手把手教你写一个 AST 抽象语法树

次浏览

次

2023-9-25

编辑推荐:

本文主要阐述 AST 解析器的实现方法和主要细节。希望能为大家提供一些参考或帮助。
文章来自于CSDN，由火龙果Linda编辑推荐。

如何解析成 AST ？

我们知道 HTML 源码只是一个文本数据，尽管它里面包含复杂的含义和嵌套节点逻辑，但是对于浏览器，Babel 或者 Vue 来说，输入的就是一个长字符串，显然，纯粹的一个字符串是表示不出来啥含义，那么就需要转换成结构化的数据，能够清晰的表达每一节点是干嘛的。字符串的处理，自然而然就是强大的正则表达式了。

本文阐述 AST 解析器的实现方法和主要细节，简单易懂~~~~~~~~，总共解析器代码不过百行！

目标

本次目标，一步一步将如下 HTML 结构文档转换成 AST 抽象语法树


<div class="classAttr" data-type="dataType" data-id="dataId" >我是外层div	
    <span>我是内层span</span>	
</div>

结构比较简单，外层一个 div,内层嵌套一个 span，外层有 class,data，stye 等属性。


{	
    "node": "root",	
    "child": [{	
        "node": "element",	
        "tag": "div",	
        "class": "classAttr",	
        "dataset": {	
            "type": "dataType",	
            "id": "dataId"	
        },	
        "attrs": [{	
            "name": "style",	
            "value": "color:red"	
        }],	
        "child": [{	
            "node": "text",	
            "text": "我是外层div"	
        }, {	
            "node": "element",	
            "tag": "span",	
            "dataset": {},	
            "attrs": [],	
            "child": [{	
                "node": "text",	
                "text": "我是内层span"	
            }]	
        }]	
    }]	
}

不难发现，外层是根节点，然后内层用 child 一层一层标记子节点，有 attr 标记节点的属性，classStr 来标记 class 属性，data 来标记 data- 属性，type 来标记节点类型，比如自定义的 data-type="title" 等。

回顾正则表达式

先来看几组简单的正则表达式：

^ 匹配一个输入或一行的开头，/^a/匹配"ab"，而不匹配"ba"

匹配一个输入或一行的结尾，/匹配"ba"，而不匹配"ab"

匹配前面元字符 0 次或多次，/ab*/将匹配 a,ab,abb,abbb

匹配前面元字符 1 次或多次，/ab+/将匹配 ab,abb,但是不匹配 a

[ab] 字符集匹配，匹配这个集合中的任一一个字符(或元字符)，/[ab]/将匹配 a,b,ab

\w 组成单词匹配，匹配字母，数字，下划线，等于[a-zA-Z0-9]

匹配标签元素

首先我们将如下的 HTML 字符串用正则表达式表示出来：

<div>我是一个div</div>

这个字符串用正则描述大致如下：

以 < 开头跟着 div 字符，然后接着 > ，然后是中文 “我是一个 div”，再跟着 </ ，然后继续是元素 div 最后已 > 结尾。

div 是 HTML 的标签，我们知道 HTML 标签是已字母和下划线开头，包含字母、数字、下滑线、中划线、点号组成的，对应正则如下：

const ncname = '[a-zA-Z_][\w-.]*'

于是组合的正则表达式如下：

`<${ncname}>`

根据上面分析，很容易得出正则表达式为下：

`<${ncname}></${ncname}>`

我是一个div

标签内可以是任意字符，那么任意字符如何描述呢？

`<${ncname}>[\s\S]*</${ncname}>`

匹配标签属性

HTML 标签上的属性名称有哪些呢，常见的有 class,id,style,data-属性，当然也可以用户随便定义。但是属性名称我们也需要遵循原则，通常是用字母、下划线、冒号开头(Vue 的绑定属性用:开头，通常我们不会这么定义)的，然后包含字母数字下划线中划线冒号和点的。正则描述如下：

const attrKey = /[a-zA-Z_:][-a-zA-Z0-9_:.]*/

HTML 的属性的写法目前有以下几种：

class="title"

class='title'

class=title

const attr = /([a-zA-Z_:][-a-zA-Z0-9_:.]*)=("([^"]*)"|'([^']*)'|([^\s"'=<>`]+)/

attrKey 跟着 = ，然后跟着三种情况:

” 开头跟着多个不是 " 的字符，然后跟着 ” 结尾

' 开头跟着多个不是 ‘ 的字符，然后跟着 ' 结尾

不是（空格，”，’,=,<,>）的多个字符

我们测试一下 attr 的正则


"class=abc".match(attr);	
// output	
(6) ["class=abc", "class", "abc", undefined, undefined, "abc", index:
0, input: "class=abc", groups: undefined] 
	
"class='abc'".match(attr);	
// output	
(6) ["class='abc'", "class", "'abc'", undefined, "abc", undefined, 
index: 0, input: "class='abc'", groups: undefined]

我们发现，第二个带单引号的，匹配的结果是"‘abc’"，多了一个单引号‘，因此我们需要用到正则里面的非匹配获取（?:）了。

"abcde".match(/a(?:b)c(.*)/);   输出 ["abcde", "de", index: 0, input: "abcde"]

这里匹配到了 b，但是在 output 的结果里面并没有 b 字符。

const attr = /([a-zA-Z_:][-a-zA-Z0-9_:.]*)\s*=\s*(?:"([^"]*)"|'([^']*)'|([^\s"'=<>`]+))/

= 两边可以增加零或多个空格，= 号右边的匹配括号使用非匹配获取，那么类似 = 号右侧的最外层大括号的获取匹配失效，而内层的括号获取匹配的是在双引号和单引号里面。效果如下：

从图中我们清晰看到，匹配的结果的数组的第二位是属性名称，第三位如果有值就是双引号的，第四位如果有值就是单引号的，第五位如果有值就是没有引号的。

匹配节点

有了上面的标签匹配和属性匹配之后，那么将两者合起来就是如下：

/<[a-zA-Z_][\w\-\.]*(?:\s+([a-zA-Z_:][-a-zA-Z0-9_:.]*)\s*=\s*(?:"([^"]*)"|'([^']*)'|([^\s"'=<>`]+)))*>[\s\S]*<\/[a-zA-Z_][\w\-\.]*>/

上述正则完整描述了一个节点，理解了签名的描述，现在看起来是不是很简答啦~

AST 解析实战

有了前面的 HTML 节点的正则表达式的基础，我们现在开始解析上面的节点元素。

标签的起始

标签内的内容

标签的结束

于是将上述正则拆分：


const DOM = /<[a-zA-Z_][\w\-\.]*(?:\s+([a-zA-Z_:][-a-zA-Z0-9_:.]*)
\s*=\s*(?:"([^"]*)"|'([^']*)'|([^\s"'=<>`]+)))*>[\s\S]*<\/[a-zA-Z_][\w\-\.]*>/;	
// 增加()分组输出	
const startTag = /<([a-zA-Z_][\w\-\.]*)((?:\s+([a-zA-Z_:][-a-zA-Z0-9_:.]
 *)\s*=\s*(?:"([^"]*)"|'([^']*)'|([^\s"'=<>`]+)))*)\s*(\/?)>/;	
	
const endTag = /<\/([a-zA-Z_][\w\-\.]*)>/;	
 
	
const attr = /([a-zA-Z_:][-a-zA-Z0-9_:.]*)\s*=\s*(?:"([^"]*)"|'([^']*)'|([^\s"'=<>`]+))/g	
 
	
// 其他的就是标签里面的内容了

不难发现，标签已 < 开头，为标签起始标识位置，已 </ 开头的为标签结束标识位置。

let html = '<div class="classAttr" data-type="dataType" data-id="dataId" >我是外层div<span>我是内层span</span></div>';

我们开始一段一段处理上面的 html 字符串吧~


const bufArray = [];	
const results = {	
    node: 'root',	
    child: [],	
};	
let chars;	
let match;	
while (html&&last!=html){	
    last = html;	
    chars = true;// 是不是文本内容	
    // do something parse html	
}

bufArray: 用了存储未匹配完成的起始标签

首先判断是否是 </ 开头，如果是则说明是标签结尾标识


if(html.indexOf("</")==0){	
    match = html.match(endTag);	
    if(match){	
        chars = false;	
        html = html.substring(match[0].length);	
        match[0].replace(endTag, parseEndTag);	
    }	
}

已 </ 开头，且能匹配上实时截止标签的正则，则该 html 字符串内容要向后移动匹配到的长度，继续匹配剩下的。

如果不是已 </ 开头的，则判断是否是 < 开头的，如果是说明是标签起始标识，同理，需要 substring 来剔除已经处理过的字符。


else if(html.indexOf("<")==0){	
    match = html.match(startTag);	
    if(match){	
        chars = false;	
        html = html.substring(match[0].length);	
        match[0].replace(startTag, parseStartTag);	
    }	
}

如果既不是起始标签，也不是截止标签，或者是不符合起始和截止标签的正则，我们统一当文本内容处理。


if(chars){	
    let index = html.indexOf('<');	
    let text;	
    if(index < 0){	
        text = html;	
        html = '';	
    }else{	
        text = html.substring(0,index);	
        html = html.substring(index);;	
    }	
    const node = {	
        node: 'text',	
        text,	
    };	
    pushChild(node);	
}

如果是文本节点，我们则加入文本节点到目标 AST 上，我们着手 pushChild 方法，bufArray 是匹配起始和截止标签的临时数组，存放还没有找到截止标签的起始标签内容。


function pushChild (node) {	
    if (bufArray.length === 0) {	
        results.child.push(node);	
    } else {	
        const parent = bufArray[bufArray.length - 1];	
        if (typeof parent.child == 'undefined') {	
            parent.child = [];	
        }	
        parent.child.push(node);	
    }	
}

如果没有 bufArray ，说明当前 Node 是一个新 Node，不是上一个节点的嵌套子节点，则新 push 一个节点；否则取最后一个 bufArray 的值，也就是最近的一个未匹配标签起始节点，将当前节点当做为最近节点的子节点。

<div><div></div></div>

显然，第一个 </div> 截止节点，匹配这里的第二个起始节点

，即最后一个未匹配的节点。

在每一轮循环中，如果是符合预期，HTML 字符串会越来越少，直到被处理完成。

接下来我们来处理 parseStartTag 方法，也是稍微复杂一点的方法。


function parseStartTag (tag, tagName, rest) {	
    tagName = tagName.toLowerCase();	
 
	
    const ds = {};	
    const attrs = [];	
    let unary = !!arguments[7];	
 
	
    const node = {	
        node: 'element',	
        tag:tagName	
    };	
    rest.replace(attr, function (match, name) {	
        const value = arguments[2] ? arguments[2] :	
            arguments[3] ? arguments[3] :	
                arguments[4] ? arguments[4] :'';	
        if(name&&name.indexOf('data-')==0){	
            ds[name.replace('data-',"")] = value;	
        }else{	
            if(name=='class'){	
                node.class = value;	
            }else{	
                attrs.push({	
                    name,	
                    value	
                });	
            }	
        }	
    });	
    node.dataset = ds;	
    node.attrs = attrs;	
    if (!unary){	
         bufArray.push(node);	
    }else{	
        pushChild(node);	
    }	
}

遇到起始标签，如果该起始标签不是一个结束标签(unary 为 true，如：,如果本身是截止标签，那么直接处理完即可)，则将起始标签入栈，等待找到下一个匹配的截止标签。

我们接下来看下处理截止标签


function parseEndTag (tag, tagName) {	
    let pos = 0;	
    for (pos = bufArray.length - 1; pos >= 0; pos--){	
        if (bufArray[pos].tag == tagName){	
            break;	
        }	
    }	
    if (pos >= 0) {	
        pushChild(bufArray.pop());	
    }	
}

记录还未匹配到的起始标签的 bufArray 数组，从最后的数组位置开始查找，找到最近匹配的标签。

<div class="One"><div class="Two"></div></div>

class One 的标签先入栈，class Two 的再入栈，然后遇到第一个</div>，匹配的则是 class Two 的起始标签，然后再匹配的是 class One 的起始标签。

到此，一个简单的 AST 解析器已经完成了。

次浏览