本文介紹伴魚內部服務報警平臺中匹配器模塊的演進,及其利用 Lex 和 Yacc 同類工具構建 DSL 編譯器的過程。
背景
報警平臺是伴魚內部各端、應用、基礎設施等服務異常狀態信息的集散中心。整體流程如下圖所示:
信息源將信息投遞給報警平臺,後者將這些信息最終通過郵件、即時消息、電話呼叫的形式路由給理應關心它的人。總體而言,路由的需求可以分爲以下幾種:
- 路由給服務的負責人及其團隊
- 路由給服務依賴方人員及其團隊
- 路由給所有值班人員所在的即時消息羣
爲了滿足這樣的需求,報警平臺採用樹狀結構組織路由信息,如下圖所示:
每個節點是一個路由節點,節點上可以掛載不同的規則,如抑制規則、通知規則;也可以存放不同的配置信息,如觸發報警的閾值,以及相關負責人及其團隊的聯繫方式。
根路由是所有異常信息的必經之路,經過這裏的信息會路由給所有值班人員;一級子路由節點是所有的服務,經過這裏的信息會路由給該服務的負責人及其團隊;如果有其它團隊想要訂閱某服務的異常消息,如 Service A 團隊想要了解 Service B 的崩潰 (panic) 信息,則可以在 Service B 節點下創建子路由 Service B Panic,並在上面配置 Service A 團隊的聯繫方式,從而達到訂閱目的。
那麼如何判斷一條報警信息將經過哪些路由節點,一條規則是否起作用?這就需要引入本文的主角:匹配器 (matcher),每個路由、每條規則上都會掛載一個匹配器,當它成功匹配到報警信息時,路由和規則就會生效。一條典型的報警信息會有許多信息,我們不妨將它看作是任意數量的鍵值對,如:
{
"title": "Web 服務 ServiceB 崩潰報警",
"source": "192.168.0.1",
"error_type": "panic",
"project_name": "ServiceB",
"project_source": "web",
"details": "(call stack)",
//...
}
我們可以試着寫出路由節點 ServiceB 及 Service B Panic 的匹配器:
- ServiceB:project_source 爲 web 且 project_name 爲 ServiceB
- Service B Panic:project_source 爲 web,且 project_name 爲 Service B,且 error_type 爲 panic
報警平臺的用戶需要親自配置部分路由和規則,能否定製一套簡單、易上手的 DSL?如:
project_source = "web" AND project_name = "ServiceB"
這樣即使用戶不是工程師,看過幾個例子後也能熟練地書寫匹配表達式。
匹配表達式定義
匹配器表達式由原始表達式和複合表達式構成。原始表達式是最小的匹配器,有完全匹配和正則匹配兩種:
# 完全匹配
project_source = "web"
# 正則匹配
details =~ "duplicate key when insert"
原始表達式的左手邊是報警信息的標籤,不帶雙引號;原始表達式的右手邊是匹配文本,帶雙引號。不同的原始表達式可通過二元關係運算,AND (且) 和 OR (或) ,組合成複合表達式如:
project_source = "web" AND project_name = "ServiceB" OR "error_type" = "panic"
類似於乘除之於加減,AND 的優先級大於 OR,如果要改變優先級,可通過增加括號來實現,如:
project_source = "web" AND (project_name = "ServiceB" OR "error_type" = "panic")
編譯過程
一個完整的編譯過程大致分三階段:
- 前端:驗證源碼的語法和語義,並解析成中間表述 (Immediate Representation, IR)
- 中端:針對 IR 作一些與目標 CPU 架構無關的優化
- 後端:針對目標 CPU 架構優化並生成可執行的機器指令
我們也可以將匹配器表達式理解成一門語言,但我們只需要將它轉化成合理的內存數據結構即可,因此這裏只涉及到完整編譯過程的前端:
- 詞法分析 (Lexical Analysis):將完整的語句拆成詞語和標點符號
- 語法分析 (Syntax Analysis):根據語法規範,將詞語和標點符合組合成抽象語法樹 (AST)
- 語義分析 (Semantic Analysis):向語法樹中添加語義信息,完成校驗變量類型等各種語義檢查
- 生成中間表述 (IR Generation):轉化成合理的內存數據結構
以下就是匹配表達式的 IR:
type PrimitiveMatcher struct {
Label string
Text string
IsRegexp bool
re *regexp.Regexp
}
type Matcher struct {
PrimitiveMatcher *PrimitiveMatcher
IsCompound bool
Operator MatcherOperator
Operands []*Matcher
}
其中 Matcher 既可以是原始匹配器 (表達式) 也可以是複合匹配器 (表達式)。
下面分別介紹報警平臺匹配器編譯器的兩個版本實現,Matcher Compiler V1 (MCV1) 和 Matcher Compiler V2 (MCV2)。
Matcher Compiler V1
在實現 MCV1 時我們並未從編譯的角度看待這個模塊,而只是單純地想實現從表達式到 IR 的轉化。憑藉工程師的本能,MCV1 將編譯的前端處理過程分成 3 步:
err = m.parseToken()
if err != nil {
return
}
err = m.toElements()
if err != nil {
return
}
return m.buildMatcher()
parseToken
parseToken
將原始表達式轉化成一個詞語數組,是詞法分析的雛形,其整體過程如下:
for i, c := m.expr {
hasLeftDoubleQuote := false
switch c {
case '(':
//...
case ')':
//...
case '=':
//...
case '~'
//...
default:
//...
}
}
parseToken
需要許多狀態,如:
- 是否在括號內
- 是否在引號內
- 遇到
~
要考慮是否會和上一個字符共同組成=~
- …
由於狀態較多,要同時考慮各種狀態及其之間的轉化過程,使得 parseToken
足夠健壯,過程燒腦且容易出錯。
toElements
toElements
遍歷詞語數組,構建其中的原始表達式,可以看作理解成是語法分析和語義分析的一部分,其整體過程如下:
for i, word := range m.words {
switch strings.ToLower(word) {
case "=":
leftWord, rightWord, _ := m.tryFetchBothSideWord(i)
m.addElement(m.buildPrimitiveMatcher(leftWord, rightWord, false))
case "=~":
leftWord, rightWord, _ := m.tryFetchBothSideWord(i)
m.addElement(m.buildPrimitiveMatcher(leftWord, rightWord, true))
// deal with more cases
default:
// ...
}
這部分邏輯比較簡單,遇到 =
或者 =~
時看一下前後的詞語,看是否能構成原始表達式。
buildMatcher
buildMatcher
遍歷 elements 數組,構建最終的樹狀複合表達式,其實就是中綴表達式的計算過程,是棧的典型應用場景,利用操作符棧和操作數棧即可實現,其整體過程如下:
var (
valueStack Stack
opStack Stack
)
for i, element := range m.elements {
switch e := element; {
case e == "(":
opStack.Push("(")
case e == ")":
for op := opStack.Pop(); op != "(" {
rhs, lhs := valueStack.Pop(), valueStack.Pop()
// apply
}
// operators
case isOp(e):
currOp = e
for prevOp := opStack.Peek(); precedence[currOp] <= precedence[prevOp] {
opStack.Pop()
rhs, lhs := valueStack.Pop(), valueStack.Pop()
// apply prevOp
}
opStack.Push(currOp)
default:
valueStack.Push(e)
}
}
// deal with the rest valueStack and opStack
MCV1 小結
MCV1 是憑藉工程師本能構建的一個模塊,優勢就在於可以迅速地搭建原型,驗證想法。從代碼健壯性角度看, parseToken
的狀態管理比較脆弱;從可讀性角度看,無法從邏輯中直接看出其所支持的語法,爲後期維護造成障礙;從可擴展性角度看,buildMatcher
目前只支持中綴表達式,如果有語法變化將整體邏輯產生較大影響;從效率角度看,編譯一次表達式需要 3 次遍歷,如果將 toElements
與 buildMatcher
邏輯合併可以優化到 2 次。
Matcher Compiler V2
爲了解決上述問題,我們想到了 Lex 和 Yacc。Lex 是 lexical analyzer generator,能夠幫助我們生成詞法分析器 (lexical analyzer);Yacc 是 parser generator,能夠幫助我們生成解析器 (parser),完成語法分析。Lex 和 Yacc 是 Unix 系統的原生工具,Linux 與MacOS 平臺也都自帶這兩個工具。既然已經有前人爲我們栽樹,我們爲什麼不趁機乘涼?
Lex & Yacc
Lex 和 Yacc 的協作過程如下圖所示:
開發者將構詞規則和一些定製化邏輯 (C Code) 定義到 lex.l
文件中,利用 lex
命令生成詞法分析器;將語法規則和一些定製化邏輯定義到 parser.y
文件中,利用 yacc
命令生成解析器。詞法分析器的 yylex
方法將輸入文本轉化成 token,投餵給 yyparse
,後者根據語法和定製化邏輯將 token 流轉化成最終的目標數據結構,即 IR。
Example:Calculator
以一個支持加減運算的計算機爲例,先定義語法規則:
// parser.y
%token NUMBER
%%
// 括號中的 $$ 表示語法左手邊 (LHS) 的值
// 括號中的 $1、$2、$3 表示語法右手邊 (RHS) 的值
statement: expression { printf("= %d\n", $1); }
;
expression: NUMBER '+' NUMBER { $$ = $1 + $3; }
| NUMBER '-' NUMBER { $$ = $1 - $3; }
| NUMBER { $$ = $1; }
;
第一行的 token
定義語法中的數據類型,由於單個字符本身沒有歧義,在 Lex 和 Yacc 無需特別定義單字符 token,如 +
和 -
,因此在這裏我們只需要數字 NUMBER
。在第一個 %%
之後,定義了計算器的語法,含義非常直白,可讀性強。
然後再定義構詞規則:
// lex.l
%{
#include "y.tab.h"
extern int yylval;
%}
%%
[0-9]+ { yylval = atoi(yytext); return NUMBER; }
[ \t] ;
\n return 0;
. return yytext[0];
%%
在兩個 %%
中間的就是構詞規則:
- 符合正則表達式
[0-9]+
就是數字類型的詞語,其對應的值爲atoi(yytext)
- 符合正則表達式
[ \t]
的不處理,即忽略空格和製表符 - 符合正則表達式
\n
的返回 0,即用換行符標識文本結束位置 - 符合正則表達式
.
的返回文本本身,即所有非數字的字符直接返回,這裏實際上指的就是+
和-
。
接下來只需要用 lex
和 yacc
命令生成詞法分析器和解析器,然後運行即可:
# MacOS
$ lex lex.l
$ yacc -d parser.y
$ gcc y.tab.c lex.yy.c -ly -ll -o calculator
$ ./calculator
> 128 + 128
> = 256
對比分析
從代碼健壯性角度上看,lex
生成的詞法分析器已經經受時間的檢驗,開發者大可相信其代碼的健壯性;從可讀性角度看,構詞規則和語法規則定義簡短,通俗易懂;從可擴展性角度看,任何可以通過上下文無關文法 (context-free grammar) 表達的語法都能支持;從效率角度看,yylex
與 yyparse
可以流式地處理文本,yyparse
從 yylex
獲取詞語,即時地根據語法規則組合成 IR,這種做法使得編譯前端的工作只需要 1 次遍歷便可完成。但 lex
和 yacc
爲了支持更復雜的場景,其生成的代碼也會更復雜,這也是效率與通用性權衡的表現。
Nex & Goyacc
報警平臺使用 Go 語言編碼,直接使用 lex
和 yacc
需要引入 cgo
,這也使得二者的使用門檻變高。好在 Go 官方提供了 goyacc
,方便我們在 parser.y
中引入用 Go 語言編寫的定製化邏輯;斯坦福的一位博士 Ben Lynn 開源了它的 nex
項目,作爲用 Go 語言原生開發的詞法分析器生成器,能與 goyacc
兼容,形成類似 lex
和 yacc
一般的搭檔。接下來我們將利用 nex
和 goyacc
來實現匹配器編譯器。
與計算器的例子類似,我們先看語法規則中定義的數據類型:
%union{
str string
expr *MatchExpr
pexpr *PrimitiveExpr
}
%token LABEL VALUE
%token REG_EQ AND OR
%type <expr> expr
%type <pexpr> pexpr
%type <str> LABEL VALUE
%type <str> REG_EQ AND OR
其中,語法中的數據類型包括:
LABEL
:原子表達式的 LHSVALUE
:原子表達式的 RHSREG_EQ
、AND
、OR
分別爲正則匹配,且和或
此外我們還定義了原始表達式 pexpr
和複合表達式 expr
供定義語法規則時引用。由於語法中有多種關係運算符,它們的優先級不同,因此我們還需要定義運算符的優先級:
%left OR
%left AND
%left '(' ')'
left
表示先從運算符的 LHS 開始計算,三者的優先級關係是 OR < AND < '(' == ')'
,非常直觀。最後進入我們的語法規則:
// 匹配器表達式可以是空字符串,也可以是一個合法的表達式
matcher:
{ setResult(yylex, &Matcher{}) }
| expr
{ setResult(yylex, $1) }
// 表達式可能以下之一:
// 複合表達式:expr AND expr
// 複合表達式:expr OR expr
// 原始表達式:pexpr
// 括號表達式:(expr)
expr: expr AND expr
{ $$ = &Matcher{IsCompound: true, Operator:$2, Operands:[]*Matcher{$1,$3}} }
| expr OR expr
{ $$ = &Matcher{IsCompound: true, Operator:$2, Operands:[]*Matcher{$1,$3}} }
| pexpr
{ $$ = &Matcher{IsCompound: false, PrimitiveMatcher:$1} }
| '(' expr ')'
{ $$ = $2 }
// 原始表達式要麼是 LABEL = VALUE, 要麼是 LABEL =~ VALUE
pexpr: LABEL '=' VALUE
{ $$ = &PrimitiveMatcher{Label:$1, Text:$3, IsRegex: false} }
| LABEL REG_EQ VALUE
{ $$ = &PrimitiveMatcher{Label:$1, Text:$3, IsRegex: true} }
每條語法規則的含義已經標明在註釋中,在每條語法規則之後,是 Go 語言編碼的簡單邏輯,告訴解析器在不同情況下如何拼裝 IR。搞定語法後,我們就可以定義構詞規則:
/[aA][nN][dD]/ { lval.str = "AND"; return AND }
/[oO][rR]/ { lval.str = "OR"; return OR }
/=~/ { return REG_EQ }
/=/ { return int(yylex.Text()[0]) }
/\(/ { return int(yylex.Text()[0]) }
/\)/ { return int(yylex.Text()[0]) }
/[A-Za-z][A-Za-z0-9_]*/ { lval.str = yylex.Text(); return LABEL }
/".*"/ { lval.str = yylex.Text()[1:len(yylex.Text())-1]; return VALUE }
/[ \t\r\n]+/ { /* white spaces ignored */ }
//
package c
- 大小寫無關的字符串 “AND” 返回類型
AND
;“OR” 返回類型OR
- “=~”、"="、"("、")" 直接返回相應的數據類型
- 正則表達式
/[A-Za-z][A-Za-z0-9_]*/
匹配的是原始表達式中的LABEL
- 正則表達式
/".*"/
匹配的是原始表達式中的VALUE
- 正則表達式
/[ \t\r\n]+/
匹配的是空格字符,即忽略所有類型的空格
最後使用 nex
和 goyacc
就可以生成詞法分析器和解析器:
$ nex nex.l
$ goyacc -o parser.go parser.y
然後再把二者串起來即可:
// 忽略細節處理
func Compile(ctx context.Context, in io.Reader) (m *Matcher, err error) {
lr := NewLexer(in)
yyParse(lr)
if lr.parseResult == nil {
err = SyntaxError
return
}
m = lr.parseResult.(*Matcher)
return
}
Rob Pike Style Lexer
完成上面的工作,本可以告一段落,但有一個問題還困擾着我們:”爲什麼 Go 只推出了 yacc
的移植版本,而不順便推出 lex
的移植版本?“ 幾經周折找到了 Rob Pike 2011 年的一次演講: “Lexical Scanning in Go”。在演講中他認爲 ” lex
生成的代碼太多,過於複雜,用 Go 語言實現一個並非難事,且 Go 的 channel 能方便地實現 lex
和 yacc
的流水線協作。“ 儘管這種觀點也是在爲 Go 站臺,我們還是決定試一試他提出的 lexical scanning 方案。
詞法分析的過程,就是從輸入字符流起點掃描至終點的線性過程,在掃描期間,詞法分析器需要正確地判斷自己所處的狀態,以起點爲例,剛開始掃描,可能進入 LABEL
狀態,也可能進入 (
狀態:
labela = "a" AND (labelb = "b" OR labelc = "c")
↑
在LABEL中
(labela = "a") OR labelb = "b"
↑
在'('中
掃描完 VALUE
後,可能進入結束
狀態,也可能進入 )
狀態或 關係運算符
狀態:
labela = "a" AND (labelb = "b" OR labelc = "c")
↑
進入[關係運算符]狀態
(labela = "a")
↑
進入 ')' 狀態
labela = "a"
↑
進入[結束]狀態
不難看出,這實際上就是一個狀態機,詳細的狀態轉移過程如下圖所示:
# start: [開始]; leftParen: '('; label: [標籤]; eq: [匹配符]; value: [文本];
# rightParen: ')'; binaryOp: [關係運算符]; end: [結束]
+------------+
| rightParen | -------------+
+------------+ |
^ | |
| | |
+----------------------+ | ----------------+ |
| v | v |
| +-----------+ +-------+ +----+ +------------+ +-----+ |
| | start | --> | label | --> | eq | --> | value | --> | end | |
| +-----------+ +-------+ +----+ +------------+ +-----+ |
| | ^ | |
| | | | |
| v | v |
| +-----------+ | +------------+ |
+- | leftParen | +--------------------- | binaryOp | <------------+
+-----------+ +------------+
^ |
+------------------------------------------+
接下來就需要讓這個狀態機動起來:
type lexer struct {
name string // used only for error reports.
input string // the string being scanned.
start int // start position of this item.
pos int // current position in the input.
width int // width of last rune read from input.
items chan item // channel of scanned items.
}
// stateFn represents the state of the scanner
// as a function that returns the next state.
type stateFn func(*lexer) stateFn
func (l *lexer) run() {
for state := lexStart; state != nil; {
state = state(l)
}
close(l.items)
}
其中 stateFn
就是狀態轉移方程,約定當 stateFn == nil
時,狀態機停止,即 nil
就是結束狀態的轉移方程。接下來只需要定義各個狀態轉移方程即可:
func lexStart(l *lexer) stateFn {}
func lexLabel(l *lexer) stateFn {}
func lexLeftParen(l *lexer) stateFn {}
func lexRightParen(l *lexer) stateFn {}
func lexEq(l *lexer) stateFn {}
func lexValue(l *lexer) stateFn {}
func lexBinaryOp(l *lexer) stateFn {}
每當狀態即將轉移時,stateFn
內部就會將在本狀態中掃描到的詞語傳給 item channel
,這個 channel 就是 lexer 與 parser 之間通信的媒介。
值得一提的是,Go 的模板引擎 template,就是按照上述方式構建的,感興趣可以閱讀源碼。
參考文獻
- Compilers: Principles, Techniques, and Tools, the dragon book
- GeeksforGeeks: Expression Evaluation Problem
- Lex & Yacc, website, book
- Lexical Scanning in Go by Rob Pike, video, slides, go blog
- Go Template, source code