欢迎光临企业官网建站网站,提供自助建设系统平台服务

企业官网建站

专业为公司品牌推广建设网站

用JavaScript带你体验V8引擎解析标识符

作者:jcmp      发布时间:2021-04-22      浏览量:0
先上知识点,标识符的扫描分为快解析和慢解

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。

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。

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'};

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。

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。

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:

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。

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。