簡單的說 編譯器 就是語言翻譯器，它一般將高級語言翻譯成更低級的語言，如 GCC 可將 C/C++ 語言翻譯成可執(zhí)行機器語言，Java 編譯器可以將 Java 源代碼翻譯成 Java 虛擬機可以執(zhí)行的字節(jié)碼。
編譯器如此神奇，那么它到底是如何工作的呢？本文將簡單介紹編譯器的原理，并實現(xiàn)一個簡單的編譯器，使它能編譯我們自定義語法格式的源代碼。（文中使用的源碼都已上傳至 GitHub 以方便查看）。
為了簡潔易懂，我們的編譯器將只支持以下簡單功能：
數(shù)據(jù)類型只支持整型，這樣不需要數(shù)據(jù)類型符；
支持 加（+），減（-），乘（*）， 除（/） 運算
支持函數(shù)調(diào)用
支持 extern（為了調(diào)用 printf 打印計算結(jié)果）
以下是我們要支持的源碼實例 demo.xy：
extern printi(val)sum(a, b) { return a + b}mult(a, b) { return a * b}printi(mult(4, 5) - sum(4, 5))一般編譯器有以下工作步驟：
詞法分析（Lexical analysis）： 此階段的任務(wù)是從左到右一個字符一個字符地讀入源程序，對構(gòu)成源程序的字符流進行掃描然后根據(jù)構(gòu)詞規(guī)則識別 單詞（Token），完成這個任務(wù)的組件是 詞法分析器（Lexical analyzer，簡稱Lexer），也叫 掃描器（Scanner）；
語法分析（Syntactic analysis，也叫 Parsing）： 此階段的主要任務(wù)是由 詞法分析器 生成的單詞構(gòu)建 抽象語法樹（Abstract Syntax Tree ，AST），完成此任務(wù)的組件是 語法分析器（Parser）；
目標碼生成： 此階段編譯器會遍歷上一步生成的抽象語法樹，然后為每個節(jié)點生成 機器 / 字節(jié)碼。
編譯器完成編譯后，由 鏈接器（Linker） 將生成的目標文件鏈接成可執(zhí)行文件，這一步并不是必須的，一些依賴于虛擬機運行的語言（如 Java，Erlang）就不需要鏈接。
對應編譯器工作步驟我們將使用以下工具，括號里標明了所使用的版本號：
Flex（2.6.0）: Flex 是 Lex 開源替代品，他們都是 詞法分析器 制作工具，它可以根據(jù)我們定義的規(guī)則生成 詞法分析器 的代碼；
Bison（3.0.4）： Bison 是 語法分析器 的制作工具，同樣它可以根據(jù)我們定義的規(guī)則生成 語法分析器 的代碼；
LLVM（3.8.0）： LLVM 是構(gòu)架編譯器的框架系統(tǒng)，我們會利用他來完成從 抽象語法樹 生成目標碼的過程。
在 ubuntu 上可以通過以下命令安裝這些工具：
sudo apt-get install flexsudo apt-get install bisonsudo apt-get install llvm-3.8*介紹完工具，現(xiàn)在我們可以開始實現(xiàn)我們的編譯器了。
前面提到 詞法分析器 要將源程序分解成 單詞，我們的語法格式很簡單，只包括：標識符，數(shù)字，數(shù)學運算符，括號和大括號等，我們將通過 Flex 來生成 詞法分析器 的源碼，給 Flex 使用的規(guī)則文件 lexical.l 如下：
%{#include <string>#include "ast.h"#include "syntactic.hpp"#define SAVE_TOKEN yylval.string = new std::string(yytext, yyleng)#define TOKEN(t) (yylval.token = t)%}%option noyywrap%%[ \t\n] ;"extern" return TOKEN(TEXTERN);"return" return TOKEN(TRETURN);[a-zA-Z_][a-zA-Z0-9_]* SAVE_TOKEN; return TIDENTIFIER;[0-9]+ SAVE_TOKEN; return TINTEGER;"=" return TOKEN(TEQUAL);"==" return TOKEN(TCEQ);"!=" return TOKEN(TCNE);"(" return TOKEN(TLPAREN);")" return TOKEN(TRPAREN);"{" return TOKEN(TLBRACE);"}" return TOKEN(TRBRACE);"," return TOKEN(TCOMMA);"+" return TOKEN(TPLUS);"-" return TOKEN(TMINUS);"*" return TOKEN(TMUL);"/" return TOKEN(TDIV);. printf("Unknown token!\n"); yyterminate();%%我們來解釋一下，這個文件被 2 個 %% 分成 3 部分，第 1 部分用 %{ 與 %} 包括的是一些 C++ 代碼，會被原樣復制到 Flex 生成的源碼文件中，還可以在指定一些選項，如我們使用了 %option noyywrap，也可以在這定義宏供后面使用；第 2 部分用來定義構(gòu)成單詞的規(guī)則，可以看到每條規(guī)都是一個 正則表達式 和 動作，很直白，就是 詞法分析器 發(fā)現(xiàn)了匹配的 單詞 后執(zhí)行相應的 動作 代碼，大部分只要返回 單詞 給調(diào)用者就可以了；第 3 部分可以定義一些函數(shù)，也會原樣復制到生成的源碼中去，這里我們留空沒有使用。
現(xiàn)在我們可以通過調(diào)用 Flex 生成 詞法分析器 的源碼：
flex -o lexical.cpp lexical.l生成的 lexical.cpp 里會有一個 yylex() 函數(shù)供 語法分析器 調(diào)用；你可能發(fā)現(xiàn)了，有些宏和變量并沒有被定義（如 TEXTERN，yylval，yytext 等），其實有些是 Flex 會自動定義的內(nèi)置變量（如 yytext），有些是后面 語法分析器 生成工具里定義的變量（如 yylval），我們后面會看到。
語法分析器 的作用是構(gòu)建 抽象語法樹，通俗的說 抽象語法樹 就是將源碼用樹狀結(jié)構(gòu)來表示，每個節(jié)點都代表源碼中的一種結(jié)構(gòu)；對于我們要實現(xiàn)的語法，其語法樹是很簡單的，如下：
現(xiàn)在我們使用 Bison 生成 語法分析器 代碼，同樣 Bison 需要一個規(guī)則文件，我們的規(guī)則文件 syntactic.y 如下，限于篇幅，省略了某些部分，可以通過鏈接查看完整內(nèi)容：
%{ #include "ast.h" #include <cstdio>... extern int yylex(); void yyerror(const char *s) { std::printf("Error: %s\n", s);std::exit(1); }%}...%token <token> TLPAREN TRPAREN TLBRACE TRBRACE TCOMMA...%%program: stmts { programBlock = $1; } ;...func_decl: ident TLPAREN func_decl_args TRPAREN block { $$ = new NFunctionDeclaration(*$1, *$3, *$5); delete $3; };...%%是不是發(fā)現(xiàn)和 Flex 的規(guī)則文件很像呢？確實是這樣，它也是分 3 個部分組成，同樣，第一部分的 C++ 代碼會被復制到生成的源文件中，還可以看到這里通過以下這樣的語法定義前面了 Flex 使用的宏：
%token <token> TLPAREN TRPAREN TLBRACE TRBRACE TCOMMA比較不同的是第 2 部分，不像 Flex 通過 正則表達式 通過定義規(guī)則，這里使用的是 巴科斯范式（BNF: Backus-Naur Form） 的形式定義了我們識別的語法結(jié)構(gòu)。如下的語法表示函數(shù)：
func_decl: ident TLPAREN func_decl_args TRPAREN block { $$ = new NFunctionDeclaration(*$1, *$3, *$5); delete $3; };可以看到后面大括號中間的也是 動作 代碼，上例的動作是在 抽象語法樹 中生成一個函數(shù)的節(jié)點，其實這部分的其他規(guī)則也是生成相應類型的節(jié)點到語法樹中。像 NFunctionDeclaration 這是一個我們自己定義的節(jié)點類，我們在 ast.h 中定義了我們所要用到的節(jié)點，同樣的，我們摘取一段代碼如下：
...class NFunctionDeclaration : public NStatement {public: const NIdentifier& id; VariableList arguments; NBlock& block; NFunctionDeclaration(const NIdentifier& id, const VariableList& arguments, NBlock& block) : id(id), arguments(arguments), block(block) { } virtual llvm::Value* codeGen(CodeGenContext& context);};...可以看到，它有 標識符（id），參數(shù)列表（arguments），函數(shù)體（block） 這些成員，在語法分析階段會設(shè)置好這些成員的內(nèi)容供后面的 目標碼生成 階段使用。還可以看到有一個 codeGen() 虛函數(shù)，你可能猜到了，后面就是通過調(diào)用它來生成相應的目標代碼。
我們可以通過以下命令調(diào)用 Bison 生成 語法分析器 的源碼文件，這里我們使用 -d 使頭文件和源文件分開，因為前面 詞法分析器 的源碼使用了這里定義的一些宏，所以需要使用這個頭文件，這里將會生成 syntactic.cpp 和 syntactic.hpp：
bison -d -o syntactic.cpp syntactic.y這是最后一步了，這一步的主角是前面提到 LLVM，LLVM 是一個構(gòu)建編譯器的框架系統(tǒng)，我們使用他遍歷 語法分析 階段生成的 抽象語法樹，然后為每個節(jié)點生成相應的 目標碼。當然，無法避免的是我們需要使用 LLVM 提供的函數(shù)來編寫生成目標碼的源碼，就是實現(xiàn)前面提到的虛函數(shù) codeGen()，是不是有點拗口？不過確實是這樣。我們在 gen.cpp 中編寫了不同節(jié)點的生成代碼，我們摘取一段看一下：
...Value *NMethodCall::codeGen(CodeGenContext &context) { Function *function = context.module->getFunction(id.name.c_str()); if (function == NULL) { std::cerr << "no such function " << id.name << endl; } std::vector<Value *> args; ExpressionList::const_iterator it; for (it = arguments.begin(); it != arguments.end(); it++) { args.push_back((**it).codeGen(context)); } CallInst *call = CallInst::Create(function, makeArrayRef(args), "", context.currentBlock()); std::cout << "Creating method call: " << id.name << endl; return call;}...看起來有點復雜，簡單來說就是通過 LLVM 提供的接口來生成 目標碼，需要了解更多的話可以去 LLVM 的官網(wǎng)學習一下。
至此，我們所有的工作基本都做完了。簡單回顧一下：我們先通過 Flex 生成 詞法分析器 源碼文件 lexical.cpp，然后通過 Bison 生成 語法分析器 源碼文件 syntactic.cpp 和頭文件 syntactic.hpp，我們自己編寫了 抽象語法樹 節(jié)點定義文件 ast.h 和 目標碼 生成文件 ast.cpp，還有一個 gen.h 包含一點 LLVM 環(huán)境相關(guān)的代碼，為了輸出我們程序的結(jié)果，還在 printi.cpp 里簡單的通過調(diào)用 C 語言庫函數(shù)實現(xiàn)了輸出一個整數(shù)。
對了，我們還需要一個 main 函數(shù)作為編譯器的入口函數(shù)，它在 main.cpp 里：
...int main(int argc, char **argv) { yyparse(); InitializeNativeTarget(); InitializeNativeTargetAsmPrinter(); InitializeNativeTargetAsmParser(); CodeGenContext context; context.generateCode(*programBlock); context.runCode(); return 0;}我們可以看到其調(diào)用了 yyparse() 做 語法分析，（yyparse() 內(nèi)部會先調(diào)用 yylex() 做 詞法分析）；然后是一系列的 LLVM 初始化代碼，context.generateCode(*programBlock) 是開始生成 目標碼；最后是 context.runCode() 來運行代碼，這里使用了 LLVM 的 JIT（Just In Time） 來直接運行代碼，沒有鏈接的過程。
現(xiàn)在我們可以用這些文件生成我們的編譯器了，需要說明一下，因為 詞法分析器 的源碼使用了一些 語法分析器 頭文件中的宏，所以正確的生成順序是這樣的：
bison -d -o syntactic.cpp syntactic.yflex -o lexical.cpp lexical.l syntactic.hppg++ -c `llvm-config --cppflags` -std=c++11 syntactic.cpp gen.cpp lexical.cpp printi.cpp main.cppg++ -o xy-complier syntactic.o gen.o main.o lexical.o printi.o `llvm-config --libs` `llvm-config --ldflags` -lpthread -ldl -lz -lncurses -rdynamic如果你下載了 GitHub 的源碼，那么直接：
cd srcmake就可以完成以上過程了，正常會生成一個二進制文件 xy-complier，它就是我們的編譯器了。
我們使用之前提到實例 demo.xy 來測試，將其內(nèi)容傳給 xy-complier 的標準輸入就可以看到運行結(jié)果了：
cat demo.xy | ./xy-complier也可以直接通過
make test來測試，輸出如下：
...define internal i64 @mult(i64 %a1, i64 %b2) {entry: %a = alloca i64 %0 = load i64, i64* %a store i64 %a1, i64* %a %b = alloca i64 %1 = load i64, i64* %b store i64 %b2, i64* %b %2 = load i64, i64* %b %3 = load i64, i64* %a %4 = mul i64 %3, %2 ret i64 %4}Running code:11Exiting...可以看到最后正確輸出了期望的結(jié)果，至此我們簡單的編譯器就完成了。
