編譯原理：語言處理器、編譯器的結(jié)構(gòu)

碎碎念

為什么《編譯原理》這本書叫做?龍書(Dragon book)？

這本書很有意思，它的書名是?《Compilers: Principles, Techniques, and Tools》，也就是編譯器的原則、技術(shù)和工具。但它卻畫出了一個(gè)恐龍和騎士，恐龍身上寫的是?Complexity of Compiler Design，也就是復(fù)雜的編譯器設(shè)計(jì)，騎士的盾上寫的是?Syntax Directed Translation，也就是語法翻譯。騎士的劍上看的不是很清楚，我猜測應(yīng)該是優(yōu)秀的編譯器的意思。這是征服復(fù)雜性的隱喻。優(yōu)秀的編譯器會(huì)直接征服復(fù)雜的編譯，復(fù)雜的編譯設(shè)計(jì)永遠(yuǎn)無法攻破語法翻譯。

什么是編譯原理

計(jì)算機(jī)是只認(rèn)識(shí)二進(jìn)制的，但是我們平常開發(fā)中根本不會(huì)使用二進(jìn)制進(jìn)行開發(fā)，我們使用的都是 Java、C 這類的高級語言，每種語言都會(huì)經(jīng)過一系列的轉(zhuǎn)換才能被計(jì)算機(jī)識(shí)別，那么到底是誰做的這項(xiàng)工作呢？一個(gè)被稱為?編譯器(compiler)?的大佬出場了。

語言處理器

首先考慮一下一個(gè)例子，你如何才能和老外對話？你是不是需要學(xué)英語？我們有一些同學(xué)可能認(rèn)為英語難學(xué)，經(jīng)常會(huì)在英語書上做一些漢語標(biāo)記方便理解。

?

那么，誰做了由英語到方便記憶?的英語之間的轉(zhuǎn)換呢？答案是你的大腦。所以，我們可以歸納一下這個(gè)過程。

因?yàn)槲覀兌疂h語（自己的一套語法規(guī)則），我們把英語（需要學(xué)習(xí)的語言）轉(zhuǎn)換為我們便于理解的漢語（大腦翻譯規(guī)則），我們才能學(xué)會(huì)英語和老外對話（轉(zhuǎn)換為目標(biāo)語言）。

回到正題，我們上面舉出的這個(gè)學(xué)英語的例子，其實(shí)就是一個(gè)由原程序經(jīng)過某種機(jī)制轉(zhuǎn)換，把它變成目標(biāo)語言的過程。也就是

編譯器就是一個(gè)翻譯官的角色，它負(fù)責(zé)把源程序的語法翻譯成目標(biāo)程序能夠理解的語法。

回到計(jì)算機(jī)中，我們肯定需要目標(biāo)程序來做一些事情的。

也就是，我們通過某個(gè)渠道獲得的輸入信息，會(huì)經(jīng)過編譯器的轉(zhuǎn)換，變?yōu)檩敵鲂畔⑦M(jìn)行展示。

除了編譯器之外，還有一種稱為?解釋器(interpreter)?的語言處理器，它不是做翻譯工作的，而是把用戶提供的輸入執(zhí)行源程序中指定的操作。

我們熟知的 Java 語言，就結(jié)合了編譯和解釋的過程，我們寫的 Java 源文件首先被編譯成?字節(jié)碼(bytecode)，字節(jié)碼是一種中間碼，它通常被看成是可執(zhí)行的二進(jìn)制文件。然后再由 Java 虛擬機(jī)對字節(jié)碼解釋執(zhí)行。這樣，在一臺(tái)機(jī)器上編譯的字節(jié)碼就能夠在其他機(jī)器上解釋執(zhí)行，這種體現(xiàn)了 Java 語言的平臺(tái)無關(guān)性。

為了提高編譯速度，Java 中有一種?just-in-time,JIT?即時(shí)編譯器會(huì)一邊編譯一邊執(zhí)行。

一個(gè)源文件程序可能被劃分為多個(gè)模塊，并存放在多個(gè)文件中，還需要把文件鏈接在一起，所以，除了編譯器之外，還需要一種能鏈接文件的部件參與，預(yù)處理器(preprossor)?是做這件事情的。如下圖所示

預(yù)處理器經(jīng)過預(yù)處理后會(huì)作為輸入傳遞給編譯器，編譯器對源程序進(jìn)行編譯，編譯完成后生成匯編代碼，作為匯編器的輸入傳遞給匯編器，匯編器進(jìn)行匯編處理轉(zhuǎn)換為機(jī)器代碼，注意這個(gè)時(shí)候還不是目標(biāo)代碼，還要經(jīng)過鏈接器與系統(tǒng)庫函數(shù)進(jìn)行鏈接，最后由加載器把目標(biāo)代碼加載到內(nèi)存中執(zhí)行

編譯器的結(jié)構(gòu)

我們上面大概了解了一下語言的處理過程，下面我們就來了解一下編譯器的內(nèi)部結(jié)構(gòu)，編譯器內(nèi)部其實(shí)具有兩種結(jié)構(gòu)：分析(analysis)部分和?整合(synthesis)?部分。

分析過程相當(dāng)于是把源程序分成多個(gè)結(jié)構(gòu)，每個(gè)結(jié)構(gòu)都有特定的語法格式進(jìn)行校驗(yàn)，在經(jīng)由每個(gè)校驗(yàn)后，如果不滿足指定的語法格式則進(jìn)行提醒，使用戶進(jìn)行修改。分析部分還會(huì)收集有關(guān)源程序的信息，會(huì)把收集到的信息存放在一個(gè)被稱為?符號(hào)表(symbol table)?的數(shù)據(jù)結(jié)構(gòu)中。符號(hào)表和中間表示形式一起傳給整合部分。

整合過程是根據(jù)分析過程傳遞的信息來構(gòu)造用戶期待的目標(biāo)程序。分析和整合統(tǒng)稱為?前端(front end)?和?后端(back end)?，哈哈哈哈。

這里你需要知道符號(hào)表(Symbol Table)?的概念：符號(hào)表是編譯器使用和維護(hù)的數(shù)據(jù)結(jié)構(gòu)，由標(biāo)識(shí)符和類型組成。符號(hào)表的主要作用是幫助編譯器快速定位。

下面是一個(gè)編譯器的典型結(jié)構(gòu)

下面我們就針對編譯器結(jié)構(gòu)的每一層進(jìn)行描述和討論

詞法分析

詞法分析(Lexical Analyzer)是編譯器的第一個(gè)步驟，它也被稱為?掃描(scanning)。詞法分析器通過讀入外部的字符流對其進(jìn)行掃描，并且把它們組成有意義的詞素(lexeme)序列，對于每個(gè)詞素，詞法分析器都會(huì)產(chǎn)生詞法單元(token)?作為輸出。這個(gè)詞法單元會(huì)傳遞給下一個(gè)步驟，也就是語法分析。

這里需要解釋一下 Token 、詞素和詞法分析器的概念

我們常用的編程語言就是具有詞素的單詞和符號(hào)的集合，比如 C 語言中有 ()，-> 等等。關(guān)鍵字 if...while...，變量或函數(shù)名稱以及數(shù)字和字符串常量也被視為詞素。并不是所有的自負(fù)都屬于詞素，例如空格和注釋就不屬于。

詞法分析器用來分析詞素有兩個(gè)規(guī)則

跳過不能以字母開頭的字符

然后找到剩余的最長前綴，也就是詞素

這兩句話比較抽象，舉個(gè)例子來說明一下

比如 C 語言中有這么一個(gè)語句

?

ifx?=?20*30;

?

那么第一個(gè)詞素就是 ifx，為什么不是 if 呢？因?yàn)?if 不是最長的前綴。然后后面的詞素依次是 =，20，*，30和；。

詞素、詞法分析器、token 的關(guān)系如下

詞素是 Token 的實(shí)例，詞法分析器的主要任務(wù)就是從源程序中讀取字符并產(chǎn)生 token。token 也是有結(jié)構(gòu)的，一般結(jié)構(gòu)如下

在詞法分析生成的?token?中，第一個(gè)詞 token-name 是語法分析期間使用的抽象符號(hào)，第二個(gè)詞 attribute-value 指向的是符號(hào)表中關(guān)于這個(gè)詞法單元的條目數(shù)。

我們舉個(gè)例子來看一下詞法分析的拆解過程。

比如現(xiàn)在源程序中有一個(gè)賦值語句

?

income?=?mainjob?+?sideline?//?收入?=?主業(yè)?+?副業(yè)

?

這個(gè)賦值語句中的字符可以組合成如下詞素，并轉(zhuǎn)換成為 token，并傳遞給語法分析階段。

首先，income 是一個(gè)詞素，它會(huì)被映射為 ，其中 ?id 是表示的?標(biāo)識(shí)符(identifier)?的抽象符號(hào)，而 1 指的是符號(hào)表中 income 在符號(hào)表中的條數(shù)。

然后是賦值符號(hào) = ，它也是一個(gè)詞素，被映射稱為 token 中的 < = >。這個(gè) token 不需要屬性值，所以沒有第二個(gè)詞。

mainjob 是一個(gè)詞素，它被映射成為 token 中的 ，2 是 mainjob 對應(yīng)的符號(hào)表?xiàng)l目

+也是一個(gè)詞素，它被映射稱為 < + >，沒有條目數(shù)

sideline 是一個(gè)詞素，它被映射稱為 token 中的 ，3 是 sideline 對應(yīng)的符號(hào)表?xiàng)l目

所以，經(jīng)過詞法分析后，上面的源程序會(huì)變?yōu)?/p>

?

????

?

在上面的表達(dá)式中， = 和 + 分別表示賦值和加法運(yùn)算符的抽象符號(hào)。用圖來表示的話就是

語法分析

編譯器的第二個(gè)步驟是?語法分析(syntax analysis)?或者稱為?解析(parsing)。語法分析器使用由詞法分析器生成的各個(gè)詞法單元的第一個(gè)分量來創(chuàng)建樹形的中間表示。常用的方法就是?語法樹(syntax tree)。編譯器的后續(xù)步驟都會(huì)使用這個(gè)語法結(jié)構(gòu)來幫助分析源程序，并生成目標(biāo)程序。

語義分析

語義分析是由?語義分析器(semantic analyzer)?完成的，它使用語法樹和符號(hào)表中的信息來檢查源程序是否和語言定義的語義一致。語義分析器也收集類型信息，并把這些信息放在語法樹或者符號(hào)表中，以便后續(xù)的中間代碼生成器使用。

語義分析會(huì)進(jìn)行類型檢查(type checking)，這是語義分析器的一個(gè)最重要的功能。編譯器會(huì)檢查每個(gè)運(yùn)算符是否具有匹配的運(yùn)算分量。舉個(gè)例子比如設(shè)計(jì)語言要求一個(gè)數(shù)組的下標(biāo)是整數(shù)，如果你用浮點(diǎn)數(shù)作為下標(biāo)，編譯器就會(huì)出錯(cuò)。

某些程序設(shè)計(jì)語言比如 Java 會(huì)允許自動(dòng)類型轉(zhuǎn)換(coercion)。如果整數(shù)和浮點(diǎn)數(shù)進(jìn)行運(yùn)算，編譯器會(huì)把整數(shù)轉(zhuǎn)換為浮點(diǎn)數(shù)。

中間代碼生成

在源程序的語法分析和語義分析完成后，很多編譯器生成一個(gè)明確的低級類機(jī)器語言的中間表示。我們可以把中間表示形式看作是抽象，中間形式的代碼應(yīng)該具有兩個(gè)重要的性質(zhì)：易于生成，并且能夠輕松的被翻譯。一般常用的一種是?三地址指令(three-address instructions)的中間表示形式。我們后面會(huì)細(xì)說。

代碼優(yōu)化

代碼優(yōu)化會(huì)試圖改進(jìn)代碼以便生成更好的目標(biāo)代碼。更好通常情況下意味著更快，但是也可能會(huì)有其他目標(biāo)，比如更短或能耗更低的目標(biāo)代碼。

代碼生成

代碼生成通過中間代碼作為輸入，并把它映射為目標(biāo)語言。如果目標(biāo)語言是機(jī)器代碼的話，那么必須要為每個(gè)變量分配寄存器或內(nèi)存位置。解釋一下上面的運(yùn)行結(jié)果。

每個(gè)指令的第一個(gè)運(yùn)算分量指定了一個(gè)目標(biāo)地址，各個(gè)指令中的 F 告訴我們它處理的是?浮點(diǎn)數(shù), 上面代碼首先把 id3 裝載進(jìn) R2 寄存器中，然后把 id2 裝載進(jìn) R1 寄存器中，再對 R1 目標(biāo)進(jìn)行 R1 和 R2 寄存器相加的操作。最后把寄存器 R1 的值存放到 id1 的地址中。

符號(hào)表管理

我們上面提到了符號(hào)表的概念，它是一個(gè)編譯器很重要的功能。符號(hào)表能夠記錄源程序中使用變量的名稱，并收集和每個(gè)名稱相關(guān)的屬性信息。它相當(dāng)于一個(gè)秘書的作用。符號(hào)表還記錄了每個(gè)變量名字的條目。后面我們會(huì)詳細(xì)的介紹符號(hào)表。

編譯器構(gòu)造工具

和軟件開發(fā)一樣，寫編譯器的人可以充分利用現(xiàn)代的軟件開發(fā)環(huán)境進(jìn)行開發(fā)。通常也有?語言編輯器、調(diào)試工具、版本管理、測試工具等。除此之外，還需要一些更專業(yè)的工具來實(shí)現(xiàn)編輯器不同階段的代碼生成。

一些常用的編譯器構(gòu)造工具有

語法分析器生成器：可以根據(jù)程序設(shè)計(jì)語言的語法描述自動(dòng)生成語法分析器

掃描器生成器：可以根據(jù)一個(gè)語言的語法單元的正則描述生成詞法分析器

語法制導(dǎo)的翻譯引擎：用于生成一組遍歷分析樹并生成中間代碼

代碼生成器：用于把中間代碼轉(zhuǎn)換為目標(biāo)代碼

數(shù)據(jù)流分析引擎：用于分析輸入是如何傳遞到另一部分的

編譯器構(gòu)造工具：提供用于構(gòu)造編譯器不同階段的例程

簡要聊一聊程序設(shè)計(jì)語言的發(fā)展歷程

計(jì)算機(jī)從 20 世紀(jì) 40 年代創(chuàng)建至今都只能理解二進(jìn)制語言，亙古不變。這個(gè) 0 、 1 組成的序列能夠告訴計(jì)算機(jī)以什么樣的順序執(zhí)行怎樣的運(yùn)算。運(yùn)算本身是很底層的：比如把一個(gè)數(shù)據(jù)從一個(gè)位置進(jìn)行移動(dòng)；把兩個(gè)寄存器的內(nèi)容進(jìn)行相加、比較兩個(gè)值，為了避免如此枯燥的運(yùn)算，我們開發(fā)了各種各樣的編程語言，但是計(jì)算機(jī)底層的計(jì)算方式一直沒變，所以學(xué)習(xí)哪個(gè)技術(shù)性價(jià)比高，明白了嗎？下面我們就來一起認(rèn)識(shí)一下程序設(shè)計(jì)語言的歷程。

高級設(shè)計(jì)語言

首先被開發(fā)出來的是 20 世紀(jì) 50 年代的匯編語言，5 年后發(fā)生了重要的進(jìn)步，用于科學(xué)計(jì)算的?Fortran?被開發(fā)出來，用于商業(yè)處理的?Cobol?語言和用于符號(hào)計(jì)算的?Lisp?語言被開發(fā)出來；然后接下來的時(shí)間，慢慢很多編程語言被開發(fā)出來，比如 C、C++、Java、JavaScript、Python 等。后面還有用于數(shù)據(jù)處理的 SQL 語言。

語言分類

說到給這些編程語言分類，那可是有太多了，不過我們專注一下高頻的分類。

如何完成計(jì)算任務(wù)的語言稱為?強(qiáng)制式(imperative)語言，而把程序中指明要進(jìn)行哪些計(jì)算的語言稱為?聲明式(declarative)語言。C、C++、Java 這些都是強(qiáng)制式語言，它們能夠改變程序的狀態(tài)；聲明式比如 HTML Prolog 等。

馮·諾伊曼?語言指的是以馮·諾伊曼計(jì)算機(jī)體系為基礎(chǔ)的編程語言，今天很多編程語言都是馮·諾伊曼語言。

面向?qū)ο笳Z言(object-oriented language)?是一種描述對象的語言，比如 C、C++、Java。

腳本語言(scripting language)?是具有高層次的解釋型語言，它通常把多個(gè)過程粘在一起，比如 JavaScript、Perl、PHP、Python 等。

后 記

平時(shí)我們大多工作于應(yīng)用層面，底層的一些概念和流程容易遺忘。

每隔一段時(shí)間適時(shí)回味一下，感覺還是不錯(cuò)的。

　審核編輯：湯梓紅