[译]用javascript实现一门编程语言-词法分析

词法分析(the token input stream)

词法分析是基于字符输入流进行操作的,但是通过peek() 或 next() 返回的是一个特殊对象,即token. 一个token中包含两个属性: type 和 value. 以下是几个例子:

{ type: "punc", value: "(" }           // 标点符号(punctuation): 括号(parens), 逗号(comma), 分号(semicolon) etc.
{ type: "num", value: 5 }              // 数字
{ type: "str", value: "Hello World!" } // 字符串
{ type: "kw", value: "lambda" }        // 关键字(keywords)
{ type: "var", value: "a" }            // 变量名(identifiers)
{ type: "op", value: "!=" }            // 操作(operators)
复制代码

空白和注释会被直接跳过,没有token返回.

为了完成词法分析器,我们需要对语法了解的很详细.我们需要对peek()返回的当前字符进行处理,返回token,有以下几点需要注意:

跳过空格
如果到达末尾,返回null
如果遇见#,跳过注释,即本行后面所有内容
如果是引号,读入字符串
如果是数字,读入数字
如果是一个单词,按关键字或者变量处理
如果是标点符号,返回标点符号的token
如果是操作符,返回操作符的token
如果不匹配上面任何一个,输出错误input.croak()

下面是词法分析的核心代码-读取下一个:

function read_next() {
    read_while(is_whitespace);
    if (input.eof()) return null;
    var ch = input.peek();
    if (ch == "#") {
        skip_comment();
        return read_next();
    }
    if (ch == '"') return read_string();
    if (is_digit(ch)) return read_number();
    if (is_id_start(ch)) return read_ident();
    if (is_punc(ch)) return {
        type  : "punc",
        value : input.next()
    };
    if (is_op_char(ch)) return {
        type  : "op",
        value : read_while(is_op_char)
    };
    input.croak("Can't handle character: " + ch);
}
复制代码

这是一个分发函数,他会决定什么时候调用next()来获得下一个token.这里面用到了很多工具函数,例如read_string(), read_number()等等.我们没必要在这里就把这些函数写出来增加复杂度.

另一个需要注意的是,我们不会一下子就去拿到所有的输入流,每次解析器只会读取下一个token,这样便于我们去定位错误(有时因为语法错误,解析器不用继续解析).

read_ident()函数会尽可能多的读取可以作为变量名称的字符作为变量名.变量名必须以字母,λ或_开头,可以包含字母,数字或者?!-<>=.因此foo-bar不会作为3个token读入,而是作为一个变量.定义这个规则的原因是为了让我定义is-pair这样的变量.

当然,read_ident()函数也会去检查读入的名称是不是一个关键字.如果是关键字将会返回kw token, 否则返回var token.

以下是TokenStream的所有代码:

function TokenStream(input) {
    var current = null;
    var keywords = " if then else lambda λ true false ";
    return {
        next  : next,
        peek  : peek,
        eof   : eof,
        croak : input.croak
    };
    function is_keyword(x) {
        return keywords.indexOf(" " + x + " ") >= 0;
    }
    function is_digit(ch) {
        return /[0-9]/i.test(ch);
    }
    function is_id_start(ch) {
        return /[a-zλ_]/i.test(ch);
    }
    function is_id(ch) {
        return is_id_start(ch) || "?!-<>=0123456789".indexOf(ch) >= 0;
    }
    function is_op_char(ch) {
        return "+-*/%=&|<>!".indexOf(ch) >= 0;
    }
    function is_punc(ch) {
        return ",;(){}[]".indexOf(ch) >= 0;
    }
    function is_whitespace(ch) {
        return " \t\n".indexOf(ch) >= 0;
    }
    function read_while(predicate) {
        var str = "";
        while (!input.eof() && predicate(input.peek()))
            str += input.next();
        return str;
    }
    function read_number() {
        var has_dot = false;
        var number = read_while(function(ch){
            if (ch == ".") {
                if (has_dot) return false;
                has_dot = true;
                return true;
            }
            return is_digit(ch);
        });
        return { type: "num", value: parseFloat(number) };
    }
    function read_ident() {
        var id = read_while(is_id);
        return {
            type  : is_keyword(id) ? "kw" : "var",
            value : id
        };
    }
    function read_escaped(end) {
        var escaped = false, str = "";
        input.next();
        while (!input.eof()) {
            var ch = input.next();
            if (escaped) {
                str += ch;
                escaped = false;
            } else if (ch == "\\") {
                escaped = true;
            } else if (ch == end) {
                break;
            } else {
                str += ch;
            }
        }
        return str;
    }
    function read_string() {
        return { type: "str", value: read_escaped('"') };
    }
    function skip_comment() {
        read_while(function(ch){ return ch != "\n" });
        input.next();
    }
    function read_next() {
        read_while(is_whitespace);
        if (input.eof()) return null;
        var ch = input.peek();
        if (ch == "#") {
            skip_comment();
            return read_next();
        }
        if (ch == '"') return read_string();
        if (is_digit(ch)) return read_number();
        if (is_id_start(ch)) return read_ident();
        if (is_punc(ch)) return {
            type  : "punc",
            value : input.next()
        };
        if (is_op_char(ch)) return {
            type  : "op",
            value : read_while(is_op_char)
        };
        input.croak("Can't handle character: " + ch);
    }
    function peek() {
        return current || (current = read_next());
    }
    function next() {
        var tok = current;
        current = null;
        return tok || read_next();
    }
    function eof() {
        return peek() == null;
    }
}
复制代码

next()并不是每次都会调用read_next(),因为可能提前调用过read_next(),所以,在current存在的时候就直接返回current就可以了.
我们只支持十进制数字,不支持科学计数法,不支持16进制,8进制.如果我们需要这些的话,就在read_number()函数中添加处理方法就可以了
与javascript不同的是,字符串中不能包含引号本身和反斜杠,但是我们不会影响常用的转义字符\n \t.

下面一节会介绍一下AST.

原文链接: lisperator.net/pltut/parse…

[译]用javascript实现一门编程语言-词法分析

目录

词法分析(the token input stream)

猜你喜欢