用JavaScript带你体验V8引擎解析标识符
- 2019 年 10 月 3 日
- 笔记
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（$）和下划线（_）。第二个字符及后面的字符，除了Unicode字母、美元符号和下划线，还可以用数字0-9。
笼统来讲，v8也是通过这个规则来处理标识符，下面就来看看详细的解析过程。
老规矩，代码我丢github上面，接着前面一篇的内容，进行了一些整理，将文件分类，保证下载即可运行。
链接：https://github.com/pflhm2005/V8ToJS
待解析字符如下。
var
目的就是解析这个var关键词。
首先需要完善Token映射表，添加关于标识符的内容，如下。
const TokenToAsciiMapping = (c) => { return c === '(' ? 'Token::LPAREN' : c == ')' ? 'Token::RPAREN' : // ...很多很多 c == '"' ? 'Token::STRING' : c == ''' ? 'Token::STRING' : // 标识符部分单独抽离出一个方法判断 IsAsciiIdentifier(c) ? 'Token::IDENTIFIER' : // ...很多很多 'Token::ILLEGAL' };
在那个超长的三元表达式中添加一个标识符的判断，由于标识符的合法字符较多，所以单独抽离一个方法做判断。
方法的逻辑只要符合定义就够了，实现如下。
/** * 判断给定字符(数字)是否在两个字符的范围内 * C++通过static_cast同时处理了char和int类型 JS就比较坑了 * 这个方法其实在C++超简单的 然而用JS直接炸裂 * @param {char} c 目标字符 * @param {char} lower_limit 低位字符 * @param {chat} higher_limit 高位字符 */ export const IsInRange = (c, lower_limit, higher_limit) => { if(typeof lower_limit === 'string' && typeof higher_limit === 'string') { lower_limit = lower_limit.charCodeAt(); higher_limit = higher_limit.charCodeAt(); } if(typeof c === 'string') c = c.charCodeAt(); return (c >= lower_limit) && (c <= higher_limit); } /** * 将大写字母转换为小写字母 JS没有char、int这种严格类型 需要手动搞一下 */ const AsciiAlphaToLower = (c) => { return String.fromCharCode(c.charCodeAt() | 0x20); } /** * 数字字符判断 */ const IsDecimalDigit = (c) => { return IsInRange(c, '0', '9'); } /** * 大小写字母、数字 */ const IsAlphaNumeric = (c) => { return IsInRange(AsciiAlphaToLower(c), 'a', 'z') || IsDecimalDigit(c); } /** * 判断是否是合法标识符字符 */ const IsAsciiIdentifier = (c) => { return IsAlphaNumeric(c) || c == '$' || 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(u5409u7c73)，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。
