基于字符流解析源代码文件的方法探究
目前网络上比较受欢迎的开源语法分析器不多,antlr是其中之一。antlr完全由java编写,目前最新版本是v4.8。笔者使用过antlr4一段时间,发现其存在的一些问题:(1)由于antlr是通过构建语法树来解析源文件的,当文件非常大时(比如linux系统内的某些源文件),构建语法树将会占用相当大的内存,而且解析时将会非常耗时;(2)antlr需要自定义词法和目标语言的上下文无关文法,这使得该工具的使用门槛较高,虽然antlr官方提供了非常丰富的不同语言,不同版本的语法文件,但是如java,c这种流行的高级语言更新较快,而antlr并不会同步更新,那时再用旧的语法文件解析新版的源文件可能出现一些问题。
本文提出一种简单的,基于字符流的方法来进行语法分析,这需要对目标解析语言的语法有一个全面的了解。下面以解析java源文件为例,比如以下文件:
package com.example;
import java.util.List;
public class A extends B implements C{
private int var;
public static int div(int a, int b) throws Exception{
return a / b;
}
public static void main(String[] args){
int a = 5;
int b = 2;
int c = div(a, b);
System.out.println(c);
}
}
我们的目标是提取出java文件内的元素,包括包名,导入的包名,类名,类的访问权限,类的超类和接口,类的起止行,方法名,方法的访问权限,方法的返回值,方法的参数列表,方法的起止行等等。本文通过逐个字符读文件的方式来解析源文件,因此占用内存非常少,而且速度很快,这是这种方法相比于基于构建语法树的一些优点。下面分别介绍提取目标元素的规则:
1.包名:java文件的package关键字如果出现,而且是第一个关键字,就确定为包名定义,从pakcage右边直到遇到分号";",中间的部分就是包名;
2.导入的包名:import关键字如果出现,而且出现在类定义之前,就确定为导入包,从import关键字知道遇到分号";",中间的部分就是导入的包名;
3.类名:提取类名需要找到class关键字,class关键字右边第一个标识符就是类名;
4.类的访问权限:找到class关键字后,向前看3个标识符,因为class最长的修饰可能是public static final class。在3个标识符中找public,protected和private关键字,如果出现某个关键字,那就是该类的访问权限,否则就是default;
5.类的超类的接口:找到class关键字后一直向右读,直到遇到第一个左大括号"{",记录中间出现的标识符,如果出现extends,那extends右边的标识符就是超类,如果出现implements,那implements右边的标识符就是接口;
6.类的起止行:找到class右边第一个左大括号后,记录当前行为类的起始行,记录左大括号数n为1,然后继续读文件,每遇到一次左大括号,n加1,每遇到一次右大括号,n减1,直到n等于0时右大括号的所在行即为类的结束行。
7.方法名和参数列表:提取方法我们需要先找到左大括号,然后向前找到右小括号,记录中间出现的标识符,如果中间出现throws关键字,就确认为方法。如果中间没有标识符,那就贪婪地匹配左小括号和右小括号,左小括号前的第一个标识符,如果不是java保留字"for,switch,catch,if,while,try,synchronized"其中之一,就一定是方法名,而左小括号到右小括号中间的部分就是参数列表。
8.方法的访问权限:方法与提取类的访问权限相似。
9。方法的起止行:方法与提取类的起始行相似。
以上就是基于字符流解析java文件的大致思路,其它语言的解析方法类似。这里附上我用go语言编写的解析工具,目前只支持java,c,c++的源文件解析。https://github.com/1014661165/Coiex.git