Skip to content

Latest commit

 

History

History
508 lines (376 loc) · 19.2 KB

014.ANTLR：在浏览器中玩语法解析.md

File metadata and controls

508 lines (376 loc) · 19.2 KB
Raw

ANTLR：在浏览器中玩语法解析

作者简介 zqlu 蚂蚁金服·数据体验技术团队

一、前言

在前端开发中，通常提到语法解析等功能，这是都是有后端负责提供接口，前端调用。那么前端是否能自主完成语法解析相关的功能，并在浏览器中运行呢？答案是肯定，本文将描述一种简化的语言称为Expr语言，并在浏览器中完成对输入的Expr代码做错误验证、执行和翻译等等功能。

二、简化的 Expr 语言

首先，介绍下我们的Expr语言，Expr语言是本文假设的一种简化的类 C 的语言，代码片段如下：

a = 2;
b = 3
c = a * (b + 2);
d = a / (c - 1);

a; // 应该输出2
b; // 应该输出3
c;
d;

前 4 行的行为是大家熟悉的赋值表达式，最后 4 行为打印语句，即依次打印各个变量的值，当然这里也包含了我们熟悉的注释。

问题来了，我们能在前端自主解析 Expr 语法的代码，并解释执它们吗？ 如果代码片段中有错误，我们能给出准确的错误提示信息吗？还有更多有趣的问题，我们的 Expr 语言采用了中缀表达式，我们能把输入代码翻译成前缀表达式代码吗？我们能对输入的代码片段做代码格式化吗？我们能把 Expr 代码翻译成其他语言的源码吗？

首先看看最后的Demo，我们可以在 Demo 页面代码框输入 Expr 语言的代码，点击执行按钮，即可以看到执行后的结果：

Demo

这些功能是在浏览器利用 ANTLR v4 来完成语法解析，并最终实现了语法验证、解释执行等功能。

三、初识 ANTLR v4

ANTLR 的介绍

Antlr4 是 ANother Tool for Language Recognition 即另一个语言识别工具，官方介绍为 Antlr4 是一款强大的解析器生成工具，可用来读取、处理、执行和翻译结构化文本或二进制文件。

Antlr4 生成的解析器包含了词法分析程序和语法分析程序，没错，这就是编译原理课程中的词法分析和语法分析。写了几年前端是不是都忘记了，我们只需要知道词法分析程序是将输入的代码字符序列转换成标记(Token)序列的程序，而语法分析程序则是将标记序列转换成语法树的程序。好在按照 Antlr4 规范制定了语法定义，Antlr4 就可以为我们生成解析器源码，它不仅可以生成 Java 源码，还可以生成我们前端方便的 JavaScript 和 TypeScript 源码。不错，在本文，我们就是要用 Antlr4 生成的 TypeScript 版的解析器，来解析我们的 Expr 语言代码。

ANTLR v4 的安装使用

关于 Antlr4 的安装和使用，大家可以参照 Github 上的Getting Started with ANTLR v4，这里不作介绍。简单来说，使用 ANTLR v4，一般分为三步：

  • 按照 ANTLR v4 的编写待解析语言的语法定义文件，主流语言的 ANTLR v4 语法定义可以找仓库antlr/grammars-v4中找到，一般以 g4 为语法定义文件后缀
  • 运行 ANTLR 工具，生成指定目标语言的解析器源代码
  • 使用生成的解析器完成代码的解析等

四、Expr 语言的语法定义

按照上述的介绍，为了实现解释执行我们的 Expr 语言，首先第一步需要按照 ANTLR v4 的规范来定义 Expr 语言的语法定义文件 Expr.g4。这里简单介绍下 ANTLR v4 的语法定义的思路，更多详细介绍可以参照 ANTLR 作者的著作《The Definitive ANTLR 4 Reference》。

语法规则

ANTLR v4 的语法定义文件以语法声明语句和一系列语法规则语法，大致结构如下：

grammar Name; # 申明名为Name的语法

# 一次定义语法规则
rule1
rule2
...
ruleN

其中每条语法规则结构如：

ruleName: alternative1 | alternative2 | alternative3 ;

这条语法规则申明一条名为ruleName的规则，其中|表名为分支、即改规则可以匹配三个分支中的任何一个。

最后，ANTLR v4 的语法规则分为词法(Lexer)规则和语法(Parser)规则：词法规则定义了怎么将代码字符串序列转换成标记序列；语法规则定义怎么将标记序列转换成语法树。通常，词法规则的规则名以大写字母命名，而语法规则的规则名以小写字母开始。

Expr 语法

具体到我们的 Expr 语法，定义的语法 Expr.g4 如下：

grammar Expr;

prog
    : stat+ ;

stat
    : exprStat
    | assignStat
    ;

exprStat
    : expr SEMI
    ;

assignStat
    : ID EQ expr SEMI
    ;

expr
    : expr op = (MUL | DIV ) expr   # MulDivExpr
    | expr op = ( ADD | SUB ) expr   # AddSubExpr
    | INT                       # IntExpr
    | ID                        # IdExpr
    | LPAREN expr RPAREN        # ParenExpr
    ;

MUL     : '*' ;
DIV     : '/' ;
ADD     : '+' ;
SUB     : '-' ;
LPAREN  : '(' ;
RPAREN  : ')' ;

ID      : LETTER (LETTER | DIGIT)*  ;
INT     : [0-9]+ ;
EQ      : '=' ;
SEMI    : ';' ;
COMMENT : '//' ~[\r\n]* '\r'? '\n'? -> channel(HIDDEN);
WS      : [ \r\n\t]+ -> channel(HIDDEN);

fragment
LETTER  : [a-zA-Z] ;
fragment
DIGIT   : [0-9] ;

可以看到，语法定义是采用自顶向下的设计方法，我们的 Expr 代码以规则prog作为根规则，prog由多条语句stat组成；而语句stat可以是表达式语句exprState活着赋值语句assignState；依次向下，到最后一层语法规则表达式expr，表达式可以是由表达式组成的加减乘除运算，或者是整数INT、变量ID，注意expr规则使用了递归的表达，即在expr规则的定义中引用了expr，这也是 ANTLR v4 的一个特点。 最后这里定义的词法规则包含了加减乘除、括号、变量、整数、赋值、注释和空白等规则；注意其中的注释(COMMENT)和空白(WS)规则定义的channel(HIDDEN)，这是标记我们的语法解析需要忽略注释和空白。

有了语法定义Expr.ge，就可以生成我们需要的解析器源码了，这里采用 antlr4ts，在 package.json 中添加 script：

"scripts": {
  "antlr4ts": "antlr4ts -visitor Expr.g4 -o src/parser"
},
"dependencies": {
  "antlr4ts": "^0.4.1-alpha.0"
}
"devDependencies": {
  "antlr4ts-cli": "^0.4.0-alpha.4",
  "typescript": "^2.5.3",
},

执行 npm run antlr4ts，就可以在src/parser目录看到生成的 Expr 解析器的 TypeScript 源代码了。

五、 Expr 语言解释器

有了 Expr 语言的解析器，我们就可以利用解析器来实现我们的 Expr 语言解释器，具体需要达到的目的即，输入 Expr 语言代码，最后能打印出执行结果。

代码和语法树

具体如何利用 ANTLR 来解释执行输入的 Expr 代码呢，我们先看下对以下输入代码，ANTLR 生成的 Token 序列和语法树是怎样的？

a = 1;
b = a + 1;
b;

词法解析得到的 Token 序列如下图所示，共解析为 22 个 Token，每个 Token 包含了 Token 的序号，Token 的文本，Token 的类型；如序号为 0 的 Token，文本为'a'，类型为'ID'，即匹配了我们上面在Expr.g4的词法规则ID。

expr-tokens

语法树结构如下图所示，树中的节点都对应了在Expr.g4中定义的语法规则或词法规则，有一点需要注意的是，语法树中所有的叶子节点都对应到词法规则或者字符常量，这也是我们在设计Expr.g4中自顶向下的设计方法一样的。

expr-ast-1.png

可以看到，跟节点为prog规则节点，它的子节点为三个语句stat节点，其中前两个子节点为赋值语句assignStat节点，最后一个的子节点为表达式语句节点statExpr。根据在第一部分的定义，针对这段代码，我们需要识别出代码中的表达式语句并打印该表达式的值。具体到这个例子中，这段输入代码中只用一个表达式语句，其中的表达式为变量 b，为了打印 b 的值，我们需要通过解释前两条语句，计算出 b 的值（这里给出舍得，变量的引用必须在变量的定义之后）。所以，整体的思路即我们需要按顺序解释每条语句，并记住语句解释过程中出现的变量和其值，在后续语句的解释过程中，如果遇到变量的引用，需要查找该变量的值。

使用 Visitor 来访问语法树

为了实现上述的解释过程，我们需要区遍历访问解析器解析出来的语法树，ANTLR 提供了两种机制来访问生成的语法树：Listener 和 Visitor，使用 Listener 模式来访问语法树时，ANTLR 内部的ParserTreeWalker在遍历语法树的节点过程中，在遇到不同的节点中，会调用提供的 listener 的不同方法；而使用 Visitor 模式时，visitor 需要自己来指定如果访问特定类型的节点，ANTLR 生成的解析器源码中包含了默认的 Visitor 基类/接口ExprVisitor.ts，在使用过程中，只需要对感兴趣的节点实现 visit 方法即可，比如我们需要访问到exprStat节点，只需要实现如下接口：

export interface ExprVisitor<Result> extends ParseTreeVisitor<Result> {
  ...

  /**
   * Visit a parse tree produced by `ExprParser.exprStat`.
   * @param ctx the parse tree
   * @return the visitor result
   */
  visitExprStat?: (ctx: ExprStatContext) => Result;

  ...
}

介绍完了如果使用 Visitor 来访问语法树中的节点后，我们来实现 Expr 解释器需要的 Visitor：ExprEvalVisitor。

上面提到在访问语法树过程中，我们需要记录遇到的变量和其值、和最后的打印结果，我们使用 Visitor 内部变量来保存这些中间值：

class ExprEvalVisitor extends AbstractParseTreeVisitor<number>
  implements ExprVisitor<number> {

  // 保存执行输出结果
  private buffers: string[] = [];

  // 保存变量
  private memory: { [id: string]: number } = {};

}

我们需要访问语法树中的哪些节点呢？首先，为了最后的结果，对表达式语句exprState的访问是最重要的，我们访问表达式语句中的表达式得到表达式的值，并将值打印到执行结果中。由于表达式语句是由表达式加分号组成，我们需要继续访问表达式得到这条语句的值，而对于分号，则忽略：

class ExprEvalVisitor extends AbstractParseTreeVisitor<number>
  implements ExprVisitor<number> {

  // 保存执行输出结果
  private buffers: string[] = [];

  // 保存变量
  private memory: { [id: string]: number } = {};

  // 访问表达式语句
  visitExprStat(ctx: ExprStatContext) {
    const val = this.visit(ctx.expr());
    this.buffers.push(`${val}`);
    return val;
  }
}

上面递归的访问了表达式语句中的表达式节点，那表达式阶段的访问方法是怎样的？回到我们的语法定义 Expr.g4，表达式是由 5 条分支组成的，对于不同的分支，处理方法不一样，因此我们对不同的分支使用不同的访问方法。我们在不同的分支后面添加了不同的注释，这些注释生成的解析器中，可以用来区分不同类型的节点，在生成的 Visitor 中，由可以看到不同的接口：

export interface ExprVisitor<Result> extends ParseTreeVisitor<Result> {
  ...

  /**
	 * Visit a parse tree produced by the `MulDivExpr`
	 * labeled alternative in `ExprParser.expr`.
	 * @param ctx the parse tree
	 * @return the visitor result
	 */
	visitMulDivExpr?: (ctx: MulDivExprContext) => Result;

	/**
	 * Visit a parse tree produced by the `IdExpr`
	 * labeled alternative in `ExprParser.expr`.
	 * @param ctx the parse tree
	 * @return the visitor result
	 */
	visitIdExpr?: (ctx: IdExprContext) => Result;

	/**
	 * Visit a parse tree produced by the `IntExpr`
	 * labeled alternative in `ExprParser.expr`.
	 * @param ctx the parse tree
	 * @return the visitor result
	 */
	visitIntExpr?: (ctx: IntExprContext) => Result;

	/**
	 * Visit a parse tree produced by the `ParenExpr`
	 * labeled alternative in `ExprParser.expr`.
	 * @param ctx the parse tree
	 * @return the visitor result
	 */
	visitParenExpr?: (ctx: ParenExprContext) => Result;

	/**
	 * Visit a parse tree produced by the `AddSubExpr`
	 * labeled alternative in `ExprParser.expr`.
	 * @param ctx the parse tree
	 * @return the visitor result
	 */
	visitAddSubExpr?: (ctx: AddSubExprContext) => Result;

	...
}

所以，在我们的ExprEvalVisitor中，我们通过实现不同的接口来访问不同的表达式分支，对于AddSubExpr分支，实现的访问方法如下：

visitAddSubExpr(ctx: AddSubExprContext) {
  const left = this.visit(ctx.expr(0));
  const right = this.visit(ctx.expr(1));
  const op = ctx._op;

  if (op.type === ExprParser.ADD) {
    return left + right;
  }
  return left - right;
}

对于MulDivExpr，访问方法相同。对于IntExpr分支，由于其子节点只有INT节点，我们只需要解析出其中的整数即可：

visitIntExpr(ctx: IntExprContext) {
  return parseInt(ctx.INT().text, 10);
}

对于IdExpr分支，其子节点只有变量ID，这个时候就需要在我们的保存的变量中去查找这个变量，并取出它的值：

visitIdExpr(ctx: IdExprContext) {
  const id = ctx.ID().text;
  if (this.memory[id] !== undefined) {
    return this.memory[id];
  }
  return 0;
}

对于最后一个分支ParenExpr，它的访问方法很简单，只需要访问到括号内的表达式即可：

visitParenExpr(ctx: ParenExprContext) {
  return this.visit(ctx.expr());
}

到这里，你可以发现了，我们上述的访问方法加起来，我们只有从 memory 读取变量的过程，没有想 memory 写入变量的过程，这就需要我们访问赋值表达式assignExpr节点了：对于赋值表达式，需要识别出等号左边的变量名，和等号右边的表达式，最后将变量名和右边表达式的值保存到 memory 中：

visitAssignStat(ctx: AssignStatContext) {
  const id = ctx.ID().text;
  const val = this.visit(ctx.expr());
  this.memory[id] = val;
  return val;
}

解释执行 Expr 语言

至此，我们的 VisitorExprEvalVisitor已经准备好了，我们只需要在对指定的输入代码，使用 visitor 来访问解析出来的语法树，就可以实现 Expr 代码的解释执行了：

// Expr代码解释执行函数
// 输入code
// 返回执行结果
function execute(code: string): string {
  const input = new ANTLRInputStream(code);
  const lexer = new ExprLexer(input);
  const tokens = new CommonTokenStream(lexer);
  const parser = new ExprParser(tokens);
  const visitor = new ExprEvalVisitor();

  const prog = parser.prog();
  visitor.visit(prog);

  return visitor.print();
}

六、Expr 代码前缀表达式翻译器

通过前面的介绍，我们已经通过通过 ANTLR 来解释执行 Expr 代码了。结合 ANTLR 的介绍：ANTLR 是用来读取、处理、执行和翻译结构化的文本。那我们能不能用 ANTLR 来翻译输入的 Expr 代码呢？在 Expr 语言中，表达式是我们常见的中缀表达式，我们能将它们翻译成前缀表达式吗？还记得数据结构课程中如果利用出栈、入栈将中缀表达式转换成前缀表达式的吗？不记得么关系，利用 ANTLR 生成的解析器，我们也可以简单的换成转换。

举例，对如下 Expr 代码：

a = 2;
b = 3;
c = a * (b + 2);
c;

我们转换之后的结果如下，我们支队表达式做转换，而对赋值表达式则不做抓换，即代码中出现的表达式都会转换成：

a = 2;
b = 3;
c = * a + b 2;
c;

前缀翻译 Visitor

同样，这里我们使用 Visitor 模式来访问语法树，这次，我们直接 visit 根节点prog，并返回翻译后的代码：

class ExprTranVisitor extends AbstractParseTreeVisitor<string>
  implements ExprVisitor<string> {
  defaultResult() {
    return '';
  }

  visitProg(ctx: ProgContext) {
    let val = '';
    for (let i = 0; i < ctx.childCount; i++) {
      val += this.visit(ctx.stat(i));
    }
    return val;
  }

  ...
}

这里假设我们的 visitor 在 visitor 语句stat的时候，已经返回了翻译的代码，所以visitProg只用简单的拼接每条语句翻译后的代码即可。对于语句，前面提到了，语句我们不做翻译，所以它们的 visit 访问也很简单：对于表达式语句，直接打印翻译后的表达式，并加上分号；对于赋值语句，则只需将等号右边的表达式翻译即可：

visitExprStat(ctx: ExprStatContext) {
  const val = this.visit(ctx.expr())；
  return `${val};\n`;
}

visitAssignStat(ctx: AssignStatContext) {
  const id = ctx.ID().text;
  const val = this.visit(ctx.expr());
  return `${id} = ${val};\n`;
}

下面看具体如何翻译各种表达式。对于AddSubExpr和MulDivExpr的翻译，是整个翻译器的逻辑，即将操作符前置：

visitAddSubExpr(ctx: AddSubExprContext) {
  const left = this.visit(ctx.expr(0));
  const right = this.visit(ctx.expr(1));
  const op = ctx._op;

  if (op.type === ExprParser.ADD) {
    return `+ ${left} ${right}`;
  }
  return `- ${left} ${right}`;
}

visitMulDivExpr(ctx: MulDivExprContext) {
  const left = this.visit(ctx.expr(0));
  const right = this.visit(ctx.expr(1));
  const op = ctx._op;

  if (op.type === ExprParser.MUL) {
    return `* ${left} ${right}`;
  }
  return `/ ${left} ${right}`;
}

由于括号在前缀表达式中是不必须的，所以的ParenExpr的访问，只需要去处括号即可：

visitParenExpr(ctx: ParenExprContext) {
  const val = this.visit(ctx.expr());
  return val;
}

对于其他的节点，不需要更多的处理，只需要返回节点对应的标记的文本即可：

visitIdExpr(ctx: IdExprContext) {
  const parent = ctx.parent;
  const id = ctx.ID().text;
  return id;
}

visitIntExpr(ctx: IntExprContext) {
  const parent = ctx.parent;
  const val = ctx.INT().text;
  return val;
}

执行代码的前缀翻译

至此，我们代码前缀翻译的 Visitor 就准备好了，同样，执行过程也很简单，对输入的代码，解析生成得到语法树，使用ExprTranVisitor反问prog根节点，即可返回翻译后的代码：

function execute(code: string): string {
  const input = new ANTLRInputStream(code);
  const lexer = new ExprLexer(input);
  const tokens = new CommonTokenStream(lexer);
  const parser = new ExprParser(tokens);
  const visitor = new ExprTranVisitor();

  const prog = parser.prog();
  const result = visitor.visit(prog);

  return result;
}

对输入代码：

A * B + C / D ;
A * (B + C) / D ;
A * (B + C / D)	;
(5 - 6) * 7 ;

执行输出为：

+ * A B / C D;
/ * A + B C D;
* A + B / C D;
* - 5 6 7;

七、总结

通过上述的 Expr 语言执行器，相信你已经看到了利用 ANTLR v4，前端工程师也可以在浏览器段做很多语法解析相关的事情。