[心得] 沒效率的源碼分析法

[reader (讀者)]

我一直覺得 strtok() 很難用, lex 更難用。但不知道為什麼，
人人都說要這樣子做，好像只有這麼用才是正確的。

可是我怎麼都覺得是因為教科書上這麼教，而且非本科系的人，
往往都不會用，所以在某種優越感之下，就完全不討論怎樣做才
是真的好用，而一面倒地教別人要這麼做，甚或嘲笑別人沒水準
沒知識。從十幾年前到現在，網路上的討論區，都是這個樣子。

實際上，明明就有更方便的做法，雖然很沒效率，然而不是每個
時候都是效率第一的，何況實測上速度也未必比較慢。

簡單來說，就是正視源碼文件的結構。

基本上，現代的程式語言，大約就是由以下的結構：

(以 C 為例)

1. break      : ;
2. quote      : "..." '...'
3. block      : { ... } ( ... ) [ ... ]
4. remark     : /* ... */
5. notice     : // ... \n, # ... \n
6. keyword    : if, else, int, ...
7. identifier : [a-zA-Z_][0-9a-zA-Z_]*
8. operator   : +-*/= ...

於是，只要照著分析即可，其中最重要的就是 block 的處理，例如
這樣的源碼：

#include <stdio.h>

int main() {

  printf("Hello, world!\n");
  return 0;

}

得到的結果應該是這樣：

(notice,     "#include <stdio.h>")
(keyword,    "int")
(identifier, "main")
(block,      "()")
(block,      "{\n\n  printf(\"Hello, world!\n\");\nreturn0;\n\n}")

如果還需要再分析 main() 的 code, 就會得到：

(identifier, "printf")
(block,      "(\"Hello, world!\n\")")
(break,      ";")
(keyword,    "return")
(value,      "0")
(break,      ";")

另一種做法是這樣：

// block_1: {}
// block_2: ()
// quote_1: ""

block[0] = {
 {notice,     "#include <stdio.h>"},
 {keyword,    "int"},
 {identifier, "main"},
 {block_2,    ""},
 {block_1,    1}              // reference to block[1]
};

block[1] = {
 {text,       "printf"},      // not analysis yet
 {block_2,    2}              // reference to block[2]
 {text,       ";\nreturn 0;"} // not analysis yet
};

block[2] = {
 {quote_1,    "Hello, world!\n"}
};

因為要得到 block, 就需要檢查其中的 sub-block 和 quote,
不想重複檢查的話，則可以記錄下來。當然這可以設成參數，
看是要記錄多少層次的 block.

無論如何，第一層分析就可以得到 global 的資料，如果想要
列出全部的函數定義，就只要尋找 (keyword, [keyword...,]
identifier, block, block) 序列即可。

如果要更仔細的話, keyword, operator 或其他東西，都還可以
再分類。

總之，順著源碼的結構來讀取資料，無論如何都比起用 token
一個一個來處理方便許多，一個 block 就可以跨過中間的許多
枝枝節節，而讓我們直接處理同一層級的資料。

這只需要寫出一個通用模組，往後就很方便了。

也就是說，不要把源碼分析當做是一個特別的東西，非得利用
lex 不可，該怎麼寫程式就怎麼寫程式。


--
※ 發信站: 批踢踢實業坊(ptt.cc) 
◆ From: 61.222.173.26
→ maxisam:不知道版主是在業界還是學術界