一直以來都對編譯器和解析器有著很大的興趣，也很清楚一個編譯器的概念和整體的框架，但是對于細節部分卻不是很了解。我們編寫的程序源代碼實際上就是一串字符序列，編譯器或者解釋器可以直接理解并執行這個字符序列，這看起來實在是太奇妙了。本文會用Python實現一個簡單的解析器，用于解釋一種小的列表操作語言（類似于python的list）。其實編譯器、解釋器并不神秘，只要對基本的理論理解之后，實現起來也比較簡單（當然，一個產品級的編譯器或解釋器還是很復雜的）。
這種列表語言支持的操作：
veca = [1, 2, 3] # 列表聲明 vecb = [4, 5, 6] print 'veca:', veca # 打印字符串、列表，print expr+ print 'veca * 2:', veca * 2 # 列表與整數乘法 print 'veca + 2:', veca + 2 # 列表與整數加法 print 'veca + vecb:', veca + vecb # 列表加法 print 'veca + [11, 12]:', veca + [11, 12] print 'veca * vecb:', veca * vecb # 列表乘法 print 'veca:', veca print 'vecb:', vecb
對應輸出：
veca: [1, 2, 3] veca * 2: [2, 4, 6] veca + 2: [1, 2, 3, 2] veca + vecb: [1, 2, 3, 2, 4, 5, 6] veca + [11, 12]: [1, 2, 3, 2, 11, 12] veca * vecb: [4, 5, 6, 8, 10, 12, 12, 15, 18, 8, 10, 12] veca: [1, 2, 3, 2] vecb: [4, 5, 6]
編譯器和解釋器在處理輸入字符流時，基本上和人理解句子的方式是一致的。比如：
I love you.
如果初學英語，首先需要知道各個單詞的意思，然后分析各個單詞的詞性，符合主-謂-賓的結構，這樣才能理解這句話的意思。這句話就是一個字符序列，按照詞法劃分就得到了一個詞法單元流，實際上這就是詞法分析，完成從字符流到詞法單元流的轉化。分析詞性，確定主謂賓結構，是按照英語的語法識別出這個結構，這就是語法分析，根據輸入的詞法單元流識別出語法解析樹。最后，再結合單詞的意思和語法結構最后得出這句話的意思，這就是語義分析。編譯器和解釋器處理過程類似，但是要略微復雜一些，這里只關注解釋器：
我們只是實現一個很簡單的小語言，所以不涉及到語法樹的生成，以及后續復雜的語義分析。下面我就來看看詞法分析和語法分析。
詞法分析和語法分析分別由詞法解析器和語法解析器完成。這兩種解析器具有類似的結構和功能，它們都是以一個輸入序列為輸入，然后識別出特定的結構。詞法解析器從源代碼字符流中解析出一個一個的token（詞法單元），而語法解析器識別出子結構和詞法單元，然后進行一些處理?？梢酝ㄟ^LL(1)遞歸下降解析器實現這兩種解析器，這類解析器完成的步驟是：預測子句的類型，調用解析函數匹配該子結構、匹配詞法單元，然后按照需要插入代碼，執行自定義操作。
這里對LL(1)做簡要介紹，語句的結構通常用樹型結構表示，稱為解析樹，LL(1)做語法解析就依賴于解析樹。比如：x = x +2;
在這棵樹中，像x、=和2這樣的葉節點，稱為終結節點，其他的叫做非終結節點。LL(1)解析時，不需要創建具體的樹型數據結構，可以為每個非終結節點編寫解析函數，在遇到相應節點時進行調用，這樣就可以通過解析函數的調用序列中（相當于樹的遍歷）獲得解析樹的信息。在LL(1)解析時，是按照從根節點到葉節點的順序執行的，所以這是一個“下降”的過程，而解析函數又可以調用自身，所以是“遞歸”的，因此LL(1)又叫做遞歸下降解析器。
LL(1)中兩個L都是left-to-right的意思，第一個L表示解析器按從左到右的順序解析輸入內容，第二個L表示在下降過程中，也是按照從左到右的順序遍歷子節點，而1表示根據1個向前看單元做預測。
下面看一下列表小語言的實現，首先是語言的文法，文法用于描述一個語言，算是解析器的設計說明書。
statlist: stat+ stat: ID '=' expr | 'print' expr (, expr)* expr: multipart ('+' multipart)* | STR multipart: primary ('*' primary)* primary: INT | ID | '[' expr (',', expr)* ']' INT: (1..9)(0..9)* ID: (a..z | A..Z)* STR: (/".*/") | (/'.*/') 這是用DSL描述的文法，其中大部分概念和正則表達式類似。"a|b"表示a或者b，所有以單引號括起的字符串是關鍵字，比如：print，=等。大寫的單詞是詞法單元。可以看到這個小語言的文法還是很簡單的。有很多解析器生成器可以自動根據文法生成對應的解析器，比如：ANTRL，flex，yacc等，這里采用手寫解析器主要是為了理解解析器的原理。下面看一下這個小語言的解釋器是如何實現的。
首先是詞法解析器，完成字符流到token流的轉換。采用LL(1)實現，所以使用1個向前看字符預測匹配的token。對于像INT、ID這樣由多個字符組成的詞法規則，解析器有一個與之對應的方法。由于語法解析器并不關心空白字符，所以詞法解析器在遇到空白字符時直接忽略掉。每個token都有兩個屬性類型和值，比如整型、標識符類型等，對于整型類型它的值就是該整數。語法解析器需要根據token的類型進行預測，所以詞法解析必須返回類型信息。語法解析器以iterator的方式獲取token，所以詞法解析器實現了next_token方法，以元組方式(type, value)返回下一個token，在沒有token的情況時返回EOF。
''''' A simple lexer of a small vector language. statlist: stat+ stat: ID '=' expr | 'print' expr (, expr)* expr: multipart ('+' multipart)* | STR multipart: primary ('*' primary)* primary: INT | ID | '[' expr (',', expr)* ']' INT: (1..9)(0..9)* ID: (a..z | A..Z)* STR: (/".*/") | (/'.*/') Created on 2012-9-26 @author: bjzllou ''' EOF = -1 # token type COMMA = 'COMMA' EQUAL = 'EQUAL' LBRACK = 'LBRACK' RBRACK = 'RBRACK' TIMES = 'TIMES' ADD = 'ADD' PRINT = 'print' ID = 'ID' INT = 'INT' STR = 'STR' class Veclexer: ''''' LL(1) lexer. It uses only one lookahead char to determine which is next token. For each non-terminal token, it has a rule to handle it. LL(1) is a quit weak parser, it isn't appropriate for the grammar which is left-recursive or ambiguity. For example, the rule 'T: T r' is left recursive. However, it's rather simple and has high performance, and fits simple grammar. ''' def __init__(self, input): self.input = input # current index of the input stream. self.idx = 1 # lookahead char. self.cur_c = input[0] def next_token(self): while self.cur_c != EOF: c = self.cur_c if c.isspace(): self.consume() elif c == '[': self.consume() return (LBRACK, c) elif c == ']': self.consume() return (RBRACK, c) elif c == ',': self.consume() return (COMMA, c) elif c == '=': self.consume() return (EQUAL, c) elif c == '*': self.consume() return (TIMES, c) elif c == '+': self.consume() return (ADD, c) elif c == '/'' or c == '"': return self._string() elif c.isdigit(): return self._int() elif c.isalpha(): t = self._print() return t if t else self._id() else: raise Exception('not support token') return (EOF, 'EOF') def has_next(self): return self.cur_c != EOF def _id(self): n = self.cur_c self.consume() while self.cur_c.isalpha(): n += self.cur_c self.consume() return (ID, n) def _int(self): n = self.cur_c self.consume() while self.cur_c.isdigit(): n += self.cur_c self.consume() return (INT, int(n)) def _print(self): n = self.input[self.idx - 1 : self.idx + 4] if n == 'print': self.idx += 4 self.cur_c = self.input[self.idx] return (PRINT, n) return None def _string(self): quotes_type = self.cur_c self.consume() s = '' while self.cur_c != '/n' and self.cur_c != quotes_type: s += self.cur_c self.consume() if self.cur_c != quotes_type: raise Exception('string quotes is not matched. excepted %s' % quotes_type) self.consume() return (STR, s) def consume(self): if self.idx >= len(self.input): self.cur_c = EOF return self.cur_c = self.input[self.idx] self.idx += 1 if __name__ == '__main__': exp = ''''' veca = [1, 2, 3] print 'veca:', veca print 'veca * 2:', veca * 2 print 'veca + 2:', veca + 2 ''' lex = Veclexer(exp) t = lex.next_token() while t[0] != EOF: print t t = lex.next_token() 運行這個程序，可以得到源代碼：
veca = [1, 2, 3] print 'veca:', veca print 'veca * 2:', veca * 2 print 'veca + 2:', veca + 2
對應的token序列：
('ID', 'veca') ('EQUAL', '=') ('LBRACK', '[') ('INT', 1) ('COMMA', ',') ('INT', 2) ('COMMA', ',') ('INT', 3) ('RBRACK', ']') ('print', 'print') ('STR', 'veca:') ('COMMA', ',') ('ID', 'veca') ('print', 'print') ('STR', 'veca * 2:') ('COMMA', ',') ('ID', 'veca') ('TIMES', '*') ('INT', 2) ('print', 'print') ('STR', 'veca + 2:') ('COMMA', ',') ('ID', 'veca') ('ADD', '+') ('INT', 2) 接下來看一下語法解析器的實現。語法解析器的的輸入是token流，根據一個向前看詞法單元預測匹配的規則。對于每個遇到的非終結符調用對應的解析函數，而終結符（token）則match掉，如果不匹配則表示有語法錯誤。由于都是使用的LL(1)，所以和詞法解析器類似， 這里不再贅述。
''''' A simple parser of a small vector language. statlist: stat+ stat: ID '=' expr | 'print' expr (, expr)* expr: multipart ('+' multipart)* | STR multipart: primary ('*' primary)* primary: INT | ID | '[' expr (',', expr)* ']' INT: (1..9)(0..9)* ID: (a..z | A..Z)* STR: (/".*/") | (/'.*/') example: veca = [1, 2, 3] vecb = veca + 4 # vecb: [1, 2, 3, 4] vecc = veca * 3 # vecc: Created on 2012-9-26 @author: bjzllou ''' import veclexer class Vecparser: ''''' LL(1) parser. ''' def __init__(self, lexer): self.lexer = lexer # lookahead token. Based on the lookahead token to choose the parse option. self.cur_token = lexer.next_token() # similar to symbol table, here it's only used to store variables' value self.symtab = {} def statlist(self): while self.lexer.has_next(): self.stat() def stat(self): token_type, token_val = self.cur_token # Asignment if token_type == veclexer.ID: self.consume() # For the terminal token, it only needs to match and consume. # If it's not matched, it means that is a syntax error. self.match(veclexer.EQUAL) # Store the value to symbol table. self.symtab[token_val] = self.expr() # print statement elif token_type == veclexer.PRINT: self.consume() v = str(self.expr()) while self.cur_token[0] == veclexer.COMMA: self.match(veclexer.COMMA) v += ' ' + str(self.expr()) print v else: raise Exception('not support token %s', token_type) def expr(self): token_type, token_val = self.cur_token if token_type == veclexer.STR: self.consume() return token_val else: v = self.multipart() while self.cur_token[0] == veclexer.ADD: self.consume() v1 = self.multipart() if type(v1) == int: v.append(v1) elif type(v1) == list: v = v + v1 return v def multipart(self): v = self.primary() while self.cur_token[0] == veclexer.TIMES: self.consume() v1 = self.primary() if type(v1) == int: v = [x*v1 for x in v] elif type(v1) == list: v = [x*y for x in v for y in v1] return v def primary(self): token_type = self.cur_token[0] token_val = self.cur_token[1] # int if token_type == veclexer.INT: self.consume() return token_val # variables reference elif token_type == veclexer.ID: self.consume() if token_val in self.symtab: return self.symtab[token_val] else: raise Exception('undefined variable %s' % token_val) # parse list elif token_type == veclexer.LBRACK: self.match(veclexer.LBRACK) v = [self.expr()] while self.cur_token[0] == veclexer.COMMA: self.match(veclexer.COMMA) v.append(self.expr()) self.match(veclexer.RBRACK) return v def consume(self): self.cur_token = self.lexer.next_token() def match(self, token_type): if self.cur_token[0] == token_type: self.consume() return True raise Exception('expecting %s; found %s' % (token_type, self.cur_token[0])) if __name__ == '__main__': prog = ''''' veca = [1, 2, 3] vecb = [4, 5, 6] print 'veca:', veca print 'veca * 2:', veca * 2 print 'veca + 2:', veca + 2 print 'veca + vecb:', veca + vecb print 'veca + [11, 12]:', veca + [11, 12] print 'veca * vecb:', veca * vecb print 'veca:', veca print 'vecb:', vecb ''' lex = veclexer.Veclexer(prog) parser = Vecparser(lex) parser.statlist() 運行代碼便會得到之前介紹中的輸出內容。這個解釋器極其簡陋，只實現了基本的表達式操作，所以不需要構建語法樹。如果要為列表語言添加控制結構，就必須實現語法樹，在語法樹的基礎上去解釋執行。
新聞熱點
疑難解答
圖片精選
