实现一个简单的编译器

在前端开发中也会或多或少接触到一些与编译相关的内容,常见的有

  • 将ES6、7代码编译成ES5的代码
  • 将SCSS、LESS代码转换成浏览器支持的CSS代码
  • 通过uglifyjs、uglifycss等工具压缩代码
  • 将TypeScript代码转换成JavaScript代码
  • Vue模板语法转换成render函数、JSX语法转换成JS代码

尽管社区的工具如bable*-loader已经帮我们完成了上面的所有工作,我们不用关心编译的过程,甚至也很少有人关注输出的代码,但是了解编译原理还是很有必要的,这篇文章主要用来记录我在学习编译原理时整理的一些笔记。

<!--more-->

本文包含大量示例代码,跳过部分代码并不影响阅读重要,因此可酌情忽略,附:源码地址

参考

1. 写在前面

在了解编译器的相关概念之前,让我们先确定一下到底是称呼"编译器"还是"解释器"。

程序主要有两种运行方式:静态编译与动态解释。静态编译的程序在执行前全部被翻译为机器码,通常将这种类型称为AOT (Ahead of time)即 “提前编译”;而解释执行的则是一句一句边翻译边运行,通常将这种类型称为JIT(Just-in-time)即“即时编译”。

从静态编译与动态解释这两种程序运行的方式,可以引申出两个工具

  • 解释器:直接执行用编程语言编写的指令的程序,即JIT运行时的工具
  • 编译器:把源代码转换成(翻译)低级语言的程序,即AOT运行时的工具

实际上,我认为初学时不需要纠结于这些概念,本文的主要目的是实现将一个简单的工具,它的功能是:将dart函数命名参数调用形式

sayHello(name: "shymean", msg: 'hello');

转换为javascript函数参数调用

sayHello({name: 'shymean', msg: 'hello'})

如果只是为了输出JavaScript代码,可以把这个工具看做是编译器,因为它将一种代码语言编译成了另外一种代码语言;如果在工具后面在添加一行eval,这个工具就变成了解释器,因为它可以通过JavaScript直接“运行”Dart代码。

所以,简而言之,这篇文章不关注我们实现的到底是编译器还是解释器,统称为编译器即可。

现在回到我们要实现的这个编译器,看起来只要加一对大括号就行了吗?不,我们将学习编译原理,并了解编译器的基本工作流程。

2. 编译器的工作流程

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)

  • 解析是将源代码转换为一种更抽象的表达方式,一般将结果称为AST抽象语法树
  • 转换是对AST做一些处理,让他能做到编译器预期他做到的事情
  • 代码生成器接收AST转换之后的数据结构,然后把它转换成新的代码。

在vue的源码compiler实现中,可以查看模板编译相关的逻辑

export const createCompiler = createCompilerCreator(function baseCompile (
  template: string,
  options: CompilerOptions
): CompiledResult {
  const ast = parse(template.trim(), options)
  if (options.optimize !== false) {
    optimize(ast, options)
  }
  const code = generate(ast, options)
  return {
    ast,
    render: code.render,
    staticRenderFns: code.staticRenderFns
  }
})

可以看见其主要的工作跟上面提到的编译器工作流程基本一致

  • parse,将template模板解析成ast,主要是解析标签和上面的属性、指令等内容
  • optimize,主要是标记ast的静态节点,优化虚拟DOM树,方便后期diff优化算法
  • generate,通过ast生成render函数

接下来我们逐个学习编译器的每一个流程。

3. 解析获取AST

解析一般来说会分成两个阶段:词法分析和语法分析

  • 词法分析主要是拆分原始代码,并将其分割成一些Token,token由一些代码语句的碎片组成,可以是数字、标签、运算符等
  • 语法分析接收词法分析生成的token,然后把他们转换成一种抽象的表示,这种表示描述了代码语句中每一个片段以及他们之间的关系,这被称为AST抽象语法树,AST是一个嵌套很深的对象,用一种更容易处理的方式代表了代码本身

解析阶段最主要的目的就是从源码中获取所需的信息,但是词法分析和语法分析算是编译器中十分繁琐和无趣的"脏活",下面我们通过两个例子来理解解析的概念和实现。

3.1. 通过正则拆分文本

这是之前曾做过一个功能,将一段txt文本解析成对话小说,文本内容大致类似于下面结构(此外还有如图片、分支选项等结构,这里暂且省略)

[作者]shymean
[简介]测试测试测试测试

这里是背景旁白~

【小明】
How are you?

[小花]
I'm fine, 3Q you & you?

需要将其解析成大致如下JSON结构,方便后续提交到服务端

{ author: 'shymean',
  abstract: '测试测试测试测试',
  nodes:
   [ { type: 10, content: '这里是背景旁白~' },
     { name: '小明', content: 'How are you?', type: 0 },
     { name: '小花', content: 'I\'m fine, 3Q you & you?', type: 0 } ] }

由于整个文档结构都是按约定编写的,因此可以通过正则等方式提取关键信息。接下来是整个功能的简单实现,通过这个功能,可以大致了解文本拆分的逻辑

function parser(input) {
    let [header, ...content] = input.split(/\r?\n\s*?\r?\n/);

    let { author, abstract } = parseHeader(header);
    let body = getNode(content);

    return {
        author,
        abstract,
        nodes: body
    };
        // 拆分头部信息
    function parseHeader(head) {
        let res = null;
        let total = [];
        const reHeadInfo = /[\[【[].*?[\]】]](.*)\r?\n?/g;

          while ((res = reHeadInfo.exec(head))) {
            total.push(res[1]);
        }
        let [author, abstract] = total;

        return { author, abstract };
    }
        // 获取节点列表
    function parseContent(content) {
        const reNode = /[\[【[](.*?)[\]】]].*(?=\r?\n)\r?\n([^]*)/;

        return content.map(item => {
            let res = reNode.exec(item);
            if (res) {
                // 对话
                let name = res[1].trim();
                let chatContent = res[2].trim();
                return {
                    name: name,
                    content: chatContent,
                    type: 0
                };
            } else {
                content = item.trim();
                return {
                    type: 10,
                    content
                };
            }
        });
    }
}

可以看见,我们可以使用编译器语言支持的正则来进行拆分,Hexo解析markdown文本并输出静态html文件,大致也是同样的原理。当然,直接遍历源码文本也是可以的,接下来我们来实现简单的词法分析

3.2. 通过遍历字符串拆分文本

以下面一段简单的JS代码为例

var a = 100; 
var b = "hello";

我们需要把这段代码里面的两个变量声明语句拆分出来,这里我们采用遍历源码文本的方法来实现

function isReserveWords(name) {
    const reserveWords = ["var"]; // 假设这里只有var一个关键字
    return reserveWords.includes(name);
}

function tokenizer(input) {
    let tokens = [];
    let current = 0;

    while (current < input.length) {
        let char = input[current];
        if (char === "=" || char===';') {
            tokens.push({
                type: "symbol",
                value: char
            });
            current++;
            continue;
        }
        // 去除空格
        let WHITESPACE = /\s/;
        if (WHITESPACE.test(char)) {
            current++;
            continue;
        }
        let NUMBERS = /[0-9]/;
        if (NUMBERS.test(char)) {
            let value = "";

            while (NUMBERS.test(char)) {
                value += char;
                char = input[++current];
            }

            tokens.push({ type: "number", value });

            continue;
        }

        // 解析字符串,这里只处理了双引号的字符串
        if (char === '"') {
            let value = "";
            char = input[++current];
            while (char !== '"') {
                value += char;
                char = input[++current];
            }
            current++;
            tokens.push({
                type: "string",
                value
            });
            continue;
        }
        // 处理函数、变量名,除开上面的字面量后,只有保留字和函数变量名了
        let LETTERS = /[a-z]/i;
        if (LETTERS.test(char)) {
            let value = "";
            while (LETTERS.test(char)) {
                value += char;
                char = input[++current];
            }
            if (isReserveWords(value)) {
                tokens.push({ type: "reserveWords", value });
            } else {
                tokens.push({ type: "name", value });
            }
            continue;
        }
        throw new TypeError("I dont know what this character is: " + char);
    }

    return tokens;
}

let code = `var a = 100; var b = "hello";`;
let tokens = tokenizer(code);
console.log(tokens); // 从源码中解析得到tokens数组

可见对于某个符号或者某个连续字符串,都是由我们在解析过程中自己定义的,语言越复杂,词法分析时需要判断的情况越多~

3.3. 将token转换成AST

这里引用了怎样写一个解释器这篇文章里面的图。

我们可以把(* (+ 1 2) (+ 3 4))这样的表达式拆分成一个tokens数组,然后我们可以遍历这个数组,将其转换成一个AST。下面是该表达式对应的AST结构

将tokens转换成AST是一个比较复杂的过程,在本文实现的编译器中有比较粗略的实现,这里不再赘述,其主要逻辑是通过遍历tokens数组,将不同的token转换成对应类型的节点,然后构造成AST树结构。

4. 遍历AST

虽然AST不一定是二叉树,但是了解二叉树的遍历方式还有有一些帮助的。二叉树常见的两种遍历次序是:深度优先和广度优先

  • 在广度优先中,先处理节点的子节点,然后遍历下一层

  • 在深度优先中,根据根节点访问顺序的不同又分为了

    • 先序遍历,根节点首先被访问,然后先序遍历左子树,最后先序遍历右子树
    • 中序遍历,先中序遍历左子树,然后访问跟根节点,最后中序遍历右子树
    • 后序遍历,先后序遍历左子树,接着后序遍历右子树,最后访问根节点
// 先序遍历
// 先访问根节点,然后是左子树,最后是右子树
// 所谓访问就是获取节点所保存的数据,
// 如果将树叶当作左右节点都为空的根节点,则访问指的就是访问每层的根节点。
function preorder(node) {
    if (node) {
        console.log(node.data);
        preorder(node.left);
        preorder(node.right);
    }
}

// 中序遍历
// 先遍历左子树,然后是根节点,最后是右子树
function inorder(node) {
    if (node) {
        inorder(node.left);
        console.log(node.data);
        inorder(node.right);
    }
}

// 后序遍历
// 先访问左子树,然后是右子树,最后是根节点
function postorder(node) {
    if (node) {
        postorder(node.left);
        postorder(node.right);
        console.log(node.data);
    }
}

遍历AST一般采用的方式是从根节点开始,通过深度优先遍历AST,将不同类型的节点保存在目标语言的对象中,方便后续的代码生成。

同样以Vue的源码为例,在optimizer中,从根节点开始,遍历所有节点,并将对应类型的节点标记为static。

export function optimize (root: ?ASTElement, options: CompilerOptions) {
  if (!root) return
  isStaticKey = genStaticKeysCached(options.staticKeys || '')
  isPlatformReservedTag = options.isReservedTag || no
  // first pass: mark all non-static nodes.
  markStatic(root)
  // second pass: mark static roots.
  markStaticRoots(root, false)
}

获取到AST,且掌握了对它的遍历方法之后,我们就可以对它进行接下来的操作了。

4.1. 转换

解析完成后的下一步是转换,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作 AST,也可以把 AST 翻译成全新的语言。

如果解析阶段获取的AST能满足后续的需求,那么转换步骤也许并不是必须的。

4.2. 代码生成

代码生成阶段主要是根据转换阶段的AST结果来输出目标代码,代码生成器知道如何打印AST获取的各种节点,然后递归调用自身,直到所有节点都被打印在一个很长的字符串中,最后输出目标代码。

因此代码生成阶段最主要的工作,仍旧是遍历AST,并根据每个节点的类型,输出合适的代码。

5. 代码实现

现在我们大致了解了编译器解析、转换和代码生成这三个流程,接下来让我们来一步一步地实现前文提到的编译器。

解析

首先我们通过遍历源码(一个很长的字符串)

sayHello(userName:getUsername("shymean"), msg:"hello");

将其拆分到一个token数组里面

[ { type: 'name', value: 'sayHello' },
  { type: 'paren', value: '(' },
  { type: 'name', value: 'userName' },
  { type: 'colon', value: ':' },
  { type: 'name', value: 'getUsername' },
  { type: 'paren', value: '(' },
  { type: 'string', value: 'shymean' },
  { type: 'paren', value: ')' },
  { type: 'comma', value: ',' },
  { type: 'name', value: 'msg' },
  { type: 'colon', value: ':' },
  { type: 'string', value: 'hello' },
  { type: 'paren', value: ')' } 

接着遍历这个token数组,将其解析成对应的ast

{
    type: "Program",
    body: [
        {
            type: "CallExpression",
            name: "sayHello",
            params: [
                {
                    type: "NameParam",
                    name: "userName",
                    value: {
                        type: "CallExpression",
                        name: "getUsername",
                        params: [{ type: "StringLiteral", value: "shymean" }]
                    }
                },
                {
                    type: "NameParam",
                    name: "msg",
                    value: { type: "StringLiteral", value: "hello" }
                }
            ]
        }
    ]
}

拆分tokens和将tokens的具体实现可以在源码中查到。

转换

看起来我们的简易编译器并不需要生成新的AST,因为他们的函数调用、参数都是类似的,唯一的区别在于dart的命名参数在JS中需要通过对象参数来实现。因此转换这一步被我们简单地略过了,在the-super-tiny-compiler这个项目中,实现了转换功能,将原始的ast转换成更符合JavaScript语义的AST,如函数的callearguments等属性

代码生成

在我们的编译器中,这一步的实现是非常简单的:对于NameParam类型的节点,我们会在参数列表首尾拼接{}就大功告成了

function codeGenerator(node, index, nodeList) {
    switch (node.type) {
        // ...其他类型
        case "NameParam":
            let str = "";
                // 第一个参数前拼接'{'
            if (index === 0) {
                str += "{";
            }
            str += node.name + ":" + codeGenerator(node.value);
                // 最后一个参数后拼接 '}'
            if (index === nodeList.length - 1) {
                str += "}";
            }
            return str;
    }
}

将上面的流程汇总,然后就可以得到一个非常简单的编译器了

function compiler(input) {
    let tokens = tokenizer(input);
    let ast = parser(tokens);
    let output = codeGenerator(ast);

    return output;
}
let input = `sayHello(userName:getUsername("shymean"), msg:"hello");`;

let code = compiler(input);
// sayHello({userName:getUsername("shymean"), msg:"hello"})

6. 小结

本文先了解了编译器的基本工作流程,然后介绍了词法分析和语法分析的基本实现,接着介绍了遍历AST的方法,最后将各个阶段结合起来,实现了一个十分建议的编译器。

虽然实现的编译器看起来只是添加了一对{},实际上却大致展示一个编译器的工作流程

  • 词法分析和语法分析,将源代码转换成AST
  • 根据AST输出新的代码,如果目标代码是比较底层的中间代码或机器代码,工作可能会更加繁琐

当然仅仅了解这一些东西是万万不够的,不过万事开头难,了解到编译器的雏形和基本概念之后,进一步的学习才会更有动力。接下来学习Lua解释器,或者了解scss的实现,都是一个不错的选择。路漫漫其修远兮,继续学习吧~