首页 > temp > JavaScript教程 >
-
【译】一个超级小的编译器
本文是对the-super-tiny-compiler仓库的翻译，原文章（代码）：https://github.com/jamiebuilds/the-super-tiny-compiler/blob/master/the-super-tiny-compiler.js
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 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))
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：
(add 2 (subtract 4 2))
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：
1.Program - 从
AST的顶层开始2.CallExpression (add) - 移动到Program的body列表的第一个元素
3.NumberLiteral (2) - 移动到CallExpression的params列表的第一个元素
4.CallExpression (subtract) - 移动到CallExpression的params列表的第二个元素
5.NumberLiteral (4) - 移动到CallExpression (subtract)的params列表的第一个元素
6.NumberLiteral (2) - 移动到CallExpression (subtract)的params列表的第二个元素
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 => 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);
// 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https://github.com/wanglin2/the-super-tiny-compiler/blob/master/the-super-tiny-compiler.js。
来源：https://www.cnblogs.com/wanglinmantan/p/15086664.html
