关于go:几百行代码实现一个-JSON-解析器

38次阅读

共计 5378 个字符,预计需要花费 14 分钟才能阅读完成。

前言

之前在写 gscript 时我就在想有没有利用编译原理实现一个更理论工具?毕竟真写一个语言的难度不低,并且也很难真的利用起来。

一次无意间看到有人提起 JSON 解析器,这类工具充斥着咱们的日常开发,使用十分宽泛。

以前我也有思考过它是如何实现的,过程中一旦和编译原理扯上关系就情不自禁的劝退了;但通过这段时间的实际我发现实现一个 JSON 解析器仿佛也不艰难,只是使用到了编译原理前端的局部常识就齐全足够了。

得益于 JSON 的轻量级,同时语法也很简略,所以外围代码大略只用了 800 行便实现了一个语法欠缺的 JSON 解析器。

<!–more–>

首先还是来看看成果:

import "github.com/crossoverJie/gjson"
func TestJson(t *testing.T) {
    str := `{
   "glossary": {
       "title": "example glossary",
        "age":1,
        "long":99.99,
        "GlossDiv": {
           "title": "S",
            "GlossList": {
               "GlossEntry": {
                   "ID": "SGML",
                    "SortAs": "SGML",
                    "GlossTerm": "Standard Generalized Markup Language",
                    "Acronym": "SGML",
                    "Abbrev": "ISO 8879:1986",
                    "GlossDef": {
                       "para": "A meta-markup language, used to create markup languages such as DocBook.",
                        "GlossSeeAlso": ["GML", "XML", true, null]
                   },
                    "GlossSee": "markup"
               }
           }
       }
   }
}`
    decode, err := gjson.Decode(str)
    assert.Nil(t, err)
    fmt.Println(decode)
    v := decode.(map[string]interface{})
    glossary := v["glossary"].(map[string]interface{})
    assert.Equal(t, glossary["title"], "example glossary")
    assert.Equal(t, glossary["age"], 1)
    assert.Equal(t, glossary["long"], 99.99)
    glossDiv := glossary["GlossDiv"].(map[string]interface{})
    assert.Equal(t, glossDiv["title"], "S")
    glossList := glossDiv["GlossList"].(map[string]interface{})
    glossEntry := glossList["GlossEntry"].(map[string]interface{})
    assert.Equal(t, glossEntry["ID"], "SGML")
    assert.Equal(t, glossEntry["SortAs"], "SGML")
    assert.Equal(t, glossEntry["GlossTerm"], "Standard Generalized Markup Language")
    assert.Equal(t, glossEntry["Acronym"], "SGML")
    assert.Equal(t, glossEntry["Abbrev"], "ISO 8879:1986")
    glossDef := glossEntry["GlossDef"].(map[string]interface{})
    assert.Equal(t, glossDef["para"], "A meta-markup language, used to create markup languages such as DocBook.")
    glossSeeAlso := glossDef["GlossSeeAlso"].(*[]interface{})
    assert.Equal(t, (*glossSeeAlso)[0], "GML")
    assert.Equal(t, (*glossSeeAlso)[1], "XML")
    assert.Equal(t, (*glossSeeAlso)[2], true)
    assert.Equal(t, (*glossSeeAlso)[3], "")
    assert.Equal(t, glossEntry["GlossSee"], "markup")
}

从这个用例中能够看到反对字符串、布尔值、浮点、整形、数组以及各种嵌套关系。

实现原理

这里简要阐明一下实现原理,实质上就是两步:

  1. 词法解析:依据原始输出的 JSON 字符串解析出 token,也就是相似于 "{" "obj" "age" "1" "[" "]" 这样的标识符,只是要给这类标识符分类。
  2. 依据生成的一组 token 汇合,以流的形式进行读取,最终能够生成图中的树状构造,也就是一个 JSONObject

上面来重点看看这两个步骤具体做了哪些事件。

词法剖析

BeginObject  {
String  "name"
SepColon  :
String  "cj"
SepComma  ,
String  "object"
SepColon  :
BeginObject  {
String  "age"
SepColon  :
Number  10
SepComma  ,
String  "sex"
SepColon  :
String  "girl"
EndObject  }
SepComma  ,
String  "list"
SepColon  :
BeginArray  [

其实词法解析就是构建一个无限自动机的过程(DFA),目标是能够生成这样的汇合(token), 只是咱们须要将这些 token 进行分类以便后续做语法分析的时候进行解决。

比方 "{" 这样的左花括号就是一个 BeginObject 代表一个对象申明的开始,而 "}" 则是 EndObject 代表一个对象的完结。

其中 "name" 这样的就被认为是 String 字符串,以此类推 "[" 代表 BeginArray

这里我一共定义以下几种 token 类型:

type Token string
const (
    Init        Token = "Init"
    BeginObject       = "BeginObject"
    EndObject         = "EndObject"
    BeginArray        = "BeginArray"
    EndArray          = "EndArray"
    Null              = "Null"
    Null1             = "Null1"
    Null2             = "Null2"
    Null3             = "Null3"
    Number            = "Number"
    Float             = "Float"
    BeginString       = "BeginString"
    EndString         = "EndString"
    String            = "String"
    True              = "True"
    True1             = "True1"
    True2             = "True2"
    True3             = "True3"
    False             = "False"
    False1            = "False1"
    False2            = "False2"
    False3            = "False3"
    False4            = "False4"
    // SepColon :
    SepColon = "SepColon"
    // SepComma ,
    SepComma = "SepComma"
    EndJson  = "EndJson"
)

其中能够看到 true/false/null 会有多个类型,这点先疏忽,后续会解释。

以这段 JSON 为例:{"age":1},它的状态扭转如下图:

总的来说就是顺次遍历字符串,而后更新一个全局状态,依据该状态的值进行不同的操作。

局部代码如下:

感兴趣的敌人能够跑跑单例 debug 一下就很容易了解:

https://github.com/crossoverJie/gjson/blob/main/token_test.go

以这段 JSON 为例:

func TestInitStatus(t *testing.T) {str := `{"name":"cj", "age":10}`
    tokenize, err := Tokenize(str)
    assert.Nil(t, err)
    for _, tokenType := range tokenize {fmt.Printf("%s  %s\n", tokenType.T, tokenType.Value)
    }
}

最终生成的 token 汇合如下:

BeginObject  {
String  "name"
SepColon  :
String  "cj"
SepComma  ,
String  "age"
SepColon  :
Number  10
EndObject  }

提前查看

因为 JSON 的语法简略,一些规定甚至在词法规定中就能校验。

举个例子:
JSON 中容许 null 值,当咱们字符串中存在 nu nul 这类不匹配 null 的值时,就能够提前抛出异样。

比方当检测到第一个字符串为 n 时,那后续的必须为 u->l->l 不然就抛出异样。

浮点数同理,当一个数值中存在多个 . 点时,仍然须要抛出异样。

这也是前文提到 true/false/null 这些类型须要有多个中间状态的起因。

生成 JSONObject 树

在探讨生成 JSONObject 树之前咱们先来看这么一个问题,给定一个括号汇合,判断是否非法。

  • [<()>] 这样是非法的。
  • [<()>) 而这样是不非法的。

如何实现呢?其实也很简略,只须要利用栈就能实现,如下图所示:

利用栈的个性,顺次遍历数据,遇到是右边的符号就入栈,当遇到是右符号时就与栈顶数据匹配,能匹配上就出栈。

当匹配不上时则阐明格局谬误,数据遍历结束后如果栈为空时阐明数据非法。

其实仔细观察 JSON 的语法也是相似的:

{
    "name": "cj",
    "object": {
        "age": 10,
        "sex": "girl"
    },
    "list": [
        {"1": "a"},
        {"2": "b"}
    ]
}

BeginObject:{EndObject:} 肯定是成对呈现的,两头如论怎么嵌套也是成对的。
而对于 "age":10 这样的数据,: 冒号后也得有数据进行匹配,不然就是非法格局。

所以基于方才的括号匹配原理,咱们也能用相似的办法来解析 token 汇合。

咱们也须要创立一个栈,当遇到 BeginObject 时就入栈一个 Map,当遇到一个 String 键时也将该值入栈。

当遇到 value 时,就将出栈一个 key, 同时将数据写入以后栈顶的 map 中。

当然在遍历 token 的过程中也须要一个全局状态,所以这里也是一个 无限状态机


举个例子:当咱们遍历到 Token 类型为 String,值为 "name" 时,预期下一个 token 该当是 : 冒号;

所以咱们得将以后的 status 记录为 StatusColon,一旦后续解析到 token 为 SepColon 时,就须要判断以后的 status 是否为 StatusColon,如果不是则阐明语法错误,就能够抛出异样。

同时值得注意的是这里的 status 其实是一个 汇合,因为下一个状态可能是多种状况。

{"e":[1,[2,3],{"d":{"f":"f"}}]}
比方当咱们解析到一个 SepColon 冒号时,后续的状态可能是 valueBeginObject {BeginArray [


因而这里就得把这三种状况都思考到,其余的以此类推。

具体解析过程能够参考源码:
https://github.com/crossoverJie/gjson/blob/main/parse.go


尽管是借助一个栈构造就能将 JSON 解析结束,不晓得大家发现一个问题没有:
这样非常容易脱漏规定,比方方才提到的一个冒号前面就有三种状况,而一个 BeginArray 后甚至有四种状况(StatusArrayValue, StatusBeginArray, StatusBeginObject, StatusEndArray

这样的代码读起来也不是很直观,同时容易脱漏语法,只能呈现问题再进行修复。

既然提到了问题那天然也有相应的解决方案,其实就是语法分析中常见的递归降落算法。


咱们只须要依据 JSON 的文法定义,递归的写出算法即可,这样代码浏览起来十分清晰,同时也不会脱漏规定。

残缺的 JSON 语法查看这里:
https://github.com/antlr/grammars-v4/blob/master/json/JSON.g4

我也预计将下个版本改为递归降落算法来实现。

总结

当目前为止其实只是实现了一个十分根底的 JSON 解析,也没有做性能优化,和官网的 JSON 包比照性能差的不是一星半点。

cpu: Intel(R) Core(TM) i7-9750H CPU @ 2.60GHz
BenchmarkJsonDecode-12            372298             15506 ns/op             512 B/op         12 allocs/op
BenchmarkDecode-12                141482             43516 ns/op           30589 B/op        962 allocs/op
PASS

同时还有一些根底性能没有实现,比方将解析后的 JSONObject 能够反射生成自定义的 Struct,以及我最终想实现的反对 JSON 的四则运算:

gjson.Get("glossary.age+long*(a.b+a.c)")

目前我貌似没有发现有相似的库实现了这个性能,前面真的实现后应该会很有意思,感兴趣的敌人请继续关注。

源码:
https://github.com/crossoverJie/gjson

正文完
 0