幾百行程式碼實現一個 JSON 解析器

crossoverJie發表於2022-06-28

之前在寫 gscript時我就在想有沒有利用編譯原理實現一個更實際工具?畢竟真寫一個語言的難度不低,並且也很難真的應用起來。

一次無意間看到有人提起 JSON 解析器,這類工具充斥著我們的日常開發,運用非常廣泛。

以前我也有思考過它是如何實現的,過程中一旦和編譯原理扯上關係就不由自主的勸退了;但經過這段時間的實踐我發現實現一個 JSON 解析器似乎也不困難,只是運用到了編譯原理前端的部分知識就完全足夠了。

得益於 JSON 的輕量級,同時語法也很簡單,所以核心程式碼大概只用了 800 行便實現了一個語法完善的 JSON 解析器。

首先還是來看看效果:

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")
}

從這個用例中可以看到支援字串、布林值、浮點、整形、陣列以及各種巢狀關係。

這裡簡要說明一下實現原理,本質上就是兩步:

  1. 詞法解析:根據原始輸入的 JSON 字串解析出 token,也就是類似於 "{" "obj" "age" "1" "[" "]" 這樣的識別符號,只是要給這類識別符號分類。
  2. 根據生成的一組 token 集合,以流的方式進行讀取,最終可以生成圖中的樹狀結構,也就是一個 JSONObject

下面來重點看看這兩個步驟具體做了哪些事情。

詞法分析

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  [

其實詞法解析就是構建一個有限自動機的過程(DFA),目的是可以生成這樣的集合(token),只是我們需要將這些 token進行分類以便後續做語法分析的時候進行處理。

比如 "{" 這樣的左花括號就是一個 BeginObject 代表一個物件宣告的開始,而 "}" 則是 EndObject 代表一個物件的結束。

其中 "name" 這樣的就被認為是 String 字串,以此類推 "[" 代表 BeginArray

這裡我一共定義以下幾種 token 型別:

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"
)

其中可以看到 true/false/null 會有多個型別,這點先忽略,後續會解釋。

以這段 JSON 為例:{"age":1},它的狀態扭轉如下圖:

總的來說就是依次遍歷字串,然後更新一個全域性狀態,根據該狀態的值進行不同的操作。

部分程式碼如下:

感興趣的朋友可以跑跑單例 debug 一下就很容易理解:

github.com/crossoverJie/gjson/blob...

以這段 JSON 為例:

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)
    }
}

最終生成的 token 集合如下:

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

提前檢查

由於 JSON 的語法簡單,一些規則甚至在詞法規則中就能校驗。

舉個例子:
JSON 中允許 null 值,當我們字串中存在 nu nul 這類不匹配 null 的值時,就可以提前丟擲異常。

比如當檢測到第一個字串為 n 時,那後續的必須為 u->l->l 不然就丟擲異常。

浮點數同理,當一個數值中存在多個 . 點時,依然需要丟擲異常。

這也是前文提到 true/false/null 這些型別需要有多箇中間狀態的原因。

生成 JSONObject 樹

在討論生成 JSONObject 樹之前我們先來看這麼一個問題,給定一個括號集合,判斷是否合法。

  • [<()>] 這樣是合法的。
  • [<()>) 而這樣是不合法的。

如何實現呢?其實也很簡單,只需要利用棧就能完成,如下圖所示:

利用棧的特性,依次遍歷資料,遇到是左邊的符號就入棧,當遇到是右符號時就與棧頂資料匹配,能匹配上就出棧。

當匹配不上時則說明格式錯誤,資料遍歷完畢後如果棧為空時說明資料合法。

其實仔細觀察 JSON 的語法也是類似的:

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

BeginObject:{EndObject:} 一定是成對出現的,中間如論怎麼巢狀也是成對的。
而對於 "age":10 這樣的資料,: 冒號後也得有資料進行匹配,不然就是非法格式。

所以基於剛才的括號匹配原理,我們也能用類似的方法來解析 token 集合。

我們也需要建立一個棧,當遇到 BeginObject 時就入棧一個 Map,當遇到一個 String 鍵時也將該值入棧。

當遇到 value 時,就將出棧一個 key,同時將資料寫入當前棧頂的 map 中。

當然在遍歷 token 的過程中也需要一個全域性狀態,所以這裡也是一個有限狀態機


舉個例子:當我們遍歷到 Token 型別為 String,值為 "name" 時,預期下一個 token 應當是 :冒號;

所以我們得將當前的 status 記錄為 StatusColon,一旦後續解析到 token 為 SepColon 時,就需要判斷當前的 status 是否為 StatusColon ,如果不是則說明語法錯誤,就可以丟擲異常。

同時值得注意的是這裡的 status 其實是一個集合,因為下一個狀態可能是多種情況。

{"e":[1,[2,3],{"d":{"f":"f"}}]}
比如當我們解析到一個 SepColon 冒號時,後續的狀態可能是 valueBeginObject {BeginArray [


因此這裡就得把這三種情況都考慮到,其他的以此類推。

具體解析過程可以參考原始碼:
github.com/crossoverJie/gjson/blob...


雖然是藉助一個棧結構就能將 JSON 解析完畢,不知道大家發現一個問題沒有:
這樣非常容易遺漏規則,比如剛才提到的一個冒號後面就有三種情況,而一個 BeginArray 後甚至有四種情況(StatusArrayValue, StatusBeginArray, StatusBeginObject, StatusEndArray

這樣的程式碼讀起來也不是很直觀,同時容易遺漏語法,只能出現問題再進行修復。

既然提到了問題那自然也有相應的解決方案,其實就是語法分析中常見的遞迴下降演算法。


我們只需要根據 JSON 的文法定義,遞迴的寫出演算法即可,這樣程式碼閱讀起來非常清晰,同時也不會遺漏規則。

完整的 JSON 語法檢視這裡:
github.com/antlr/grammars-v4/blob/...

我也預計將下個版本改為遞迴下降演算法來實現。

當目前為止其實只是實現了一個非常基礎的 JSON 解析,也沒有做效能最佳化,和官方的 JSON 包對比效能差的不是一星半點。

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

同時還有一些基礎功能沒有實現,比如將解析後的 JSONObject 可以反射生成自定義的 Struct,以及我最終想實現的支援 JSON 的四則運算:

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

目前我貌似沒有發現有類似的庫實現了這個功能,後面真的完成後應該會很有意思,感興趣的朋友請持續關注。

原始碼:
github.com/crossoverJie/gjson

本作品採用《CC 協議》,轉載必須註明作者和本文連結

相關文章