// add的参数是一个数字和一个包含自己的参数的嵌套的CallExpression。
// [
// { 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: ')' }, <<< Closing parenthesis
// { type: 'paren', value: ')' }, <<< Closing parenthesis
// ]
// 我们通过递归调用walk方式,去向前遍历内嵌的`CallExpression`.
// 这里我们创建一个While循环遍历直到遇到左括号
while(
(token.type !== 'paren')||
(token.type === 'paren' && token.value !==')')){
node.params.push(walk());
token = tokens[current];
}
current++;
return node;
}
// 如果不是以上检测的类型则抛出异常
throw new TypeError(token.type);
}
let ast = {
type:'Program',
body:[]
}
while(current < tokens.length){
ast.body.push(walk());
}
return ast;
}
转换抽象语法树
/***
* ===================================
* ⌒(❀>◞౪◟<❀)⌒
* THE TRAVERSER!!!
* ===================================
* 现在通过parser有了一颗AST抽象语法树,现在通过vistor访问
* 每一个节点
* traverse(ast, {
* Program: {
* enter(node, parent) {
* // ...
* },
* exit(node, parent) {
* // ...
* },
* },
*
* CallExpression: {
* enter(node, parent) {
* // ...
* },
* exit(node, parent) {
* // ...
* },
* },
*
* NumberLiteral: {
* enter(node, parent) {
* // ...
* },
* exit(node, parent) {
* // ...
* },
* },
* });
*/
function traverser(ast, visitor) {
function traverseArray(array, parent) {
array.forEach(child => {
traverseNode(child, parent);
});
}
function traverseNode(node, parent) {
let methods = visitor[node.type];
if(methods && methods.enter){
methods.enter(node,parent);
}
switch(node.type){
case 'Program':
traverseArray(node.body,node);
break;
case 'CallExpression':
traverseArray(node.params, node);
break;
case 'NumberLiteral':
case 'StringLiteral':
break;
default:
throw new TypeError(node.type);
}
if(methods && methods.exit) {
methods.exit(node,parent);
}
}
traverseNode(ast, null);
}
/**
* ============================================================================
* ⁽(◍˃̵͈̑ᴗ˂̵͈̑)⁽
* THE TRANSFORMER!!!
* ============================================================================
*/
/**
* 下一步Ast转化. 将已经构建好的Ast树通过visitor转化成一颗新的Ast抽象语法树
*
* ----------------------------------------------------------------------------
* Original AST | Transformed 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'
* | }]
* (sorry the other one is longer.) | }
* | }
* | }]
* | }
* ----------------------------------------------------------------------------
*/
//该方法接收类lisp抽象语法树,转化为类c语言的ast树
function transformer(ast) {
//创建新的ast节点
let newAst = {
type: 'Program',
body: []
}
// 将新ast树的body作为原ast树的_context属性
ast._context = newAst.body;
traverser(ast,{
// 第一个接收数值类型的参数
NumberLiteral:{
enter(node, parent) {
parent._context.push({
type: 'NumberLiteral',
value:node.value
})
}
},
StringLiteral:{
enter(node, parent){
parent._context.push({
type:'StringLiteral',
value: node.value
})
}
},
CallExpression:{
enter(node,parent){
let expression = {
type: 'CallExpression',
callee: {
type: 'Identifier',
name: node.name,
},
arguments: [],
};
// 接下来,我们将在原CallExpression节点
//定义一个上下文,引用expression的参数,以便设置参数。
node._context = expression.arguments;
// 检测父节点是否CallExpresssion,如果不是执行下列代码
if (parent.type !== 'CallExpression') {
// 用`ExpressionStatement`节点包裹 `CallExpression`
// 做这一步转换的原因是调用表达式最终是一个语句
expression = {
type: 'ExpressionStatement',
expression: expression
};
}
parent._context.push(expression);
}
}
})
return newAst;
}
代码生成
/**
* 这里开始最后一步代码:代码生成
*/
function codeGenerator(node) {
switch (node.type) {
case 'Program':
return node.body.map(codeGenerator)
.join('\n')
case 'ExpressionStatement':
return (
codeGenerator(node.expression)
+ ';'
);
case 'CallExpression':
return (
codeGenerator(node.callee) +
'(' +
node.arguments.map(codeGenerator)
.join(', ') +
')'
);
case 'Identifier':
return node.name;
case 'NumberLiteral':
return node.value;
case 'StringLiteral':
return '"' + node.value + '"';
default:
throw new TypeError(node.type);
}
}
组成编译器
/**
* 最后创建`compiler`编译函数,将上述方法按如下顺序结合即可
* 1. input => tokenizer => tokens
* 2. tokens => parser => ast
* 3. ast => transformer => newAst
* 4. newAst => generator => output
*/
function compiler(input) {
let tokens = tokenizer(input);
let ast = parser(tokens);
let newAst = transformer(ast);
let output = codeGenerator(newAst);
return output;
}
总结
如上即用javscript完成了一个简单的编译器,如果你习惯用其他的语言如java,go,python等等,可以尝试改写一下。当然以上介绍分享的内容只包含了编译器的主要步骤,相当于一个编译器的hello world,但是通过代码实现有一个更直观的感受。后续有需要实现一些可能与编译有关的功能可以起到一定的帮助。