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?符號表(symbol table)?的數(shù)據(jù)結(jié)構(gòu)中。符號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表(Symbol Table)?的概念：符號表是編譯器使用和維護(hù)的數(shù)據(jù)結(jié)構(gòu)，由標(biāo)識符和類型組成。符號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，第二個(gè)詞 attribute-value 指向的是符號表中關(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)識符(identifier)?的抽象符號，而 1 指的是符號表中 income 在符號表中的條數(shù)。

然后是賦值符號 = ，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。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。

符號表管理

我們上面提到了符號表的概念，它是一個(gè)編譯器很重要的功能。符號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