2.19 實現(xiàn)一個簡單的遞歸下降分析器

問題

你想根據(jù)一組語法規(guī)則解析文本并執(zhí)行命令，或者構(gòu)造一個代表輸入的抽象語法樹。如果語法非常簡單，你可以自己寫這個解析器，而不是使用一些框架。

解決方案

在這個問題中，我們集中討論根據(jù)特殊語法去解析文本的問題。為了這樣做，你首先要以BNF或者EBNF形式指定一個標準語法。比如，一個簡單數(shù)學(xué)表達式語法可能像下面這樣：

expr ::= expr + term
    |   expr - term
    |   term

term ::= term * factor
    |   term / factor
    |   factor

factor ::= ( expr )
    |   NUM

或者，以EBNF形式：

expr ::= term { (+|-) term }*

term ::= factor { (*|/) factor }*

factor ::= ( expr )
    |   NUM

在EBNF中，被包含在 {...}* 中的規(guī)則是可選的。*代表0次或多次重復(fù)(跟正則表達式中意義是一樣的)。

現(xiàn)在，如果你對BNF的工作機制還不是很明白的話，就把它當做是一組左右符號可相互替換的規(guī)則。一般來講，解析的原理就是你利用BNF完成多個替換和擴展以匹配輸入文本和語法規(guī)則。為了演示，假設(shè)你正在解析形如 3 + 4 * 5 的表達式。這個表達式先要通過使用2.18節(jié)中介紹的技術(shù)分解為一組令牌流。結(jié)果可能是像下列這樣的令牌序列：

NUM + NUM * NUM

在此基礎(chǔ)上， 解析動作會試著去通過替換操作匹配語法到輸入令牌：

expr
expr ::= term { (+|-) term }*
expr ::= factor { (*|/) factor }* { (+|-) term }*
expr ::= NUM { (*|/) factor }* { (+|-) term }*
expr ::= NUM { (+|-) term }*
expr ::= NUM + term { (+|-) term }*
expr ::= NUM + factor { (*|/) factor }* { (+|-) term }*
expr ::= NUM + NUM { (*|/) factor}* { (+|-) term }*
expr ::= NUM + NUM * factor { (*|/) factor }* { (+|-) term }*
expr ::= NUM + NUM * NUM { (*|/) factor }* { (+|-) term }*
expr ::= NUM + NUM * NUM { (+|-) term }*
expr ::= NUM + NUM * NUM

下面所有的解析步驟可能需要花點時間弄明白，但是它們原理都是查找輸入并試著去匹配語法規(guī)則。第一個輸入令牌是NUM，因此替換首先會匹配那個部分。一旦匹配成功，就會進入下一個令牌+，以此類推。當已經(jīng)確定不能匹配下一個令牌的時候，右邊的部分(比如 { (*/) factor }* )就會被清理掉。在一個成功的解析中，整個右邊部分會完全展開來匹配輸入令牌流。

有了前面的知識背景，下面我們舉一個簡單示例來展示如何構(gòu)建一個遞歸下降表達式求值程序：

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
"""
Topic: 下降解析器
Desc :
"""
import re
import collections

# Token specification
NUM = r'(?P<NUM>\d+)'
PLUS = r'(?P<PLUS>\+)'
MINUS = r'(?P<MINUS>-)'
TIMES = r'(?P<TIMES>\*)'
DIVIDE = r'(?P<DIVIDE>/)'
LPAREN = r'(?P<LPAREN>\()'
RPAREN = r'(?P<RPAREN>\))'
WS = r'(?P<WS>\s+)'

master_pat = re.compile('|'.join([NUM, PLUS, MINUS, TIMES,
                                  DIVIDE, LPAREN, RPAREN, WS]))
# Tokenizer
Token = collections.namedtuple('Token', ['type', 'value'])

def generate_tokens(text):
    scanner = master_pat.scanner(text)
    for m in iter(scanner.match, None):
        tok = Token(m.lastgroup, m.group())
        if tok.type != 'WS':
            yield tok

# Parser
class ExpressionEvaluator:
    '''
    Implementation of a recursive descent parser. Each method
    implements a single grammar rule. Use the ._accept() method
    to test and accept the current lookahead token. Use the ._expect()
    method to exactly match and discard the next token on on the input
    (or raise a SyntaxError if it doesn't match).
    '''

    def parse(self, text):
        self.tokens = generate_tokens(text)
        self.tok = None  # Last symbol consumed
        self.nexttok = None  # Next symbol tokenized
        self._advance()  # Load first lookahead token
        return self.expr()

    def _advance(self):
        'Advance one token ahead'
        self.tok, self.nexttok = self.nexttok, next(self.tokens, None)

    def _accept(self, toktype):
        'Test and consume the next token if it matches toktype'
        if self.nexttok and self.nexttok.type == toktype:
            self._advance()
            return True
        else:
            return False

    def _expect(self, toktype):
        'Consume next token if it matches toktype or raise SyntaxError'
        if not self._accept(toktype):
            raise SyntaxError('Expected ' + toktype)

    # Grammar rules follow
    def expr(self):
        "expression ::= term { ('+'|'-') term }*"
        exprval = self.term()
        while self._accept('PLUS') or self._accept('MINUS'):
            op = self.tok.type
            right = self.term()
            if op == 'PLUS':
                exprval += right
            elif op == 'MINUS':
                exprval -= right
        return exprval

    def term(self):
        "term ::= factor { ('*'|'/') factor }*"
        termval = self.factor()
        while self._accept('TIMES') or self._accept('DIVIDE'):
            op = self.tok.type
            right = self.factor()
            if op == 'TIMES':
                termval *= right
            elif op == 'DIVIDE':
                termval /= right
        return termval

    def factor(self):
        "factor ::= NUM | ( expr )"
        if self._accept('NUM'):
            return int(self.tok.value)
        elif self._accept('LPAREN'):
            exprval = self.expr()
            self._expect('RPAREN')
            return exprval
        else:
            raise SyntaxError('Expected NUMBER or LPAREN')

def descent_parser():
    e = ExpressionEvaluator()
    print(e.parse('2'))
    print(e.parse('2 + 3'))
    print(e.parse('2 + 3 * 4'))
    print(e.parse('2 + (3 + 4) * 5'))
    # print(e.parse('2 + (3 + * 4)'))
    # Traceback (most recent call last):
    #    File "<stdin>", line 1, in <module>
    #    File "exprparse.py", line 40, in parse
    #    return self.expr()
    #    File "exprparse.py", line 67, in expr
    #    right = self.term()
    #    File "exprparse.py", line 77, in term
    #    termval = self.factor()
    #    File "exprparse.py", line 93, in factor
    #    exprval = self.expr()
    #    File "exprparse.py", line 67, in expr
    #    right = self.term()
    #    File "exprparse.py", line 77, in term
    #    termval = self.factor()
    #    File "exprparse.py", line 97, in factor
    #    raise SyntaxError("Expected NUMBER or LPAREN")
    #    SyntaxError: Expected NUMBER or LPAREN

if __name__ == '__main__':
    descent_parser()

討論

文本解析是一個很大的主題， 一般會占用學(xué)生學(xué)習(xí)編譯課程時剛開始的三周時間。如果你在找尋關(guān)于語法，解析算法等相關(guān)的背景知識的話，你應(yīng)該去看一下編譯器書籍。很顯然，關(guān)于這方面的內(nèi)容太多，不可能在這里全部展開。

盡管如此，編寫一個遞歸下降解析器的整體思路是比較簡單的。開始的時候，你先獲得所有的語法規(guī)則，然后將其轉(zhuǎn)換為一個函數(shù)或者方法。因此如果你的語法類似這樣：

expr ::= term { ('+'|'-') term }*

term ::= factor { ('*'|'/') factor }*

factor ::= '(' expr ')'
    | NUM

你應(yīng)該首先將它們轉(zhuǎn)換成一組像下面這樣的方法：

class ExpressionEvaluator:
    ...
    def expr(self):
    ...
    def term(self):
    ...
    def factor(self):
    ...

每個方法要完成的任務(wù)很簡單 - 它必須從左至右遍歷語法規(guī)則的每一部分，處理每個令牌。從某種意義上講，方法的目的就是要么處理完語法規(guī)則，要么產(chǎn)生一個語法錯誤。為了這樣做，需采用下面的這些實現(xiàn)方法：

• 如果規(guī)則中的下個符號是另外一個語法規(guī)則的名字(比如term或factor)，就簡單的調(diào)用同名的方法即可。這就是該算法中”下降”的由來 - 控制下降到另一個語法規(guī)則中去。有時候規(guī)則會調(diào)用已經(jīng)執(zhí)行的方法(比如，在 factor ::= '('expr ')' 中對expr的調(diào)用)。這就是算法中”遞歸”的由來。
• 如果規(guī)則中下一個符號是個特殊符號(比如()，你得查找下一個令牌并確認是一個精確匹配)。如果不匹配，就產(chǎn)生一個語法錯誤。這一節(jié)中的 _expect() 方法就是用來做這一步的。
• 如果規(guī)則中下一個符號為一些可能的選擇項(比如 + 或 -)，你必須對每一種可能情況檢查下一個令牌，只有當它匹配一個的時候才能繼續(xù)。這也是本節(jié)示例中 _accept() 方法的目的。它相當于_expect()方法的弱化版本，因為如果一個匹配找到了它會繼續(xù)，但是如果沒找到，它不會產(chǎn)生錯誤而是回滾(允許后續(xù)的檢查繼續(xù)進行)。
• 對于有重復(fù)部分的規(guī)則(比如在規(guī)則表達式 ::= term { ('+'|'-') term }* 中)，重復(fù)動作通過一個while循環(huán)來實現(xiàn)。循環(huán)主體會收集或處理所有的重復(fù)元素直到?jīng)]有其他元素可以找到。
• 一旦整個語法規(guī)則處理完成，每個方法會返回某種結(jié)果給調(diào)用者。這就是在解析過程中值是怎樣累加的原理。比如，在表達式求值程序中，返回值代表表達式解析后的部分結(jié)果。最后所有值會在最頂層的語法規(guī)則方法中合并起來。

盡管向你演示的是一個簡單的例子，遞歸下降解析器可以用來實現(xiàn)非常復(fù)雜的解析。比如，Python語言本身就是通過一個遞歸下降解析器去解釋的。如果你對此感興趣，你可以通過查看Python源碼文件Grammar/Grammar來研究下底層語法機制。看完你會發(fā)現(xiàn)，通過手動方式去實現(xiàn)一個解析器其實會有很多的局限和不足之處。

其中一個局限就是它們不能被用于包含任何左遞歸的語法規(guī)則中。比如，加入你需要翻譯下面這樣一個規(guī)則：

items ::= items ',' item
    | item

為了這樣做，你可能會像下面這樣使用 items() 方法：

def items(self):
    itemsval = self.items()
    if itemsval and self._accept(','):
        itemsval.append(self.item())
    else:
        itemsval = [ self.item() ]

唯一的問題是這個方法根本不能工作，事實上，它會產(chǎn)生一個無限遞歸錯誤。

關(guān)于語法規(guī)則本身你可能也會碰到一些棘手的問題。比如，你可能想知道下面這個簡單扼語法是否表述得當：

expr ::= factor { ('+'|'-'|'*'|'/') factor }*

factor ::= '(' expression ')'
    | NUM

這個語法看上去沒啥問題，但是它卻不能察覺到標準四則運算中的運算符優(yōu)先級。比如，表達式 "3 + 4 * 5" 會得到35而不是期望的23.分開使用”expr”和”term”規(guī)則可以讓它正確的工作。

對于復(fù)雜的語法，你最好是選擇某個解析工具比如PyParsing或者是PLY。下面是使用PLY來重寫表達式求值程序的代碼：

from ply.lex import lex
from ply.yacc import yacc

# Token list
tokens = [ 'NUM', 'PLUS', 'MINUS', 'TIMES', 'DIVIDE', 'LPAREN', 'RPAREN' ]
# Ignored characters
t_ignore = ' \t\n'
# Token specifications (as regexs)
t_PLUS = r'\+'
t_MINUS = r'-'
t_TIMES = r'\*'
t_DIVIDE = r'/'
t_LPAREN = r'\('
t_RPAREN = r'\)'

# Token processing functions
def t_NUM(t):
    r'\d+'
    t.value = int(t.value)
    return t

# Error handler
def t_error(t):
    print('Bad character: {!r}'.format(t.value[0]))
    t.skip(1)

# Build the lexer
lexer = lex()

# Grammar rules and handler functions
def p_expr(p):
    '''
    expr : expr PLUS term
        | expr MINUS term
    '''
    if p[2] == '+':
        p[0] = p[1] + p[3]
    elif p[2] == '-':
        p[0] = p[1] - p[3]

def p_expr_term(p):
    '''
    expr : term
    '''
    p[0] = p[1]

def p_term(p):
    '''
    term : term TIMES factor
    | term DIVIDE factor
    '''
    if p[2] == '*':
        p[0] = p[1] * p[3]
    elif p[2] == '/':
        p[0] = p[1] / p[3]

def p_term_factor(p):
    '''
    term : factor
    '''
    p[0] = p[1]

def p_factor(p):
    '''
    factor : NUM
    '''
    p[0] = p[1]

def p_factor_group(p):
    '''
    factor : LPAREN expr RPAREN
    '''
    p[0] = p[2]

def p_error(p):
    print('Syntax error')

parser = yacc()

這個程序中，所有代碼都位于一個比較高的層次。你只需要為令牌寫正則表達式和規(guī)則匹配時的高階處理函數(shù)即可。而實際的運行解析器，接受令牌等等底層動作已經(jīng)被庫函數(shù)實現(xiàn)了。

下面是一個怎樣使用得到的解析對象的例子：

>>> parser.parse('2')
2
>>> parser.parse('2+3')
5
>>> parser.parse('2+(3+4)*5')
37
>>>

如果你想在你的編程過程中來點挑戰(zhàn)和刺激，編寫解析器和編譯器是個不錯的選擇。再次，一本編譯器的書籍會包含很多底層的理論知識。不過很多好的資源也可以在網(wǎng)上找到。Python自己的ast模塊也值得去看一下。