【ANTLR学习笔记】2：基本工作流程和歧义处理方法

1 解析的整体流程

首先是词法分析器处理字符序列（对应CharStream类），生成Token流（对应TokenStream类，这是连接词法分析和语法分析过程的桥梁）传给语法分析器，语法分析器再用它检查语法正确性，然后解析得到语法树（叶子结点对应TerminalNode类，非叶子结点对应RuleNode类）。

在词法分析之后，不仅要标记一个个Token，还需要记录这些Token对应的具体内容（比如知道是一个变量，也要记录变量名是什么）。ANTLR的做法是不去记录这个字符串，而是像上图一样，首先为字符流记录一个个位置号，然后在TokenStream里记录这个Token对应的字符开始和结束的索引。

在生成的语法树中，叶子结点TerminalNode就是要记录这些Token的具体值（的起止索引）了，而对于非叶子结点RuleNode，则会根据不同的语法规则生成不同的子类，即上篇说到的形如*Context的类，*处是.g4文件中语法规则的名字首字母大写。

例如，下图是上面的赋值语句解析出的语法分析树上各个结点的类。根节点是stat语法规则（表示语句）生成的StatContxt类，它的子结点是assign语法规则（表示赋值）生成的AssignContext类，它的四个孩子对应了assign所匹配的四个词法符号：
$assign \ : \ ID \ \ \ = \ \ \ expr \ \ \ ;$

对于标识符ID和具体符号=和;都无法继续展开，因此会作为树的叶子，并使用TerminalNode记录。表达式expr可以再展开，在这里为了解析100，它选择了其中一个与之匹配的分支（整形数值），因此它生成唯一孩子TerminalNode记录这个100。

这些生成的*Context类（作为生成的语法Parser的静态内部类）可以访问它所对应的词组中的所有元素（图中它的子树）。例如，上图的AssignContext类就可以通过ID()方法访问标识符子结点（返回值是TerminalNode类型），通过expr()方法访问表达式子树（返回值是ExprContext类型）。

2 语法分析器的工作过程

ANTLR根据给出的语法规则，生成一个递归下降的语法分析器，当待解析的语法规则有多条分支时，语法分析器会去前瞻词法符号（不必是LL(1)，可以前瞻若干个词法符号），这个过程和手写的Parser是类似的，对于：

stat: assign
	|	ifstat
	|	whilestat
	...
	;

这表示语句（stat）可以是赋值语句（assign），可以是IF语句（ifstat），可以是WHILE语句（whilestat）或者其它语句。仅就这三条而言，它们的第一个词法符号分别是标识符、IF关键字、WHILE关键字，因此可以前瞻一个词法符号解决，解析stat的逻辑是：

void stat() {
	switch(/*当前输入的词法符号*/) {
		case ID : assign(); break;
		case IF : ifstat(); break;
		case WHILE : whilestat(); break;
		...
		default: /*全都匹配不上，抛出异常*/
	}
}

3 歧义处理方法

如果可以通过多条分支解析输入的文本，那么就说明输入文本是有歧义的，可以有多种语义去解释。用户提供的.g4文件中不论是Token的匹配还是语法的描述都可能存在歧义。

3.1 语法描述上的歧义

例如：

stat : expr ';'			// 表达式语句
	| ID '(' ')' ';'	// 函数调用语句
	;
expr : ID '(' ')'
	| INT
	;

对于输入f();，可以走stat的第一条分支，将f()当作一个表达式expr来解析，此时f();被认为是一个表达式语句。也可以走stat的第二条分支，此时f();被认为是一个函数调用语句，其中标识符f被视为函数名。

ANTLR解决语法歧义的方法是，匹配所有可匹配分支的第一条。因此对于刚刚的例子，会将f();作为表达式解析。

3.2 Token匹配时的歧义

最常见的是语法关键字和标识符之间的歧义，例如：

BEGIN : 'begin';
ID : [a-z]+;

这表示BEGIN关键字匹配begin序列，标识符匹配一个至多个小写字母序列。ANTLR解决Token歧义的方法是，匹配定义最靠前的语法规则。利用这一点可以自然的保证begin不能作为标识符的问题，因为BEGIN的声明就在ID的前面。

词法分析器在匹配Token时是贪婪模式的，即会尽可能匹配一个最长的字符串来生成Token，因此beginner会匹配为ID，而不是BEGIN后面接名为ner的标识符。

3.3 语言语法本身的歧义

这里书中举了两个例子。其一是表达式优先级的歧义，如
$1+2*3$

在Smalltalk里就是自左向右处理（因此计算出来是9），在其它语言里*优先级高于+（因此计算出来是7）。因此如何隐式指定表达式运算符优先级是一个问题。

另一种是C语言里的，如i*j;中*是乘号还是指针符号，取决于i的Token是一个表达式还是一个类型（比如int*j;就是定义指针变量，8*j;则是一个表达式语句）。也就是说这类歧义要通过检查上下文信息解决。