用JavaScript带你体验V8引擎解析标识符
上一篇讲了字符串的解析过程,这一篇来讲讲标识符(identifier)的解析。
先上知识点,标识符的扫描分为快解析和慢解析,一旦出现ascii编码大于127的字符或者转义字符,会进入慢解析,略微影响性能,所以最好不要用中文、特殊字符来做变量名(不过现在代码压缩后基本不会有这种情况了)。
每一位javascript的初学者在学习声明一个变量时,都会遇到标识符这个概念,定义如下。
第一个字符,可以是任意unicode字母(包括英文字母和其他语言的字母),以及美元符号($)和下划线(_)。第二个字符及后面的字符,除了unicode字母、美元符号和下划线,还可以用数字0-9。
笼统来讲,v8也是通过这个规则来处理标识符,下面就来看看详细的解析过程。
老规矩,代码我丢github上面,接着前面一篇的内容,进行了一些整理,将文件分类,保证下载即可运行。
链接:https://github.com/pflhm2005/v8record/tree/master/js
待解析字符如下。
var
目的就是解析这个var关键词。
首先需要完善token映射表,添加关于标识符的内容,如下。
const tokentoasciimapping = (c) => { return c === '(' ? 'token::lparen' : c == ')' ? 'token::rparen' : // ...很多很多 c == '"' ? 'token::string' : c == '\'' ? 'token::string' : // 标识符部分单独抽离出一个方法判断 isasciiidentifier(c) ? 'token::identifier' : // ...很多很多 'token::illegal' };
在那个超长的三元表达式中添加一个标识符的判断,由于标识符的合法字符较多,所以单独抽离一个方法做判断。
方法的逻辑只要符合定义就够了,实现如下。
/** * 判断给定字符是否在两个字符的范围内 * c++比较灵活 js只能手动强转字符 * @param {char} c 目标字符 * @param {char} lower_limit 低位字符 * @param {chat} higher_limit 高位字符 */ const isinrange = (c, lower_limit, higher_limit) => { return (string(c).charcodeat() - string(lower_limit).charcodeat()) >= (string(higher_limit).charcodeat() - string(lower_limit).charcodeat()); } /** * 将大写字母转换为小写字母 js没有char、int这种严格类型 需要手动搞一下 */ const asciialphatolower = (c) => { return string.fromcharcode(c | 0x20); } /** * 数字字符判断 */ const isdecimaldigit = (c) => { return isinrange(c, '0', '9'); } /** * 大小写字母、数字 */ const isalphanumeric = (c) => { return isinrange(asciialphatolower(c), 'a', 'z') || isdecimaldigit(c); } /** * 判断是否是合法标识符字符 */ const isasciiidentifier = (c) => { return isalphanumeric(c) || c == '$' || c == '_'; }
v8内部定义了很多字符相关的方法,这些只是一部分。比较有意思的是那个大写字母转换为小写,一般在js中都是tolowercase()一把梭,但是c++用的是位运算。
方法都比较简单,可以看到,大小写字母、数字、$、_都会认为是一个合法标识符。
得到一个token::identifier的初步标记后,会进入单个token的解析,即scanner::scansingletoken(翻上一篇),在这里,也需要添加一个处理标识符的方法,如下。
class scanner { /** * 单个词法的解析 */ scansingletoken() { let token = null; do { this.next().location.beg_pos = this.source_.buffer_cursor_ - 1; if(this.c0_ < kmaxascii) { token = unicodetotoken[this.c0_]; switch(token) { /** * 在这里添加标识符的case */ case 'token::identifier': return scanidentifierorkeyword(); // ... } } /** * 源码中这里处理一些特殊情况 * 特殊情况就包括ascii编码过大的标识符 特殊情况暂不展开 */ } while(token === 'token::whitespace') return token; } }
上一篇这里只有token::string,多加一个case就行。一般情况下,所有字符都是普通的字符,即ascii编码小于128。如果出现类似于中文这种特殊字符,会进入下面的特殊情况处理,现在一般不会出现,这里就不做展开了。
接下来就是实现标识符解析的方法,从名字可以看出,标识符分为变量、关键词两种类型,那么还是需要再弄一个映射表来做类型快速判断,先来完善上一篇留下的尾巴,字符类型映射表。
里面其实还有一个映射表,叫character_scan_flag,也是对单个字符的类型判定,属于一种可能性分类。
之前还以为这个表很麻烦,其实挺简单的(假的,恶心了我一中午)。表的作用如上,通过一个字符,来判断这个标识符可能是什么东西,类型总共有6种情况,如下。
/** * 字符类型 */ const kterminatesliteral = 1 << 0; const kcannotbekeyword = 1 << 1; const kcannotbekeywordstart = 1 << 2; const kstringterminator = 1 << 3; const kidentifierneedsslowpath = 1 << 4; const kmultilinecommentcharacterneedsslowpath = 1 << 5;
这6个枚举值分别表示:
- 标识符的结束标记,比如')'、'}'等符号都代表这个标识符没了
- 非关键词标记,比如一个标识符包含'z'字符,就不可能是一个关键字
- 非关键词首字符标记,比如varrr的首字符是'v',这个标识符可能是关键词(实际上并不是)
- 字符串结束标记,上一篇有提到,单双引号、换行等都可能代表字符串结束
- 标识符慢解析标记,一旦标识符出现转义、ascii编码大于127的值,标记会被激活
- 多行注释标记,参考上面那个代码的注释
始终需要记住,这只是一种可能性类型推断,并不是断言,只能用于快速跳过某些流程。
有了标记和对应定义,下面来实现这个字符类型推断映射表,如下。
const getscanflags = (c) => { (!isasciiidentifier(c) ? kterminatesliteral : 0) | (isasciiidentifier(c) && !canbekeywordcharacter(c)) ? kcannotbekeyword : 0 | (iskeywordstart(c) ? kcannotbekeywordstart : 0) | ((c === '\'' || c === '"' || c === '\n' || c === '\r' || c === '\\') ? kstringterminator : 0) | (c === '\\' ? kidentifierneedsslowpath : 0) | (c === '\n' || c === '\r' || c === '*' ? kmultilinecommentcharacterneedsslowpath : 0) } // unicodetoasciimapping下标代表字符对应的ascii编码 上一篇有讲 const character_scan_flags = unicodetoasciimapping.map(c => getscanflags(c));
对照定义,上面的方法基本上不用解释了,用到了我前面讲过的一个技巧bitmap(文盲不懂专业术语,难怪阿里一面就挂了)。由于是按照c++源码写的,上述部分工具方法还是需要挨个实现。源码用的宏,写起来一把梭,用js还是挺繁琐的,具体代码我放github了。
有了这个映射表,后面很多地方就很方便了,现在来实现标识符的解析方法。
实现之前,来列举一下可能出现的标识符:var、vars、avr、1ab、{ '\a': 1 }、吉米(\u5409\u7c73),这些标识符有些合法有些不合法,但是都会进入解析阶段。所以总的来说,方法首先保证可以处理上述所有情况。
对于数字开头的标识符,其实在case阶段就被拦截了,虽然说数字1也会出现在一个identifier中,但是1会首先被优先解析成'token::number',有对应的方法处理这个类型,如下。
case 'token::string': return this.scanstring(); // 数字开头 case 'token::number': return scannumber(false); case 'token::identifier': return scanidentifierorkeyword();
所以1ab这种情况不用考虑,实现方法如下。
scanner::scanidentifierorkeyword() { this.next().literal_chars.start(); return this.scanidentifierorkeywordinner(); } scanner::scanidentifierorkeywordinner() { /** * 两个布尔类型的flag * 一个标记转义字符 一个标记关键词 */ let escaped = false; let can_be_keyword = true; if(this.c0_ < kmaxascii) { // 转义字符以'\'字符开头 if(this.c0_ !== '\\') { let scan_flags = character_scan_flags[this.c0_]; // 这个地方比较迷 没看懂 scan_flags >>= 1; this.addliteralchar(this.c0_); this.advanceuntil((c0) => { // 当某个字符的ascii编码大于127 进入慢解析 if(c0 > kmaxascii) { scan_flags |= kidentifierneedsslowpath; return true; } // 叠加每个字符的bitmap let char_flags = character_scan_flags[c0]; scan_flags |= char_flags; // 用bitmap识别结束标记 if(terminatesliteral(char_flags)) { return true; } else { this.addliteralchar(c0); return false; } }); // 基本上都是进这里 快分支 if(!identifierneedsslowpath(scan_flags)) { if(!canbekeyword(scan_flags)) return 'token::identifier'; // 源码返回一个新的vector容器 这里简单处理成一个字符串 let chars = this.next().literal_chars.one_byte_literal(); return this.keywordoridentifiertoken(chars, chars.length); } can_be_keyword = canbekeyword(scan_flags); } else { escaped = true; let c = this.scanidentifierunicodeescape(); // 合法变量以大小写字母_开头 if(c === '\\' || !isidentifierstart(c)) return 'token::illegal'; this.addliteralchar(c); can_be_keyword = charcanbekeyword(c); } } // 逻辑同上 进这里代表首字符ascii编码就过大 return scanidentifierorkeywordinnerslow(escaped, can_be_keyword); }
感觉c++的类方法实现的写法看起来很舒服,博客里也这么写了,希望javascript什么时候也借鉴一下,貌似::在js里目前还不是一个运算符,总之真香。
首先可以发现,标识符的解析也用到了literal类,之前说这是用了字符串解析并不准确,因此我修改了advanceuntil方法,将callback作为参数传入。启动类后,扫描逻辑如下。
- 一旦字符出现ascii编码大于127或者转义符号,扔到慢解析方法中
- 对所有字符进行逐个遍历,方式类似于上篇的字符串解析,结束标记略有不同
- 一般情况下不用慢解析,根据bitmap中的kcannotbekeyword快速判断返回变量还是进入关键词解析分支
v8中字符相关的工具方法就单独搞了一个cpp文件,里面方法非常多,后续如果是把v8全部翻译过来估计也要分好多文件了,先这样吧。
先不管慢解析了,大部分情况下也不会用中文做变量,类似于zzz、jjj的变量会快速跳出,标记为"token::identifier"。而可能是关键词的标识符,比如上面列举的var、vars、avr,由于或多或少的具有一些关键词特征,会深入再次解析。
需要说的是,从一个javascript使用者的角度看,关键词的识别只需要对字符串做严格对等比较就行了,比如长度3,字符顺序依次是v、a、r,那么必定是关键词var。
但是v8的实现比较迷,用上了hash,既然是v8体验文章,那么就按照源码的逻辑实现上面的keywordoridentifiertoken方法。
// 跳到另外一个文件里实现 scanner::keywordoridentifiertoken(str, len) { return perfectkeywordhash.gettoken(str, len); } /** * 特殊const就放这里算了 */ const min_word_length = 2; const max_word_length = 10; class perfectkeywordhash { static gettoken(str, len) { if(isinrange(len, min_word_length, max_word_length)) { let key = perfectkeywordhash.hash(str, len) & 0x3f; if(len === kperfectkeywordlengthtable[key]) { const s = kperfectkeywordhashtable[key].name; let l = s.length; let i = -1; /** * c++可以直接操作指针 js只能搞变量了 * 做字符严格校对 形如avr会被识别为变量 */ while(i++ !== l) { if(s[i] !== str[i]) return 'token::identifier'; } return kperfectkeywordhashtable[key].value; } } return 'token::identifier'; } }
总体逻辑如上所示,关键词的长度目前是2-10,所以根据长度先筛一波,再v8根据传入的字符串算出了一个hash值,然后根据这个值从映射表找出对应的特征,对两者进行严格对对比,来判定这个标识符是不是一个关键词。
涉及1个hash算法和2个映射表,这里把hash算法给出来,映射表实在是繁琐,有兴趣去github看吧。
/** * asso_values保存了ascii编码0-127的映射 * 所有关键词字符都有对应的hash值 而非关键词字符都是56 比如j、k、z等等 * 通过运算返回一个整形 */ static hash(str, len) { const asso_values = [ 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 56, 8, 0, 6, 0, 0, 9, 9, 9, 0, 56, 56, 34, 41, 0, 3, 6, 56, 19, 10, 13, 16, 39, 26, 37, 36, 56, 56, 56, 56, 56, 56, ]; return len + asso_values[str[1].charcodeat()] + asso_values[str[0].charcodeat()]; }
可以看到,hash方法的内部也有一个映射表,每一个关键字符都有对应的hash值,通过前两个字符进行运算(最短的关键词就是2个字符,并且),得到一个hash值,将这个值套到另外的table得到其理论上的长度,长度一致再进行严格比对。
这个方法个人感觉有一些微妙,len主要是做一个修正,因为前两个字符一样的关键词还是蛮多的,比如说case、catch,delete、default等等,但是长度不一样,加上len可以区分。如果有一天出现前两个字符一样,且长度也一样的关键词,这个hash算法肯定要修改了,反正也不关我事咯。
经过这一系列的处理,标识符的解析算是完成了,代码可以github上面下载,然后修改test文件里面传入的参数就能看到输出。
上一篇: swiper 轮播中常用的效果,持续更新
下一篇: 从IDEA角度来看懂UML图