我的github主页:https://github.com/dashnowords
我的新书上架啦,3天即登京东计算机编程语言类排行榜Top1!!!精选30+JavaScript库,从使用方式,设计原则,原理源码,周边知识等等多维度详细讲解,带你玩转前端花花世界,欢迎选购~
示例代码托管在:http://www.github.com/dashnowords/blogs
博客园地址:《大史住在大前端》原创博文目录
华为云社区地址:【你要的前端打怪升级指南】
B站地址:【编译原理】
Stanford公开课:【Stanford大学公开课官网】
课程里涉及到的内容讲的还是很清楚的,但个别地方有点脱节,任何看不懂卡住的地方,请自行查阅经典著作《Compilers——priciples, Techniques and Tools》(也就是大名鼎鼎的龙书)的对应章节。
一. 编译的基本流程
完整的编译的5个基本步骤包括lexcical anlysis
,parse
,sematic
,optimize
,code generate
。课程中并没有使用复杂的编程语言,而是一种用于课堂教学的自发明语言COOL,很明显老师为它写好了编译器程序。
二. Lexical Analysis(词法分析阶段)
任务:将字符串分解成为[Type, (Value)]
元组的形式的词法单元。
“龙书”里的示例更为直观,例如表达式语句
E = M * C ** 2
进行词法分析后会得到如下的类似结果:[
id
,指向符号表中E的条目的指针][
assign_op
][
id
,指向符号表中M的条目的指针][
mult_op
][
id
,指向符号表中C的条目的指针][
exp_op
][
number
,整数值2]
词法分析基本需要经历如下几个阶段:
Lexical Specification
——>Regular expressions
——>NFA
——>DFA
——>Table-driven Implementation of DFA
2.1 Lexical Specification(分词原则)
COOL中的基本Type
包括如下几个类别:
Indentifier
标识符-指以字母开头后续为若干个字母或数字的字符组Integer
-指一组非空的数字字符Keyword
- 指语言中的关键词,例如if,else等Whitespace
- 指一组非空的空格字符或换行符或制表符
很多程序设计语言中的分词原则基本都会覆盖关键字,运算符,标识符,常量,标点符号,他们也会在后面的实现中被作为终止符集合,课程板书中也提供了COOL分词原则的类正则形式。
分词时类型的正则匹配默认为贪婪模式,即匹配更多的字符。词法单元也具备一定的优先级次序(通常也是代码逻辑的实现顺序),例如if
从正则上来判断既符合Keywords
也符合Identifier
,此时该单元的类型就应该标记为Keywords
。这个阶段就完成了从Lecical Specification
——>Regular expressions
的部分。
2.2 Finite Automata (典型分词算法-有穷自动机)
FA是一个可以自动识别词法单元的机器,它是一个状态转换图,“有限”是指它包含的状态是有限的,一个状态读入一个字符后,后继的状态可能为:
- 后继状态为自身
- 后继状态只有一个
- 后继状态有多个
如果每次转换后的后继状态都是唯一的,则称为DFA
(确定有限自动机),如果后继状态可能有多个则称为NFA
(不确定有限状态机)。由于DFA
的状态转移路径是唯一的,所以作为状态查询图时,无论成功或者失败只需要运行一次,但NFA
就可能需要运行多次。
正则表达式是可以转换为NFA
形式的,或许你已经在一些可视化正则表达式的网站上[https://regexper.com ]见过类似的形式。下图比较清晰地展示了从正则表达式到NFA
状态图的转换规则(Regular expressions
——>NFA
):
如果一个DFA
和一个NFA
能够识别的字符集是一致的,则称它们为等价的,对于任意NFA
,一定存在一个DFA
与其等价,由NFA
构建DFA
的过程被称为DFA的确定化,也就是NFA
——>DFA
的过程。这个过程是围绕ε -closure
状态集合的概念展开的,大致的过程就是从起点开始,每次将当前状态和通过若干次ε转换
(它是一个特殊的状态转移函数,表示转换后的状态还是当前状态)作为一个新的ε -closure
状态集合 ,使用矩阵记录每个ε -closure
集合转换前后的集合,最后对整个状态转移矩阵进行标记重命名,就可以得到一个DFA
,事实上转化后的DFA
中的每一个状态,就是NFA
中的一个ε -closure
集合,你可以将它理解成一个通过分组来简化表达方式的过程,相关的过程可以参考下面这个文章西北农林科技大学编译原理课程PPT【词法分析】,里面图比较多,能够辅助理解,本文不再赘述。
三. 手动实现分词器
至此1-4课就结束了,估计看视频课程的人也是一脸懵逼,因为课程并没有讲解如何利用DFA
得到最终期望的形式——Token
元组,那么最后我们就自己手动来实现一下。
3.1 基本定义
假设我们需要对下面这段代码进行分词解析:
let snippet = `
var b3 = 2;
a = 1 + ( b3 + 4);
return a;
`;
那么先来进行一些基本类型集合定义:
//解析结束标记
const EOF = undefined;
//Token Type 可识别的Token类型,
const TT = {
num: 'num',
id: 'id',
keywords: 'keywords', //var | return
lparen: 'lparen',// (
rparen: 'rparen',// )
semicolon: 'semicolon', //;
whitespace: 'whitespace', // \n | \t | \s (空格,制表符,换行符)
plus: 'plus', // +
assign: 'assign',// =
}
// 状态集类型,除开始和结束外,其他可以与Token支持的类型相对应,每次分词从start状态开始,接收一个字符后改变状态,直到在done状态结束时,可以得到一个token
const S = {
start: 'start',
done: 'done',
...TT
}
进行工具函数定义:
//判断是否为关键词(为简化流程,仅检测上面示例中包含的关键词)
const isKeywords = (token) => ['function', 'return', 'if', 'var'].includes(token);
//判断是否为数字
const isDigit = c => /\d/.test(c);
//判断是否为合法的标识符字符
const isValidId = c => /[A-Za-z0-9]/.test(c);
//判断是否为空格
const isBlank = c => /(\s|\t|\n)/.test(c);
3.2 构建DFA
以上面定义的状态集合和token
类别为依据构建DFA
:
3.3 开始分词
分词的逻辑实际上就是,每次先将状态置为start
,然后读入一个字符,根据该字符判断下一个状态,只要没有到达完成状态 done
就继续读入字符,每次到达done
状态时,就可以得到一个token
,将其记录下来,然后重新将状态置为start
,开始寻找下一个token
直到分析完整个代码段。也就是说DFA
状态机每运行一轮,就得到一个token
。参考代码如下:
/**
* 词法分析
*/
function tokenize(code) {
let state = S.start;
let currentToken;//标记当前寻找到的token
let index = 0;//起始指针,每次分析指向start状态
let lookup = 0;//前探指针,每次分析最终指向done状态,start->done之间的字符即为token
while (code[lookup] !== EOF) { //如果还有字符
while (state !== S.done) { //开始拆分token
//获取下一个字符
let c = code[lookup++];
//根据当前状态和下一个字符判断DFA如何跳转
switch (state) {
case S.start: //开始为空集,实现DFA中各个状态转移分支
if (isDigit(c)) {
state = S.num;
} else if (isValidId(c)) {
state = S.id;
} else if (isBlank(c)) {
state = S.done;
} else if (c === '=') {
currentToken = [TT.assign, '=']
state = S.done;
} else if (c === '+') {
currentToken = [TT.plus, '+']
state = S.done;
} else if (c === ';') {
currentToken = [TT.semicolon, ';']
state = S.done;
};
break;
case S.num: //如果是整数
if (isDigit(c)) {
state = S.num;
} else {
currentToken = [TT.num, code.slice(index,lookup - 1)];
lookup -= 1; //从数字状态跳出后,最后一位需要参与下一轮分词,故回退一位
state = S.done;
}
break;
case S.id: //如果是标识符状态
if (isValidId(c)) {
state = S.id;
} else {
let tempToken = code.slice(index,lookup - 1);
lookup -= 1; //从标识符状态跳出后,最后一位需要参与下一轮分词,故回退一位
if (isKeywords(tempToken)) {
currentToken = [TT.keywords, tempToken];
}else{
currentToken = [TT.id, tempToken];
}
state = S.done;
}
break;
}
}
//state = S.done时跳出
currentToken && console.log(currentToken);
currentToken = undefined;
//起指针跟上末指针
index = lookup;
//开始下一轮分词
state = S.start;
}
}
3.4 查看分词结果
运行上述代码即可看到目标程序片段的分词结果:
四. 小结
至此,我们就得到了元组形式的分词结果,完成了编译中第一步lexical analysis
的部分,笔者同时提供了一份包含token
所在行列信息的版本,你可以从附件或【我的github仓库】中拿到示例代码,如果觉得对你有帮助,可以在github上为我加个星星哦~