前言

承玉曾经写过一篇文章构建前端DSL，文中提到：

从本质上看模板也是一个微型语言，因此可以从 DSL 的角度着手，使用工具快速构建一个适合于特定前端框架的模板引擎。

本文讨论的话题和承玉的差不多，相信大家都知道coffeescript，handlerbars。承玉的DSL和handlerbars类似，我完成了一个模板语言velocity的解析，更接近coffeescript的编译。在此，与大家分享一些经验，如果你也希望知道coffeescript语法解析如何完成的，那么，本文应该对你有所启示。

让我们回顾一下2010年D2的时候，Hedger介绍了Closure Compiler，老赵的jscex，他们有一个共同点，都是对js进行编译，让js运行更快或者提供一起额外的功能。编译这么一个似乎和JavaScript没有关系的话题，却逐渐被越来越多的人提起。

本文主要介绍如何用js写一个编译器，这看起来似乎很高级，实际上，编译原理很复杂，写一个编译器却不怎么难，在做这个模板编译之前，我个人对于编译原理完全不知道的，因为看到coffeescript语法是Jison生成的，然后尝试了一下。写一个编译器，其实就是把一些语法规则翻译成计算机能够理解的结构，计算机所能理解语法规则有专门的描述语言，Yacc + Lex。IBM上有文章如此描述：

Lex 和 Yacc 是 UNIX 两个非常重要的、功能强大的工具。事实上，如果你熟练掌握Lex 和 Yacc 的话，它们的强大功能使创建 FORTRAN 和 C 的编译器如同儿戏。

Yacc + Lex的一个实现是Bison，09年Zach Carter为了研究编译原理课程，用js完成了Bison的实现Jison, 承玉的kison类似。故事就讲到这里，什么是Yacc，Lex，Bison，Jison，Kison，都不重要，重要的是，这些技术使得我们可以使用简单的方式完成复杂的字符串解析(比如编译)任务。现在我们要来实现一个编译器了，看完就知道这一切了。

在此声明，对于编译的理解仅限于个人理解，如有不对之处，欢迎指正。关于什么是编译，最初编译是指源码转换为二进制机器码的过程，编译可以是高级语言到低级语言的过程，从后面的一个含义上来看，编译可以看作是把一段源码，依据一个语法规则，输出结果的过程，也是本文所指的编译。

Lex & Yacc

Lex和Yacc主要用于解决编译中的第一个问题，源文件从字符串变得有意义(结构化数据)。这个过程，又分为两个步骤：

1. 源文件拆分成各种标志(tokens) Lex

2. 构造数据结构 Yacc

学习英语的时候，我们都会遇到语法问题，对于陌生的语言，需要知道其语法规则，计算机语法规则与自然语言类似，只是自然语言是与上下文有关的语言，比起计算机语言复杂得多。与上下文无关，其实就是语言的符号意义是确定的。扯远了，举个例子，一个正常的英语句子:

  I have a dream.

回到英文课堂，老师会说，句子是由主语+谓语+冠词+宾语构成，这个句子构成的元素是，主语I，谓语have，宾语dream，句号表示句子的结束。这样的一个语法规则，让计算机理解，需要依据上面的两个步骤：

1. 识别单词，也就是英语中的主语、谓语和宾语，好吧这些背单词的时候记住就行，标点符号也是词法元素。

2. 语法识别，上面的句子对应的语法是：谓语 + 主语 + 冠词 + 宾语 + 问号 => 句子

词法识别和英语学习中背单词一样，计算机通过正则在字符串中匹配词，构成语言的基本结构，这些结构按照一定组合规则构成语法。Yacc所做的，是把扫描一串字符串，识别其中的词，把词和所描述的语法一一对照，然后能够得到一些结构化的数据，比如上面英语，计算机就能够知道，这是一个完整的句子，三个主要成分是I、have、dream，至于这个句子什么意思，你应该如何处理，这是编译过程的第二步了。

velocity syntax

上面简单描述了一下原理，现在开始写语法规则分析器吧。写编译器就是把一套语法规则描述清楚，就像翻译一篇说明书。当然，我们首先需要能明白说明书的意义，本文以velocity模板语言为例，velocity是Java实现的一套模板，是阿里集体后端webx框架的模板语言，语法规则文档，可以大致看下语法，或者点击此处在线尝试vm解释过程。

vm(velocity简称)语法规则很简单，大概开5分钟就能学会，vm虽然简单，但是也是一套比较基本的计算机语言的实现了，对比下，英语我们学习了10年，还没能学好，vm只需要5分钟，自然语言的复杂度，比起计算机语言实在不是一个数量级。

  #set( $foo = "Velocity" )  Hello $foo World!

vm语法分为两部分，第一部分是vm语法内容，另一部分是字符串，模板语言都是如此，字符串部分无需考虑，原样输出即可，vm语法主要是前者结构分析。上面的vm输出Hello Velocity World!。语法部分，主要分为两部分References和Directives。

References 和 Literal

References是vm中变量，解析时References输出为变量对应的值，模板语言最基本的功能也就是变量替换，vm同样如此，只是vm还有一些其他复杂的功能。Literal和js里面的字面量一直，是vm里面的基本数据结构。vm是一个模板语言，变量的值可以来自外部，而且是主要数据来源，References和Literal这两者构成了vm语法的基本数据。

References基本形式是$foo，或者加一些修饰符$!{foo}。复杂形式是，变量+属性，支持的属性方式有三种：

• Properties 最普通的属性$foo.bar

• Methods 方法$foo.bar()，因为方法是有参数的，参数由References和Literal构成

• Index 索引$foo['bar']，index可以是字符串，也可以是变量References

上面三种方式和js的对象属性查找方式一样，因为存在Methods和Index，方法和Index本身又可以包含References，引用的组成部分可以是引用。这样式描述形成了递归，语法一般都是通过递归的形式来相互包含。引用(References)里包含自身，这如果使用普通的字符串匹配，逻辑上会有些晕。

Literal是基本的数据结构，分为字符串、map(js中的对象)、数字、数组。map的值由Literal 或者References构成，数组元素同样，字符串和数组相对简单，可以直接从源文件中匹配得到。到此，应该大致明白编译的复杂了吧，就这些基本的数据结构相互包含，要理清其中结构，还是很麻烦的吧，虽然我们可以一眼就知道这些结构，如何让计算机明白，就不那么容易了。不过，通过yacc，我们只需要描述清楚这些结构就行，怎么理清其中关系，Jison会自动处理的。

Directives

前面引用和字面量部分，是vm中关系最复杂的结构了，Directives是一些指令，包括逻辑结构和循环，模块之间引用加载等运算。这些结构比较好搞定，一般都是各自不相干，不像上面，相互引用，纠缠不清。vm解析，最复杂的还是在于引用的确定。

Directives分为单行指令和多行指令，单行指令作用范围是一句，比如#set、#parse，多行指令主要是#macro,#foreach,if|else|elseif，这些都是通过#end来结束，这样的区分可以在语法分析阶段完成，也可以在后期处理。

语法分析

本文有些长，已经开始靠近目标了。上面描述语法的过程，是非常重要的，使用yacc描述语法规则，就是对输入源分类的过程。经过上面的分析，yacc的已经差不多构思好了，接下来把规则用yacc语法写下来就好。

在写yacc描述之前，需要做一件是，lex词法分析。词法分析就是要找到上面说的References、Literal、Directives的基本元素。新建一个文件velocity.l，开始写lex描述。

References

从References开始，vm里面引用的最主要的特征是符号$，首先假设有一个vm字符串：

  hello $foo world

其中，$foo是References，很明显References是美元符号开头，$后面跟字母，这里需要引入状态码的概念，因为$后面的字母的意义和$前面的字母意义是不一样的，那么当扫描到$以后，可说我们处于不同的状态，区分好状态，就可以专心处理之和vm语法，否则同样的一个字符，意义就不一样。这个状态，我们用mu表示，状态吗可以随意命名，使用mu，是有渊源的，handlerbars的lex文件因为继承了Mustache语法，mu表示Mustache语法开始，我参考了handlerbars，所以用mu。

velocity.l写下：

%x mu%%[^#]*?/"$"         { this.begin("mu"); if(yytext) return 'CONTENT'; }<mu>"$!"           { return 'DOLLAR'; }<mu>"$"            { return 'DOLLAR'; }<INITIAL><<EOF>>   { return 'EOF'; }

%x声明有的状态码，状态码和字符串或者正则表达式组合成一个特征，比如<mu>"$"，双引号表示字符串，这个特征描述表示，mu状态下，遇到$，返回DOLLAR。我们用DOLLAR描述$，至于为什么我们要给$一个名字，再次回到英语中，我们会把单词分为名词、动词，各种分类，语法规则不会直接处理某个特定的词如何组合，而是规定某一类词的组合规则，比如，最普通的句子，主语+谓语+宾语，主语一般是名词，谓语是动词，宾语也是名词，这样描述要简单得多，lex词法分析是给字符做最小粒度的分类，最终，一个vm输入源码，可以归纳到一个分类里，符合英语语法的字符串，我们统称为英语。

特征都使用全大写字母，这是一种约定，因为在yacc描述中，语法规则名都用小写。%%后面第一行，[^#]*?/"$"，这是一个正则表达式，正则分为两个部分，第一部分[^#]*?匹配所有不是符号#的字符，后面一部分"$"，中间反斜杠分割，是一个向后断言，匹配美元符号前面所有不是符号#的字符，也就是遇到没有符号的时候，后面通过this.begin开始状态mu。这里使用到yytext，就是前面正则所匹配到的内容，有个细节，这个匹配去除了#，因为#是另一种状态Directives的开始，这里暂时只讨论引用识别。最后一行，表示结束返回，这个无需理解。

引用的最基本形式，$ + 字母，美元符号识别了，接下来识别后面的字母，使用正则表达式

<mu>[a-zA-Z][a-zA-Z0-9_]*   { return 'ID'; }

如此，我们可以用这两条规则，开始写第一条yacc语法规则了：

reference  : DOLLAR ID      { $$ = {type: "references", id: $2} }  ;

上面描述的是reference，由lex中返回的DOLLAR和ID组合成为一个reference，大括号里面写的是js代码，用于构造结构化数据，需要什么样的数据可以自己随便搞，$$表示返回结果， $1是DOLLAR词对应的字符串，也就是$，$2表示第二个词，也就是ID。复杂的reference可以继续写：

reference  : DOLLAR ID  | DOLLAR ID attributes  ;attributes  : attribute  | attributes attribute  ;attribute  : method  | index  | property  ;property  : DOT ID  ;index  : BRACKET literal CLOSE_BRACKET  | BRACKET reference CLOSE_BRACKET  ;

reference在原来的基础下，增加了attributes，attributes是由一个或者多个属性组成，在yacc中，使用attributes attribute来描述多个属性的情况，规则直接包含自身的情况还是非常常见的。attribute由 method,index,property 组成，继续拆分，index是两个中括号加一个literal或者 reference 组成，我们可以继续对literal进行分类，同样的描述。我们回到了上面对vm 语法描述的那个分类过程只不过，现在我们使用yacc的语法描述，前面使用的是自然语言。

解析过程

上面讲了那么多，现在来总结一下Jison解析一个字符串的过程。用一张图表示吧:

词汇分析过程就是上面所描述的了，一个lex文件，构成一个词汇表，通过从左到右的扫描输入源，依次匹配词汇表里面定义的模式，然后构成一个个词汇。得到词汇之后，那什么是语法呢，还记得英语语法吗？在计算机里面，语法就是上面所描述的，词汇的组合，规定了词汇的组合形式，比如DOLLAR ID组成一个reference，写yacc语法规则就是不断的对语法进行分类，直到所有的分类最底层都是lex中的词汇，然后语法规则也就ok了。程序会自动根据yacc文件所有定义的规则，分析得到输入源对应的数据结构。

velocity最终的语法描述在这里。

状态码

上面简要描述了yacc和lex工作原理过程，实际中，还是会遇到一些有意思的问题。在写vm解析器的时候，最麻烦的事情是，如何保证括号和中括号的匹配，首先看一段vm字符串：

$foo.bar($foo.name("foo")[1])$foo.bar([)]

经过分析，我发现括号匹配的一个特点是，括号的闭合状态下，它的前一个状态肯定是括号开始，中括号同样如此。因此，我在velocity.l中再引入两种状态，i, c，分别表示括号开始和中括号开始，在匹配到括号或者中括号结束的时候，判断前面的一个状态是否是符号的开始，这样，就能保证括号和中括号的配对。

在lex词汇分析中，状态码是一个堆栈，这个堆栈通过this.begin开始一个状态，this.popStat退出一个状态，词汇可以是多种状态和正则表达式进行组合，状态的开始和结束，需要自己控制，否则可能会有问题。

解析最终得到一个对象，这个对象的构造是根据velocity.yy而生成的。如何选择合适的数据结构，这个是很很重要的，后面的语法树解释过程，完全取决于解析器所返回的语法树。在velocity的语法树，最终得到的是一个一维数组，数组的元素分为字符串和对象两种，如果是对象，那么是vm语法需要进行分析解释的。

语法树解释

得到输入源语法结构之后的工作，相对而言就容易了，这其中会涉及到两个点，我个人觉得比较有意思的。第一个是局部变量，在vm语法中，有一个指令#macro，这个是vm的函数定义，由函数，自然有形参和实参，在函数执行过程中，形参是局部变量，只在函数解析过程中有效，#foreach也会形成一个局部变量，在foreach中有一个内部变量$foreach.index, $foreach.count, $foreach.hasNext这样的局部变量。

局部变量的实现，可以参考lex语法分析过程，在语法树解释过程中，增加一个状态码，当进入一个foreach或者macro的时候，生成一个全局唯一的条件id，并且在状态中压入当前的条件id，当foreach和macro运行结束后，推出一个状态。foreach和macro控制状态，同时构造一个数据空间，贮存临时变量，在vm解析过程中，所有的变量查找和设置，都是通过同样的一个函数。当一个变量查询时，检测到存在状态时，首先依次根据状态码，找到对应状态下的局部变量，如果需要查询的变量在局部环境中找到，那么返回局部对象对应的值，如果是这是值，同样如此。这样的实现和js所中的函数执行上下文有点类似，可以继续想象一下如何实现避包，实现避包其实只需要在一个函数中返回一个函数，这样的语法在vm中没有，不过如果真的可以返回一个函数，那么只需要在这个函数和当前函数执行所对应的状态放在一起，并且不释放状态对象的局部变量，那么避包也就有了。

结束

本文到此要结束了，不知道是否有说明白，具体实现细节可以参考velocity.js源码。

建议继续学习：

1. Closure Compiler 高级模式及更多思考    (阅读：1467)