ANTLR4 与 CYaRon!
HoshinoTented
2020-04-10 11:02:30
[ANTLR4](https://github.com/antlr/antlr4) 是一款语法生成器,所谓的语法生成器就是通过编写的某种特定的 语法,来生成解析这种语法的解析器。
而这种解析器,则称为 **Parser**。
## 解析语法
解析语法有两个重要的概念:词法解析器(Lexer)和语法解析器(Parser)
词法解析器一般是将源代码(例如字符串)转化为 Token 序列,这是为了方便 Parser 解析:
例如字符串 `foo(1, "2")` 转换成 Token 序列 `[Symbol(foo), LB, Number(1), COMMA, String("2"), RB]`,
将难以解析的字符按照某种特定的语法去处理成单独的 Token。
而语法解析器就是将 Token 转化为抽象语法树(**A**bstract **S**yntax **T**ree),或许某些人有见过表达式树:
`1 + 2`
与
```plain
+
|-1
|-2
```
表达式树也是抽象语法树,比如上面的 `foo(1, "2")` 可以表达为:
```plain
FunCall(foo)
|-<arguments>
|-Number(1)
|-String("2")
```
复杂一点的,比如 C 语言的 `if (i == 1) { printf("%d", i); }`:
```plain
if
|-<condition>
|-Eq
|-Symbol(i)
|-Number(1)
|-<statement>
|-FunCall(printf)
|-<arguments>
|-String("%d")
|-Symbol(i)
```
最终,通过编写这些 AST 的求值代码,就得到一个解释器了。
## ANTLR4 语法
ANTLR4 用大写开头的名称表示 Token,例如:
```antlr
Number: [0-9]+;
Add: '+';
Mul: '*';
```
`Number` 是 Token 的名称,而冒号到分号的内容,是 `Number` 所解析的字符串内容。
比如 `[0-9]` 代表 `'0'` 到 `'9'` 之间的所有字符,而 `+` 代表一个或多个。
这和正则表达式的语法很像,`*` 代表零个或多个,而 `?` 代表零个或一个。
用小写开头的名称表示规则,例如:
```antlr
exp: add | mul | number;
add: exp Add exp;
mul: exp Mul exp;
number: Number;
```
`exp` 是 规则 的名称,而 `|` 则代表 `或`,比如 `exp` 规则解析 `add` 规则或 `mul` 规则,或者是 `number` 规则。
规则可以使用 Token,反之不可。
### 歧义
但仔细看看,`1+2*3` 有不同的解析方法:
```plain
exp
= exp Add exp
= 1 + exp
= 1 + exp Mul exp
= 1 + 2 * 3
```
或者是
```plain
exp
= exp Mul exp
= exp * 3
= exp Add exp * 3
= 1 + 2 * 3
```
这种语法规则是有歧义的,而且从这歧义中可以看出,这份语法规则并没有体现出加法和乘法的优先级关系。
对于二元运算 `+` 和 `*`,如果 `*` 比 `+` 优先级高,则应该写成:
```antlr
exp: add;
add: add + mul | mul;
mul: mul * number | number;
number: Number;
```
> 题外话:如果 `+` 是左结合的,那么应该写成 `A: A + B | B;`,如果是右结合的,则应该写成 `A: B + A | B;`,如果无结合性,则应该写成 `A: B + B | B;`
### 左递归
再仔细看看:
```antlr
exp: add;
add: add + mul | mul;
```
`add` 会直接解析 `add` 规则,再去解析后续的规则。
这种递归是无止境的,让解析器进入无穷递归,最终耗尽物理资源。
这种递归被称为左递归,某些词法生成器会提供针对左递归的语法,ANTLR4 也有,但还是需要学习一下如何消除左递归的知识。
以二元运算加法为例,消除左递归一般是把 `1+2` 的 `+2` 部分看做一个整体:
```antlr
exp: add;
add: mul add_;
add_: (Add add add_)?;
mul: number mul_;
mul_: (Mul number mul_)?;
number: Number;
```
在[维基百科](https://zh.wikipedia.org/zh-cn/%E5%B7%A6%E9%81%9E%E6%AD%B8)有更详细的说明。
最终的语法代码应该是这样的:
```antlr
Number: [0-9]+;
Add: '+';
Mul: '*';
exp: add;
add: mul add_;
add_: (Add mul add_)?;
mul: number mul_;
mul_: (Mul number mul_)?;
number: Number;
```
## CYaRon! 语言
[CYaRon! ~~(以下简称瞎龙)~~ 语言](https://www.luogu.com.cn/problem/P3695) 是一门语法比较简单,功能不完善的语言,接下来我就试着用 ANTLR4 来编写瞎龙语言的语法解析器。
首先是 Token 部分,先把 **所有** 字面量都表示出来:
```antlr
Vars: 'vars';
For: 'hor';
If: 'ihu';
While: 'while';
BlockStart: '{';
BlockEnd: '}';
Int: 'int';
Array: 'array';
ArrStart: '[';
ArrEnd: ']';
To: '..';
Comma: ',';
Colon: ':';
Plus: '+';
Minus: '-';
LT: 'lt';
GT: 'gt';
LE: 'le';
GE: 'ge';
EQ: 'eq';
NEQ: 'neq';
Digit: [0-9]+;
Symbol: [a-zA-Z]+;
Comment: '#' ~[\r\n]* '\r'? '\n' -> skip;
WS: [\n\t\r ]+ -> skip;
```
比较特别的是最后两个,`-> skip` 代表这两个 Token 会被 Parser 忽略。
接下来是规则部分,按照题目的代码示例,先实现定义变量部分:
```antlr
definitionBlock:
BlockStart Vars
definitionLine*
BlockEnd
```
接下来是变量定义的 **行** 部分:
```antlr
definitionLine:
WS* Symbol Colon type
```
好像因为 `*` 是连续的 规则,中间不能夹杂其他东西,所以要手动加上 `WS*`。不过行尾没加也不会报错,可能是某些奇妙的魔法……
类型:
```antlr
typeInt: Int;
typeArray: Array ArrStart type Comma Digit To Digit ArrEnd;
type: typeInt | typeArray;
```
函数调用:
```antlr
opt: Plus | Minus; // 二元运算符
indexing: ArrStart rightValue ArrEnd; // 数组索引规则 [1]
funCall: Colon Symbol parameter?; // 函数调用规则 :yosoro 1, a
parameter: rightValue | rightValue (Comma rightValue)*; // 参数规则 1, a
leftValue: Symbol | leftValue indexing; // 左值规则 a, arr[1][2]
formulaValue : leftValue | Digit | funCall; // 算术值规则,仅用于二元运算解析用
rightValue: formulaValue | formula; // 右值规则,包含函数调用
formula: formulaValue formula_; // 二元运算规则
formula_: (opt formula formula_)?;
```
表达式块:
```antlr
statementLine: WS* (funCall | definitionBlock | ifBlock | whileBlock | forBlock); // 单行代码
statement: statementLine*; // 多行代码
```
if、for、while 块:
```antlr
condOpt: LT | GT | LE | GE | EQ | NEQ; // 条件运算符
cond: condOpt Comma rightValue Comma rightValue; // 条件规则
forCond: rightValue Comma rightValue Comma rightValue; // for 块条件规则
// if 块
ifBlock:
BlockStart If cond
statement
BlockEnd;
// while 块
whileBlock:
BlockStart While cond
statement
BlockEnd;
// for 块
forBlock:
BlockStart For forCond
statement
BlockEnd;
```
这些就是瞎龙语言的全部语法代码了,statement 规则也可以作为整个文件的根规则进行解析。