编译原理概述

概述

编译本质上就是吧源代码翻译成目标代码的过程

编译分为6个阶段

1. 词法分析
2. 语法分析
3. 语义分析
4. 生成中间代码
5. 优化
6. 生成目标代码

词法分析（Lexical Analysis）

词法分析就是把字符串转化为Token的一个过程

• Token：就是单词的意思，程序里面的单词叫Token，它可以分成关键字、标识符、字面量、操作符号等多个种类。
• 字符串：程序本质上就一个字符串

语法分析（Syntactic Analysis）

目的是让编译器对这对Token进行语法分析，检查是否有语法错误，分析这段代码的语法结构
采用AST（抽象语法树）的方式来实现将代码划分出层次清晰的语法结构

• AST：体现语法规则的、树状的数据结构

叶子节点，就是词法分析阶段生成的 Token（图中带边框的节点）。对这棵 AST 做深度优先的遍历，你就能依次得到原来的 Token。

语义分析（Semantic Analysis）

生成 AST 以后，程序的语法结构就很清晰了
结构的问题解决了，接下来就是语义的问题了
语义分析分为语义理解和语义检查；
语义理解就是让程序理解程序中表达式的含义；
语义检查就是对句子进行检查，排除语法正确但语义有问题的句子

比如说 a+3 这个表达式的含义是，获取变量a的值与3相加再返回。这个表达式我们是很容易理解但编译器不理解啊，所有我们需要给AST每个阶段附加语义规则让编译器去理解，比如：

• add 节点：把两个子节点的值相加，作为自己的值；
• 变量节点（在等号右边的话）：取出变量的值；
• 数字字面量节点：返回这个字面量代表的值。

这样的话，如果你深度遍历 AST，并执行每个节点附带的语义规则，就可以得到 a+3 的值。这意味着，我们正确地理解了这个表达式的含义。运用相同的方法，我们也就能够理解一个句子的含义、一个函数的含义，乃至整段源代码的含义。

但是这样还是不够，还要考虑两个问题：

一、变量的作用域问题

int a = 10;       //全局变量
int foo(int a){   //参数里有另一个变量a
  int b = a + 3;  //这里的a指的是哪一个？
  return b;
}

这里有两个变量名为a，显然此时我们应该采用就近原则选择参数a而不是全局变量a
为实现这种效果我引入了一个引用消解的概念

引用消解需要在上下文中查找某个标识符的定义与引用的关系，所以语义分析的重要特点，就是做上下文相关的分析。

二、变量的数据类型问题

在语义分析阶段，编译器还会识别出数据的类型。比如，在计算“a+3”的时候，我们必须知道 a 和 3 的类型是什么。因为即使同样是加法运算，对于整型和浮点型数据，其计算方法也是不一样的。

语义分析获得的一些信息（引用消解信息、类型信息等），会附加到 AST 上。这样的 AST 叫做带有标注信息的 AST（Annotated AST/Decorated AST），用于更全面地反映源代码的含义。

好了，前面我所说的，都是如何让编译器更好地理解程序的语义。不过在语义分析阶段，编译器还要做很多语义方面的检查工作。

在自然语言里，我们可以很容易写出一个句子，它在语法上是正确的，但语义上是错误的。比如，“小猫喝水”这句话，它在语法和语义上都是对的；而“水喝小猫”这句话，语法是对的，语义上则是不对的。

计算机程序也会存在很多类似的语义错误的情况。比如说，对于“int b = a+3”的这个语句，语义规则要求，等号右边的表达式必须返回一个整型的数据（或者能够自动转换成整型的数据），否则就跟变量 b 的类型不兼容。如果右边的表达式“a+3”的计算结果是浮点型的，就违背了语义规则，就要报错。

中间代码（Intermediate Representation）

中间代码（IR），是处于源代码和目标代码之间的一种表示形式。

我们倾向于使用 IR 有两个原因。

1. 很多解释型的语言，可以直接执行 IR，比如 Python 和 Java。这样的话，编译器生成 IR 以后就完成任务了，没有必要生成最终的汇编代码。
2. 我们生成代码的时候，需要做大量的优化工作。而很多优化工作没有必要基于汇编代码来做，而是可以基于 IR，用统一的算法来完成。

优化（Optimization）

在生成目标代码之前，需要做的优化工作可以有很多，这通常也是编译器在运行时，花费时间最长的一个部分。

那为什么需要做优化工作呢？这里又有两大类的原因。

1. 源语言和目标语言有差异。

Class Person{
  private String name;
  public String getName(){
    return name;
  }
  public void setName(String newName){
    this.name = newName
  }
}

如果你在程序里用“person.getName()”来获取 Person 的 name 字段，会是一个开销很大的操作，因为它涉及函数调用。

怎样简化呢？就是跳过方法的调用。我们直接根据对象的地址计算出 name 属性的地址，然后直接从内存取值就行。这样优化之后，性能会提高好多倍。这种优化方法就叫做内联（inlining），也就是把原来程序中的函数调用去掉，把函数内的逻辑直接嵌入函数调用者的代码中。

总结起来，我们在把源代码翻译成目标代码的过程中，没有必要“直译”，而是可以“意译”。这样我们完成相同的工作，对资源的消耗会更少。

1. 程序员写的代码不是最优的，而编译器会帮你做纠正。

int bar(){
    int a = 10*10;  //这里在编译时可以直接计算出100这个值，这叫做“常数折叠”
    int b = 20;     //这个变量没有用到，可以在代码中删除，这叫做“死代码删除”


    if (a>0){       //因为a一定大于0，所以判断条件和else语句都可以去掉
        return a+1; //这里可以在编译器就计算出是101
    }
    else{
        return a-1;
    }
}
int a = bar();      //这里可以直接换成 a=101

整个对 bar() 函数的调用，可以省略，因为 bar() 的值一定是 101。这些优化工作都可以在编译期间完成。

生成目标代码

编译器最后一个阶段的工作，是生成高效率的目标代码，也就是汇编代码。这个阶段，编译器也有几个重要的工作。

1. 要选择合适的指令，生成性能最高的代码。
2. 要优化寄存器的分配，让频繁访问的变量（比如循环变量）放到寄存器里，因为访问寄存器要比访问内存快 100 倍左右。
3. 在不改变运行结果的情况下，对指令做重新排序，从而充分运用 CPU 内部的多个功能部件的并行计算能力。目标代码生成以后，整个编译过程就完成了。

总结