程序员要如何创建一门编程语言？

你是否曾想过自己动手创建一种编程语言？

CSDN资讯

7548人浏览 · 2022-05-30 18:20:12

CSDN资讯 · 2022-05-30 18:20:12 发布

作者 | Md Shuvo 译者 | 弯月

出品 | CSDN（ID：CSDNnews）

虽然每位开发人员都掌握了一种甚至多种编程语言，但你是否曾想过自己动手创建一种编程语言？

首先，我们来看看什么是编程语言：

编程语言是用来定义计算机程序的形式语言。它是一种被标准化的交流技巧，用来向计算机发出指令，一种能够让程序员准确地定义计算机所需要使用数据的计算机语言，并精确地定义在不同情况下所应当采取的行动。

简而言之，编程语言就是一组预定义的规则。然后，我们需要通过编译器、解释器等来解释这些规则。所以我们可以简单地定义一些规则，然后，再使用任何现有的编程语言来制作一个可以理解这些规则的程序，也就是我们所说的解释器。

编译器：编译器能够将代码转换为处理器可以执行的机器代码（例如 C++ 编译器）。

解释器：解释器能够逐行遍历程序并执行每个命令。

下面，我们来试试看创建一个超级简单的编程语言，在控制台中输出洋红色的字体，我们给它起个名字：Magenta（洋红色）。

建立编程语言

在本文中，我将使用 Node.js，但你可以使用任何语言，基本思路依然是一样的。首先，我们来创建一个 index.js 文件。

class Magenta {
  constructor(codes) {
    this.codes = codes
  }
  run() {
    console.log(this.codes)
  }
}
 
// For now, we are storing codes in a string variable called `codes`
// Later, we will read codes from a file
const codes =
`print "hello world"
print "hello again"`
const magenta = new Magenta(codes)
magenta.run()

这段代码声明了一个名为 Magenta 的类。该类定义并初始化了一个对象，而该对象负责将我们通过变量 codes 提供的文本显示到控制台。我们在文件中直接定义了变量 codes：几个带有“hello”的消息。

下面，我们来创建词法分析器。

什么是词法分析器？

我们拿英文举个例子：How are you?

此处，“How”是副词，“are”是动词，“you”是代词。最后还有一个问号（？）。我们可以按照这种方式，通过JavaScript编程将句子或短语划分为多个语法组件。还有一种方法是，将这些句子或短语分割成一个个标记。将文本分割成标记的程序就是词法分析器。

由于我们的这个编程语言非常小，它只有两种类型的标记，每一种只有一个值：

1. keyword

2. string

我们可以使用正则表达式，从字符串 codes 中提取标记，但性能会非常慢。更好的方法是遍历字符串 codes 中的每个字符并提取标记。下面，我们在 Magenta 类中创建一个方法tokenize（这就是我们的词法分析器）。

完整的代码如下：

class Magenta {
  constructor(codes) {
    this.codes = codes
  }
  tokenize() {
    const length = this.codes.length
    // pos keeps track of current position/index
    let pos = 0
    let tokens = []
    const BUILT_IN_KEYWORDS = ["print"]
    // allowed characters for variable/keyword
    const varChars = 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ_'
    while (pos < length) {
      let currentChar = this.codes[pos]
      // if current char is space or newline,  continue
      if (currentChar === " " || currentChar === "\n") {
        pos++
        continue
      } else if (currentChar === '"') {
        // if current char is " then we have a string
        let res = ""
        pos++
        // while next char is not " or \n and we are not at the end of the code
        while (this.codes[pos] !== '"' && this.codes[pos] !== '\n' && pos < length) {
          // adding the char to the string
          res += this.codes[pos]
          pos++
        }
        // if the loop ended because of the end of the code and we didn't find the closing "
        if (this.codes[pos] !== '"') {
          return {
            error: `Unterminated string`
          }
        }
        pos++
        // adding the string to the tokens
        tokens.push({
          type: "string",
          value: res
        })
      } else if (varChars.includes(currentChar)) {
        let res = currentChar
        pos++
        // while the next char is a valid variable/keyword charater
        while (varChars.includes(this.codes[pos]) && pos < length) {
          // adding the char to the string
          res += this.codes[pos]
          pos++
        }
        // if the keyword is not a built in keyword
        if (!BUILT_IN_KEYWORDS.includes(res)) {
          return {
            error: `Unexpected token ${res}`
          }
        }
        // adding the keyword to the tokens
        tokens.push({
          type: "keyword",
          value: res
        })
      } else { // we have a invalid character in our code
        return {
          error: `Unexpected character ${this.codes[pos]}`
        }
      }
    }
    // returning the tokens
    return {
      error: false,
      tokens
    }
  }
  run() {
    const {
      tokens,
      error
    } = this.tokenize()
    if (error) {
      console.log(error)
      return
    }
    console.log(tokens)
  }
}

在终端中运行node index.js，就会看到控制台中输出的标记列表。

定义规则和语法

我们想看看 codes 的顺序是否符合某种规则或语法。但首先我们需要定义这些规则和语法是什么。由于我们的这个编程语言非常小，它只有一种简单的语法，即关键字 print 后跟一个字符串。

keyword:print string

因此，我们来创建一个 parse 方法，循环遍历 codes 并提取标记，看看是否形成了有效的语法，并根据需要采用采取必要的行动。

class Magenta {
  constructor(codes) {
    this.codes = codes
  }
  tokenize(){
    /* previous codes for tokenizer */
  }
  parse(tokens){
    const len = tokens.length
    let pos = 0
    while(pos < len) {
      const token = tokens[pos]
      // if token is a print keyword
      if(token.type === "keyword" && token.value === "print") {
        // if the next token doesn't exist
        if(!tokens[pos + 1]) {
          return console.log("Unexpected end of line, expected string")
        }
        // check if the next token is a string
        let isString = tokens[pos + 1].type === "string"
        // if the next token is not a string
        if(!isString) {
          return console.log(`Unexpected token ${tokens[pos + 1].type}, expected string`)
        }
        // if we reach this point, we have valid syntax
        // so we can print the string
        console.log('\x1b[35m%s\x1b[0m', tokens[pos + 1].value)
        // we add 2 because we also check the token after print keyword
        pos += 2
      } else{ // if we didn't match any rules
        return console.log(`Unexpected token ${token.type}`)
      }
    }
  }
  run(){
    const {tokens, error} = this.tokenize()
    if(error){
      console.log(error)
      return
    }
    this.parse(tokens)
  }
}

如下所示，我们的编程语言已经能够正常工作了！

由于字符串变量 codes 是硬编码的，因此输出其中包含的字符串意义也不大。因此，我们将codes 放入一个名为 code.m 的文件中。这样，变量 codes（输出数据）与编译器的实现逻辑就互相分离了。我们使用 .m 作为文件扩展名，以此来表明该文件包含 Magenta 语言的代码。

下面，我们来修改代码，从该文件中读取codes：

// importing file system module
const fs = require('fs')
//importing path module for convenient path joining
const path = require('path')
class Magenta{
  constructor(codes){
    this.codes = codes
  }
  tokenize(){
    /* previous codes for tokenizer */
 }
  parse(tokens){
    /* previous codes for parse method */
 }
  run(){
    /* previous codes for run method */
  }
}
 
// Reading code.m file
// Some text editors use \r\n for new line instead of \n, so we are removing \r
const codes = fs.readFileSync(path.join(__dirname, 'code.m'), 'utf8').toString().replace(/\r/g, "")
const magenta = new Magenta(codes)
magenta.run()