恕我简陋,恕我臃肿

好吧，我承认为了赶赶时髦，做了点自讨苦吃的东西，现在还只做了一半。先记下吧，怕有些东东搞忘了。

很惭愧，正则一直以来都是我的痛处，于是也想借着这个机会顺便练习下自己的正则，可惜做着做着我发现，潜意识里我为了逃避正则，最后却放弃了一心想提升的正则，把这些匹配做成了状态机...用了beautity.js的方式...

token的判断由正则演变成了模式匹配，好吧，我承认我错了。

this .whitespace = ' \n\r\t ' .split( '' );

            this.wordchar        ='abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789_$'.split('');
            this.numbers         ='0123456789'.split('');
            this.operator        ='+ - * % & ++ -- = += -= *= /= %= == === != !== > < >= <= >> << >>> >>>= >>= <<= && &= | || ! !! , : ? ^ ^= |= ::'.split('');
            this.lineKeywords    ='continue,try,throw,return,var,if,switch,case,default,for,while,break,function'.split(',');

   我用的思路简单，基本一两句话就能说通，对你的source code一个字节一个字节进行轮询，以查询到的字符作为token的结果的开始，向后继续查找符合同一token规则的字符，直到不满足当前token规则，查询结束，期间轮询到字符加成字符串，就是符合当前token的一个word。
   比如，简单的，我要找符合js语法规则的字符串，比如变量名，函数名，以及一些的其他的字段，暂且定这种规则为'TK_WORD'，即普通word的token，它对应的字符集在上面的wordchar里面，那么轮询开始后，假如找到字符在对应wordchar字符集里面，那么"TK_WORD"token就起作用了，以此为基点向后继续查找所有满足wordchar字符，直到规则不满足而跳出，中间查询出来的连续字符串就成了符合这个‘TK_WORD’的一个word。
   于是，一个word与token的对应关系就建立起来了，其后根据js语法规则定义出所有token，然后把你整个source code过一遍，每个token对应的word都找出来。
   必然的，这些都不是最重要的，一个重头戏是有关于正则和除法的纠结不清的关系。

   【正则&除法，夫妻相随】
   通常情况下，其他情况其实都还好处理，比如标识符IDENTIFIER，字符串STRING,小括号，中括号表达式EXPRESSION，大括号BRACE，其他的运算符OPERATOR，等等，基本都是同一个思路出来的。
   可是一旦遇上'/'，似乎突然就麻烦了很多。

{
有可能是除法，没错...
也有可能是 //... 行内注释
也可能是 /* ... */ 多行注释
也可能是 /reg/ig 正则
}

恩恩，注释其实还好，它有最高优先级，只要注释符不出现在字符串中，一旦发现 // 或者 /* 开始，就进入注释状态，顶多在注释里加上行内或者多行的判断。

那么，正则和除法该怎么区分呢？光是token的确是不够的，我同意winter和hax的观点。如果只通过token对当前的单字分析是无法得出正确结果的。比如

function a() {

}
/ a / g //正则

或者：

var g = 2 ;
+ function a() {

}
/ a / g

这又是除法，可能在实际的代码中不太可能有这种情况的代码片段，可是这在syntax中是能通过的，不能弃它不顾。

Army说在实际使用中，在假设输入代码正确的情况下，可以“投机取巧”，他的意思是：看在斜线符号之前的“东西”到底是什么——当然，空白符是不算在内的，因此循环体内首先要做的就是忽略空白。假如前面是标识符的组成或者右括号的话，那么显然它是个被除数，斜线也应该被解读为除号；而如果是其它情况的话，斜线则是正则表达式的开头。

   这是建立在大多数情况下：成为被除数的可能是以下3种：数字、变量、括号内的运算结果。
   仍然有很多例外的情况，比如上面的代码片段，仅从局部词法来看，那么，前面为‘}’ 也可能是除法...
   由于js语言自动装箱的特殊性，推而广之，']'后面的也会是除法，比如：[12]/2/1 ,这个运算结果是6，数组隐式装箱toString后运算。

请把console打开，运行下面的东东：

另外，一个关键点在于正则除以正则，这在词法中是完全通过的。比如下面的情况：

不仔细看上面的式子的话，可能有点乱，正则和除法和注释交错在一起。看console应该会明了一点。

【关于hax和winter的测试用例】
hax对一些常见的需要考虑的又有些困难的情况做过简单的总结。可以参考他很久前的两篇博客http://hax.javaeye.com/blog/181358 和 http://hax.javaeye.com/blog/183575

如他所说，如果要进行JS代码的parse、transform、预处理、代码生成甚或compile等等，就需要考虑到JS的语法。以下是个很不完整的代码片段，parser、lint、preprocessor、transformer等等都需要能正确处理它，才具有实用价值。
同时也提供了一个包含了多行注释、单行注释、字符串、多行字符串（非ES3标准，但各种引擎都支持）、转义字符等等的例子-->如下：

此外，如上所说，出现‘/’的地方到底是除法还是正则的开始，是要在具体语境中才能看出来的，即（syntactic grammar contexts）
仅仅依靠syntax是不行的。

最后的/b/g 既没有被注释，也不是正则，其实应该回溯到之前的代码，忽略掉空白和注释之后其实应该是个换行除法（a/b/g）具体解析情况可以运行后看console...
我现在也只是处理了回溯一级的注释，如果有多段注释夹杂在换行除法中，目前没在考虑范围中...

winter前段时间也有个轻量级的js词法高亮的东东，他有个测试用例，我这里也贴一下：

if(true)var a=/ /
try{}finally{}/2/g
function a() {
}
/a/g
+function a() {
}
/a/g
function f() {
return
{
}/2/g;
}
var g = {},a= [1]/2/g;
var a= ++ /2/g.c;
a = 1
var a= a++
/2/g;
var a= a++/2/g;
// test 1
function myfun(id) {
/* this is mutilcomments "string" keyword: function */
var str = "this is a string, /*fasasdf*/ //fdsasdf /^reg/";
var reg = /^fdadfasdf$/ig;
return "myvalue"; // hahah
}
//test 2
var str = "";
if(str.match(/(?:(?:[!=(,:]|\[|\n)[ \t]*\/$)|^\n?[\t ]*\/$/)){}
//test 3
a = 1
b = 2
g = {test:function(){return 1}}
c = a//
/*
*/
/b/g.test();
//alert(c);
// test 4
function t4(test) {
return (test/*
/* //
' "
{ ;
\*/ && // /* // " ' { ; \
test &&
" /* // \
\" ' \
{ ;" &&
' /* // \
" \' \
{ ;' &&
test);
}
// test 5
var rexT5 = /[/][+]([\S\s]*?)(?:[+][/]|$)|[/][/](.*)|"((?:\\"|[^"])*)"|'((?:\\'|[^'])*)'/g; //正则
var nu = 1/2/3 //这是除法
var str = "123//456".replace(/[/]/g,'')+1/2/3; //comment
var o=[/re/,(/re/),typeof /re/,function(){return /re/},'o' in /re/,1 / /re/,!/re/];
var $do='>'
aaa=12;
x='333'
/aaa/ˆ
//alert(x)
aaa++/aaa/㒄
aaa---/aaa/
'\'///*'
~/ssss[////]/
㒄/**/
/3/…
㒄/**/
/3/†
a=//hhhhh
/3/
with({alert:function(){}}) {
//以下/yyy/为正则，其他皆为/号
//1.花括号}开始
alert(function(){}
/2/‡)
//2.数字开始
alert(10
/2/‡)
//3.字符串开始
alert('10'
/2/‡)
//4.字符串开始
alert('aaa'
/2/‡)
//5.变量开始
var xxx=123;//任意变量
alert(xxx
/2/‡)
//6.正则开始
alert(
/yyy/
/2/‡)
//8.括号)开始
alert((xxx)
/2/‡)
//9.方括号]开始
alert([123]
/2/‡)
}

看结果应该看得出来，还有纰漏，
1.在于现在对于出现'/'回溯的情况是:在忽略whitespace后，‘/’的前一个word如果是')'，那么都会把这个 '/'当做除号。但是还有例外的情况没有考虑，比如： if (true)/reg/.test('abc') 这样的式子。因为 if条件句的缘故，回溯到的“）”就不是“被除数”了。所以在这种情况下，这应该是正则。

2.还有一个，‘/’回溯时，如果是‘}’，目前并没做特别处理，事实上是需要的，正如本文最开始举得例子一样，如果是类似于 void function(){}/a 或 +function(){}/a 或 -function(){}/a 等等function自运算的情况，同样应该把这个'/'考虑成除号。这也是目前还没做的。

要处理的东西实在很多，心里猫抓一样.... 高亮和格式化的话，可能的确得等等了...
这是到现阶段的代码：基本没用正则，稍显臃肿，在功能都没做好之前，更是没心情考虑所谓的效率了....

秒客网

恕我简陋,恕我臃肿

相关文章