编译的原理

Posted 2020-10-26 zcat

• 编译的流程，编译的分层与输入输出
• 每个步骤产出什么，为什么会有这个步骤
• 每个步骤如何实现

编译的流程

?

中间产物

tokens

是什么

tokens 是 Token序列，一个有序数组，每个元素都是Token类型；
Token 由字符的集和映射过来，例如：

• 123 是 Token(‘number‘，‘123‘)
• ‘123‘ 是 Token(‘string‘，‘123‘)

这些映射规则在语言规格说明中定义，例如：

• es6 lex grammar
• swift4.0 lex grammar

为什么需要

Token是 最小语法单位；这种格式是为了下一步的语法解析；
即，tokens 是源码的一种表征，为了方便下一步的语法解析；

AST

是什么

AST (Abstract Syntax Tree，抽象语法树)，是源代码的抽象语法结构的表征，以树状结构呈现；
AST 按语法规则，遍历1-n次 tokens 来生成；
语法规则在语言规格中定义；

为什么需要

AST 的树状数据格式方便程序员处理；
AST 包含了语法信息，这是后面转成汇编码所需要的；

其他用途

• AST 可以让不同编程语言互相转换，比如：
  • js → js AST → 补上 c没有的函数 → c AST → c
• 给某编程语言写个预处理器，增加特性，比如：
  • sass：sass → sass AST → css AST → css code
  • babel：es6 (经过babel)→ es5 AST → es5
• 语言语法的切面处理(AOP)：
  • 干掉所有注释
  • 找出函数实现超过100行但是没有注释的代码作者

asm

是什么，为什么需要

asm (assembly code，汇编码)；

上古时代的程序员是用机器码编程，比如纸带；
?

但是不便调试与阅读；
为了提高编程效率，需要给二进制数字取个名字，即给指令和寄存器取个别名；
然后通过汇编器将其转换成机器码，这个转换是1对1等价的；
举个例子:

```
比如cpu规定:
    寄存器j1的bitcode是: 00000001
    指令set的bitcode是: 00010001
    指令set的指令格式是: `set 寄存器 值`

然后执行一条指令: 给寄存器j1赋值3
机器码: `00010001 00000001 00000011`
对应汇编码: `set j1 3`
```

不同cpu有不同的指令集，汇编语言按照指令集，确定自己的汇编语法；
所以一种汇编语言只适配一种CPU；

IR

是什么，为什么需要

AST 不直接转成特定的汇编，中间还有一层 IR；
IR 是中间语言，或叫平台无关中间指令(Intermediate Representation)

以前，造cpu厂商很多，有不同的指令集，每一种cpu对应一种汇编语言；
要跑在不同机器上，就要兼容各种cpu，需要集成多种汇编语言；
然而一个编译器不可能集成十几个汇编语言生成器，为了复用，他们把编译过程拆成两部分:

• 以IR为分界，IR是平台无关的汇编
• 编译前端: 源码 → AST → IR
• 编译后端: IR → asm → 机器码
• 这样不同的cpu只需换不同的后端，前端可以复用

?

前端可以升级或支持新的编程语言
后端可以支持不同厂商的cpu

IR生成后，还要对IR做优化，提高运行效率 (属于前端)；
为什么编译器选择在IR上做优化:

• 跟前面编程语言语法(AST)无关
• 跟后面特定汇编语法(asm)无关

ABI

什么是 ABI(Application binary interface)?

1. 数据类型大小
2. 数据在内存中的布局和对齐
3. 函数参数/返回值的传递方法，寄存器的保存方案
4. 二进制文件的格式

为什么要有这个?

• 两个不同的编程语言，写出可以互相调用的功能，就要遵循同样的ABI；
• 在二进制这一层，对于任何汇编语言，只要遵循同样的ABI，可以跨语言(汇编层)通讯；

谁定ABI?

• cpu，操作系统都能订ABI；
• 一般地，谁拳头大， 谁来造这个平台，所以是操作系统厂商规定 ABI；
• 标准谁都能订，但能不能被大家认可，就看你拳头大不大了；

如何实现

Lexer

Lexer 词法分析器，源码 → tokens 的过程

实现 Lexer 有什么价值

• 没有价值，没难度，就是扫描字符串生成Token数组的过程
• 但是理解这个过程有用:
  • 一个格式的字符串，怎样解析为成电脑可以识别的东西(0101)
  • 所有配置文件无非就是一个格式，并无区别：ini，yaml，json，xml

如何实现 Lexer

• 状态机
  • 一个全局变量存所有状态，很多个if，if当前状态是全局变量的某个值，执行状态对应的行为；
  • 比如读到 字符"，即状态为"，就往前推进n个字符直到下一个 "；
  • json lexer 例子

Parser

Parser 语法解析器，tokens → AST 的过程

实现 Parser 有什么价值

• 可以设计一门 DSL，提高解决某领域问题的效率
• 若某领域问题的解决有多种选择/技术方案，可设计一门 DSL 作为前端，对接各种实现，降低招人成本
  • 比如设计一个模板 DSL，可以转化成 vue，react 栈

如何实现 Parser

• 手写 json parser 例子1
• LL(k) json parser 例子2
• Parser Combinator json parser 例子3
• Parser Generator json parser 例子4

Assembler

Assembler 汇编器，汇编码 → 机器码 的过程；

如何实现 Assembler

• 照着 cpu手册翻译，这个翻译过程是 1对1等价的
• 虚拟机例子

其他思考

关于抽象

在计算机这个世界里，没有任何问题是通过加一层抽象解决不了的；

1）上游下游无法调和，那就加一层抽象来隔离，比如：

• 内存分页，隔离程序与物理内存

  • 上游(程序): 程序需要连续的地址空间，写程序逻辑需要
  • 下游(内存): 物理内存可用地址无法保证连续性

• 内存分段，隔离程序间的内存

  • 上游(程序): 程序用到内存不要被其他程序干扰，权限保护需要
  • 下游(内存): 谁都可以读写

2）上游有无数种，下游有无数种，那就制定和遵守接口(标准)；本质是设计一个转接头，把他们接起来，比如：

• IR，隔离了编译器前端和后端；
  • 上游(编译前端)：编程语言需要发展，会变动语法
  • 下游(编译后端)：编程语言要跑在不同机器上，要支持不同厂商cpu，要能转成多门汇编
  • 冲突：编程语言改一次语法，转成汇编码就要改N次，效率低；
  • 所以提出 IR 这层抽象，将编译器分成前后端，这样编程语言改一次语法，后端不需要变动；
  • 同时，前端可以升级或支持新的编程语言；后端可以支持不同厂商的cpu；

关于跨语言通讯

AST，可以让不同编程语言互相转换
ABI， 可以让不同的汇编代码可以互相调用，即不同语言可以互相通讯
RPC，打包函数调用格式，通过socket传输，实现不同语言的通讯