编译器实现之旅——第八章 实现语义分析器
作为编译器后端的第一站，我们首先来实现语义分析器。
1. 语义分析器概观
正如上一章所说，语义分析器主要用于对抽象语法树进行语义层面的进一步检查，并生成符号表。我们也为符号表给出了一个"记录任何你想额外记录下的东西的表"这样的说了等于没说的定义。那么，CMM编译器的语义分析器到底需要做什么？其符号表又需要保存什么呢？
事实上，出于简单考虑，CMM编译器的语义分析器并不做任何的语义检查，只负责生成符号表。为了明确符号表到底需要记录什么，我们需要回顾CMM语言的这几点功能：
- 支持赋值（这也包括了支持变量）
- 支持函数
- 支持数组
- 区分全局作用域与局部作用域
也就是说，我们需要通过某种数据结构，将变量名、函数名、数组大小、作用域信息等内容全都放进去。似乎很复杂？请接着往下看。
2. 符号表的数据结构
不难发现，变量名和函数名，其实都是抽象语法树中的某个记号字符串；而数组大小其实也是抽象语法树中的某个记号字符串，只不过我们这里需要将其转为整型；那么，作用域信息呢？很简单，我们只需要回答这样一个问题：谁产生了作用域？答案当然是函数。也就是说，对于每个函数，其都有一个作用域，此外，还有一个全局作用域。我们还能发现：所有的变量名都位于某个作用域中；而数组大小是数组变量的一个"附加属性"。
将上述分析进行整理，我们就得到了以下要点：
- 我们需要记录一个全局作用域，和若干函数作用域。且函数作用域由各个函数产生
- 在每个作用域中，我们需要分别记录若干变量名
- 每个变量可能具有数组大小这一"附加属性"
有了这几点思考后，让我们继续思考：
- 作用域该怎么记录？用函数名即可。而全局作用域名只需要使用一个"非法函数名"即可，我们不妨使用"__GLOBAL__"
- 变量名该怎么记录？同理，用变量名即可；此外，我们还需要为每个变量名从0开始按顺序编号。至于编号的作用，我们将在代码生成器的相关章节中找到答案
- 数组大小该怎么记录？显然，用一个整型即可
- 作用域是最大的符号表层次，每个作用域中都包含着若干变量名，而每个变量名都具有变量的编号和数组大小这两个属性；如果这个变量不是数组，那么数组大小设为0即可
一个数据结构在我们的脑海中渐渐浮现：哈希表。
3. 语义分析器的实现
没错，我们可以用哈希表来同时存放变量名、函数名、数组大小、作用域信息等内容。这样的哈希表是双层的：第一层是作用域，我们可以通过函数名或"__GLOBAL__"作为键进行访问；第二层是变量名，显然，我们可以通过某个变量名作为键进行访问；而哈希值是一对整型，第一个整型代表了变量的编号，而第二个整型代表了数组大小。
语义分析器的实现如下所示：
class __SemanticAnalyzer
{
// Friend
friend class Core;
public:
// Constructor
__SemanticAnalyzer(__AST *root = nullptr);
private:
// Attribute
__AST *__root;
// Semantic Analysis
unordered_map<string, unordered_map<string, pair<int, int>>> __semanticAnalysis() const;
};
__SemanticAnalyzer::__SemanticAnalyzer(__AST *root):
__root(root) {}
unordered_map<string, unordered_map<string, pair<int, int>>> __SemanticAnalyzer::__semanticAnalysis() const
{
/*
symbolTable: Function Name => Variable Name => (Variable Number, Array Size)
*/
unordered_map<string, unordered_map<string, pair<int, int>>> symbolTable
{
{"__GLOBAL__", {}}
};
int globalIdx = 0;
/*
__TokenType::__Program
|
|---- __Decl
|
|---- [__Decl]
.
.
.
*/
for (auto declNodePtr: __root->__subList)
{
/*
__VarDecl | __FuncDecl
*/
if (declNodePtr->__tokenType == __TokenType::__FuncDecl)
{
/*
__TokenType::__FuncDecl
|
|---- __Type
|
|---- __TokenType::__Id
|
|---- __ParamList | nullptr
|
|---- __LocalDecl
|
|---- __StmtList
*/
int varIdx = 0;
string funcName = declNodePtr->__subList[1]->__tokenStr;
symbolTable[funcName];
if (declNodePtr->__subList[2])
{
/*
__TokenType::__ParamList
|
|---- __Param
|
|---- [__Param]
.
.
.
*/
for (auto paramPtr: declNodePtr->__subList[2]->__subList)
{
/*
__TokenType::__Param
|
|---- __Type
|
|---- __TokenType::__Id
*/
string varName = paramPtr->__subList[1]->__tokenStr;
symbolTable[funcName][varName] = {varIdx++, 0};
}
}
/*
__TokenType::__LocalDecl
|
|---- [__VarDecl]
.
.
.
*/
for (auto varDeclPtr: declNodePtr->__subList[3]->__subList)
{
/*
__TokenType::__VarDecl
|
|---- __Type
|
|---- __TokenType::__Id
|
|---- [__TokenType::__Number]
*/
string varName = varDeclPtr->__subList[1]->__tokenStr;
int varSize = varDeclPtr->__subList.size() == 2 ? 0 : stoi(varDeclPtr->__subList[2]->__tokenStr);
symbolTable[funcName][varName] = {varIdx, varSize};
varIdx += varSize + 1;
}
}
else
{
/*
__TokenType::__VarDecl
|
|---- __Type
|
|---- __TokenType::__Id
|
|---- [__TokenType::__Number]
*/
string varName = declNodePtr->__subList[1]->__tokenStr;
int varSize = declNodePtr->__subList.size() == 2 ? 0 : stoi(declNodePtr->__subList[2]->__tokenStr);
symbolTable["__GLOBAL__"][varName] = {globalIdx, varSize};
globalIdx += varSize + 1;
}
}
return symbolTable;
}
语义分析器以抽象语法树的树根作为输入，并在整个抽象语法树中获知我们所需要的信息。在进入抽象语法树之前，我们首先创建了一个空的符号表，由于全局作用域一定存在，故我们立即为符号表添加上代表着全局作用域的键；我们还定义了一个整型globalIdx，以跟踪各个全局变量的编号。
现在的问题是：这些变量名、函数名、数组大小、作用域信息等内容到底在抽象语法树的哪儿？为了回答这个问题，我们就必须回顾CMM的相关语法规则及其所对应的语法树结构了。请看：
- 语法树的树根具有一系列的子节点，这些子节点通过Decl语法构造而来；而Decl又可以推导出"VarDecl | FuncDecl"，也就是说，整个语法树上按顺序排列着变量的声明，或函数的声明
- 对于变量的声明，即VarDecl语法，首先，很显然：这些变量就是全局变量；而继续查看VarDecl语法的语法树结构我们发现：变量名应该出现在VarDecl节点的第二子节点上；而数组长度，如果有的话，应该出现在VarDecl节点的第三子节点上
- 对于函数的声明，即FuncDecl语法，我们可以发现：函数名应该出现在FuncDecl节点的第二子节点上；而变量名应该出现在两处：第一处是FuncDecl节点的第三子节点，即ParamList节点的各个子节点上（仅当FuncDecl节点的第三子节点不是void），这些子节点代表了函数的形参；而第二处则位于FuncDecl节点的第四子节点，即CompoundStmt节点的第一子节点，又即LocalDecl节点的各个子节点上，这些子节点代表了函数的局部变量。所有这些子节点的变量名，都位于各个子节点的第二子节点上；而数组长度，对于形参子节点而言没有，对于局部变量子节点而言，则位于各个子节点的第三子节点上（这段说明真的是太绕了）
我们还需要关注的一点是：变量该如何编号？通常情况下，变量从0开始编号，每次加1就行了。但由于CMM中的变量可能是一个数组，故在语义分析器的实现中，我们不仅在每次遇到一个新的变量名后将变量的编号加1，我们还在每次遇到数组时将编号额外的加上了数组的长度。这样做的意义是什么？我们将在代码生成器的相关章节看到答案。
最后，还有一个需要留意的地方，那就是：在FuncDecl节点的解析中，两处变量名的解析顺序是不能颠倒的。同样，这样做的意义我们也将在代码生成器的相关章节看到答案。
至此，语义分析器就已经实现完成了。通过语义分析器，我们得到了对于代码生成器而言非常重要的一个"信息中心"——符号表。接下来，就让我们来看看低级指令的执行器——虚拟机是怎么实现的吧。请看下一章：《实现虚拟机》。
