内核级python：编译器的词法和语法解析基本原理

Posted 2021-12-10 tyler_download

python在收到代码内容后，首先要启动两个流程，分别为词法解析和语法解析。看过我编译原理课程的同学对这两个流程应该不陌生。词法解析其实就是把代码里面不同的元素分别归类，例如234，1.35，1e3等这类字符串统一用一个标志或数字来表示，通常它们的标志为NUMBER，对应字符串pi, age等这类变量名统一用标志来表示，例如使用NAME，于是整篇代码会一下子浓缩成一系列标志的排列，例如表达式 a = 100 + 10 就变成了 NAME = NUMBER + NUMBER。

接下来就要根据标志之间的排列组合来分析它们所表达的逻辑，这种分析过程往往把标志直接的逻辑联系使用树状结构表达出来，例如表达式"a+1"它对应的树状结构为：

这个过程叫语法解析，想进一步了解编译原理算法的同学可以点击这里

语法解析本质上是通过预定规则解析符号组合所形成的逻辑，例如上面的语法解析树的构建来自于如下语法：

arith_expr : term (('+'|'-') term)*
tem: factor (('*' | '@' | '/'| '%'|'//' factor)*
...

arith_expr 表示由加号或减号连接起来的算术表达式，term表示由*或/连接起来的算术表达式，上面的表达式也称为巴斯特范式，最早使用在fortran语言编译器的设计上，上面的表示式会一直往下解析，直到遇到不能再解析的token为止，没有编译原理经验的同学对这里的描述可能会很困惑，可以查看上面的链接来获取相关知识。

我们看看python语法中有哪些表达式定义和token定义，执行python工程，然后像下图那样输入相应代码：

上图中通过代码分别导入symbol和token然后将他们打印出来。我们可以直接调用Python编译器提供的接口执行代码的语法解析过程：
···

import symbol
import token
import parser
from pprint import pprint

def lex(expression):
symbols = {v: k for k, v in symbol.dict.items() if isinstance(v, int)} #获取所有表达式符号
tokens = {v: k for k, v in token.dict.items() if isinstance(v, int)} #获取所有标识符
lexicon = {**symbols, **tokens}
st = parser.expr(expression) #解析表达式,返回解析过程中遇到的表达式符号对应的数字
st_list = parser.st2list(st) #将表达式符号对应数字替换成字符串

def replace(l: list):
    r = []
    for i in l:
        if isinstance(i, list):
            r.append(replace(i))
        else:
            if i in lexicon:
                r.append(lexicon[i])
            else:
                r.append(i)
    return r
return replace(st_list)

pprint(lex(‘a + 1’))
···
上面代码运行后输出结果如下：

['eval_input',
 ['testlist',
  ['test',
   ['or_test',
    ['and_test',
     ['not_test',
      ['comparison',
       ['expr',
        ['xor_expr',
         ['and_expr',
          ['shift_expr',
           ['arith_expr',
            ['term',
             ['factor', ['power', ['atom_expr', ['atom', ['NAME', 'a']]]]]],
            ['PLUS', '+'],
            ['term',
             ['factor',
              ['power', ['atom_expr', ['atom', ['NUMBER', '1']]]]]]]]]]]]]]]]],
 ['NEWLINE', ''],
 ['ENDMARKER', '']]

像eval_input, testlist等都对应上下文无关语法表达式中的表达式符号，它属于编译原理的核心内容，编译器根据这些符号的递归关系来构建DFA，也就是有限状态自动机，然后将标识符输入自动机来构建前面的语法解析树。

编译原理的内容总是比较晦涩，没有涉及过这方面内容的同学在读起来肯定会头皮发麻。在编译原理领域有一本经典叫“龙书”，它的地位相当于佛学中的金刚经，如果你没有一定编译原理基础就直接读它的话，我估计你会吐血而亡。为了减少编译原理的晦涩属性，我们看看一个具体例子，这里我们给Python语法添加一个比较操作符~=,也就是约等于，例如1 == 1.01会返回False,但使用 1 ^= 1.01就能返回True。

这部分功能我在windows上反复尝试发现走不通，需要在linux上才可以，我们可以在Linux上下载同样的代码，或者把当前代码路径共享到linux虚拟机里，然后执行如下命令产生makefile文件：

./configure --with-pydebug

然后本地就会生成makefile文件，但是此时我们先不要编译，首先要做的是进入到Grammar路径，打开Grammar文件做如下修改：

comp_op表示比较操作符，它用于比较两个表达式的结果的对应关系，>=, <= , <, >等符号都是比较表达式符号，这里我们增加了一个”约等于“比较符，也就是"~="，完成后在回到根目录执行：

make  regen-all

完成后在Parser/Token.c中的PyToken_TwoChars函数会增加一段代码：

修改这里后编译器就能识别符号“~=”,但是它还不知道遇到这个符号后应该做什么，因此我们需要修改语法部分，进入到Paser目录，打开Python.asdl文件，找到cmpop的定义进行进行如下修改：

这里的目的实际上是给操作符“~="定义一个标志符，编译器在识别到符号”~=“会给它赋予一个数值，然后代码遇到相应数值时就触发相应操作，实际上Eq, NotEq等其实都对应相应的数值，完成修改后再回到根目录执行:

make regen-ast

执行完后进入Include/目录，打开Python-ast.h就可以看到AlE对应的赋值：

接着我们再次进入Python/目录，打开ast.c做如下修改，在第1199行对应ast_for_comp_op函数，这个函数用来告诉编译器如何识别比较操作符，增加如下代码：
这里的逻辑实际上是让编译器遇到符号"~="时将其转换为数值定义，也就是标识符"AlE"对应的数值，后面我们再进行语法解析时，遇到该数值，我们就知道当前代码读取到了符号”~=“,然后我们就可以采取相应动作，到这里我们就可以将代码全部编译一遍，在根目录执行：

make -j2

过一会编译好后，会在本地目录生成python.exe可执行文件，我们启动它，同时必须附带-X oldparser参数，不然修改不起作用:

./python.exe -X oldparser

然后在命令行中输入 1~=2，点击回车，结果如下：

可以看到编译器奔溃了，其原因在于我们并没有告诉编译器遇到操作符"~=“时它应该执行什么逻辑，我们仅仅让它意识到”~=“是一个比较操作符而已，了解编译原理算法的同学会知道，编译器会根据语法定义构建有限状态自动机，然后每读取一个标志符，状态机就会进入下一个状态，现在我们让编译器能够读取标识符AlE，也就是对应”~="，但是我们没有定义这个遇到这个标识符后下一步的走向，所以状态机遇到这个标识符后，没有下一个状态可以跳转，后面我们再处理这个问题，我们可以输入以下代码看看情况：

这里表明语法解析器已经能够识别符号"~="，只不过它不知道识别到这个符号后该怎么办而已，后面我们再添加处理该符号的相应逻辑，有关编译原理算法的更多信息点击这里