docs/tutorial/LangImpl2.html

   1 <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"
   2                       "http://www.w3.org/TR/html4/strict.dtd">
   3
   4 <html>
   5 <head>
   6   <title>Kaleidoscope: Implementing a Parser and AST</title>
   7   <meta http-equiv="Content-Type" content="text/html; charset=utf-8">
   8   <meta name="author" content="Chris Lattner">
   9   <link rel="stylesheet" href="../llvm.css" type="text/css">
  10 </head>
  11
  12 <body>
  13
  14 <h1>Kaleidoscope: Implementing a Parser and AST</h1>
  15
  16 <ul>
  17 <li><a href="index.html">Up to Tutorial Index</a></li>
  18 <li>Chapter 2
  19   <ol>
  20     <li><a href="#intro">Chapter 2 Introduction</a></li>
  21     <li><a href="#ast">The Abstract Syntax Tree (AST)</a></li>
  22     <li><a href="#parserbasics">Parser Basics</a></li>
  23     <li><a href="#parserprimexprs">Basic Expression Parsing</a></li>
  24     <li><a href="#parserbinops">Binary Expression Parsing</a></li>
  25     <li><a href="#parsertop">Parsing the Rest</a></li>
  26     <li><a href="#driver">The Driver</a></li>
  27     <li><a href="#conclusions">Conclusions</a></li>
  28     <li><a href="#code">Full Code Listing</a></li>
  29   </ol>
  30 </li>
  31 <li><a href="LangImpl3.html">Chapter 3</a>: Code generation to LLVM IR</li>
  32 </ul>
  33
  34 <div class="doc_author">
  35   <p>Written by <a href="mailto:sabre@nondot.org">Chris Lattner</a></p>
  36 </div>
  37
  38 <!-- *********************************************************************** -->
  39 <h2><a name="intro">Chapter 2 Introduction</a></h2>
  40 <!-- *********************************************************************** -->
  41
  42 <div>
  43
  44 <p>Welcome to Chapter 2 of the "<a href="index.html">Implementing a language
  45 with LLVM</a>" tutorial.  This chapter shows you how to use the lexer, built in
  46 <a href="LangImpl1.html">Chapter 1</a>, to build a full <a
  47 href="http://en.wikipedia.org/wiki/Parsing">parser</a> for
  48 our Kaleidoscope language.  Once we have a parser, we'll define and build an <a
  49 href="http://en.wikipedia.org/wiki/Abstract_syntax_tree">Abstract Syntax
  50 Tree</a> (AST).</p>
  51
  52 <p>The parser we will build uses a combination of <a
  53 href="http://en.wikipedia.org/wiki/Recursive_descent_parser">Recursive Descent
  54 Parsing</a> and <a href=
  55 "http://en.wikipedia.org/wiki/Operator-precedence_parser">Operator-Precedence
  56 Parsing</a> to parse the Kaleidoscope language (the latter for
  57 binary expressions and the former for everything else).  Before we get to
  58 parsing though, lets talk about the output of the parser: the Abstract Syntax
  59 Tree.</p>
  60
  61 </div>
  62
  63 <!-- *********************************************************************** -->
  64 <h2><a name="ast">The Abstract Syntax Tree (AST)</a></h2>
  65 <!-- *********************************************************************** -->
  66
  67 <div>
  68
  69 <p>The AST for a program captures its behavior in such a way that it is easy for
  70 later stages of the compiler (e.g. code generation) to interpret.  We basically
  71 want one object for each construct in the language, and the AST should closely
  72 model the language.  In Kaleidoscope, we have expressions, a prototype, and a
  73 function object.  We'll start with expressions first:</p>
  74
  75 <div class="doc_code">
  76 <pre>
  77 /// ExprAST - Base class for all expression nodes.
  78 class ExprAST {
  79 public:
  80   virtual ~ExprAST() {}
  81 };
  82
  83 /// NumberExprAST - Expression class for numeric literals like "1.0".
  84 class NumberExprAST : public ExprAST {
  85   double Val;
  86 public:
  87   NumberExprAST(double val) : Val(val) {}
  88 };
  89 </pre>
  90 </div>
  91
  92 <p>The code above shows the definition of the base ExprAST class and one
  93 subclass which we use for numeric literals.  The important thing to note about
  94 this code is that the NumberExprAST class captures the numeric value of the
  95 literal as an instance variable. This allows later phases of the compiler to
  96 know what the stored numeric value is.</p>
  97
  98 <p>Right now we only create the AST,  so there are no useful accessor methods on
  99 them.  It would be very easy to add a virtual method to pretty print the code,
 100 for example.  Here are the other expression AST node definitions that we'll use
 101 in the basic form of the Kaleidoscope language:
 102 </p>
 103
 104 <div class="doc_code">
 105 <pre>
 106 /// VariableExprAST - Expression class for referencing a variable, like "a".
 107 class VariableExprAST : public ExprAST {
 108   std::string Name;
 109 public:
 110   VariableExprAST(const std::string &amp;name) : Name(name) {}
 111 };
 112
 113 /// BinaryExprAST - Expression class for a binary operator.
 114 class BinaryExprAST : public ExprAST {
 115   char Op;
 116   ExprAST *LHS, *RHS;
 117 public:
 118   BinaryExprAST(char op, ExprAST *lhs, ExprAST *rhs)
 119     : Op(op), LHS(lhs), RHS(rhs) {}
 120 };
 121
 122 /// CallExprAST - Expression class for function calls.
 123 class CallExprAST : public ExprAST {
 124   std::string Callee;
 125   std::vector&lt;ExprAST*&gt; Args;
 126 public:
 127   CallExprAST(const std::string &amp;callee, std::vector&lt;ExprAST*&gt; &amp;args)
 128     : Callee(callee), Args(args) {}
 129 };
 130 </pre>
 131 </div>
 132
 133 <p>This is all (intentionally) rather straight-forward: variables capture the
 134 variable name, binary operators capture their opcode (e.g. '+'), and calls
 135 capture a function name as well as a list of any argument expressions.  One thing
 136 that is nice about our AST is that it captures the language features without
 137 talking about the syntax of the language.  Note that there is no discussion about
 138 precedence of binary operators, lexical structure, etc.</p>
 139
 140 <p>For our basic language, these are all of the expression nodes we'll define.
 141 Because it doesn't have conditional control flow, it isn't Turing-complete;
 142 we'll fix that in a later installment.  The two things we need next are a way
 143 to talk about the interface to a function, and a way to talk about functions
 144 themselves:</p>
 145
 146 <div class="doc_code">
 147 <pre>
 148 /// PrototypeAST - This class represents the "prototype" for a function,
 149 /// which captures its name, and its argument names (thus implicitly the number
 150 /// of arguments the function takes).
 151 class PrototypeAST {
 152   std::string Name;
 153   std::vector&lt;std::string&gt; Args;
 154 public:
 155   PrototypeAST(const std::string &amp;name, const std::vector&lt;std::string&gt; &amp;args)
 156     : Name(name), Args(args) {}
 157 };
 158
 159 /// FunctionAST - This class represents a function definition itself.
 160 class FunctionAST {
 161   PrototypeAST *Proto;
 162   ExprAST *Body;
 163 public:
 164   FunctionAST(PrototypeAST *proto, ExprAST *body)
 165     : Proto(proto), Body(body) {}
 166 };
 167 </pre>
 168 </div>
 169
 170 <p>In Kaleidoscope, functions are typed with just a count of their arguments.
 171 Since all values are double precision floating point, the type of each argument
 172 doesn't need to be stored anywhere.  In a more aggressive and realistic
 173 language, the "ExprAST" class would probably have a type field.</p>
 174
 175 <p>With this scaffolding, we can now talk about parsing expressions and function
 176 bodies in Kaleidoscope.</p>
 177
 178 </div>
 179
 180 <!-- *********************************************************************** -->
 181 <h2><a name="parserbasics">Parser Basics</a></h2>
 182 <!-- *********************************************************************** -->
 183
 184 <div>
 185
 186 <p>Now that we have an AST to build, we need to define the parser code to build
 187 it.  The idea here is that we want to parse something like "x+y" (which is
 188 returned as three tokens by the lexer) into an AST that could be generated with
 189 calls like this:</p>
 190
 191 <div class="doc_code">
 192 <pre>
 193   ExprAST *X = new VariableExprAST("x");
 194   ExprAST *Y = new VariableExprAST("y");
 195   ExprAST *Result = new BinaryExprAST('+', X, Y);
 196 </pre>
 197 </div>
 198
 199 <p>In order to do this, we'll start by defining some basic helper routines:</p>
 200
 201 <div class="doc_code">
 202 <pre>
 203 /// CurTok/getNextToken - Provide a simple token buffer.  CurTok is the current
 204 /// token the parser is looking at.  getNextToken reads another token from the
 205 /// lexer and updates CurTok with its results.
 206 static int CurTok;
 207 static int getNextToken() {
 208   return CurTok = gettok();
 209 }
 210 </pre>
 211 </div>
 212
 213 <p>
 214 This implements a simple token buffer around the lexer.  This allows
 215 us to look one token ahead at what the lexer is returning.  Every function in
 216 our parser will assume that CurTok is the current token that needs to be
 217 parsed.</p>
 218
 219 <div class="doc_code">
 220 <pre>
 221
 222 /// Error* - These are little helper functions for error handling.
 223 ExprAST *Error(const char *Str) { fprintf(stderr, "Error: %s\n", Str);return 0;}
 224 PrototypeAST *ErrorP(const char *Str) { Error(Str); return 0; }
 225 FunctionAST *ErrorF(const char *Str) { Error(Str); return 0; }
 226 </pre>
 227 </div>
 228
 229 <p>
 230 The <tt>Error</tt> routines are simple helper routines that our parser will use
 231 to handle errors.  The error recovery in our parser will not be the best and
 232 is not particular user-friendly, but it will be enough for our tutorial.  These
 233 routines make it easier to handle errors in routines that have various return
 234 types: they always return null.</p>
 235
 236 <p>With these basic helper functions, we can implement the first
 237 piece of our grammar: numeric literals.</p>
 238
 239 </div>
 240
 241 <!-- *********************************************************************** -->
 242 <h2><a name="parserprimexprs">Basic Expression Parsing</a></h2>
 243 <!-- *********************************************************************** -->
 244
 245 <div>
 246
 247 <p>We start with numeric literals, because they are the simplest to process.
 248 For each production in our grammar, we'll define a function which parses that
 249 production.  For numeric literals, we have:
 250 </p>
 251
 252 <div class="doc_code">
 253 <pre>
 254 /// numberexpr ::= number
 255 static ExprAST *ParseNumberExpr() {
 256   ExprAST *Result = new NumberExprAST(NumVal);
 257   getNextToken(); // consume the number
 258   return Result;
 259 }
 260 </pre>
 261 </div>
 262
 263 <p>This routine is very simple: it expects to be called when the current token
 264 is a <tt>tok_number</tt> token.  It takes the current number value, creates
 265 a <tt>NumberExprAST</tt> node, advances the lexer to the next token, and finally
 266 returns.</p>
 267
 268 <p>There are some interesting aspects to this.  The most important one is that
 269 this routine eats all of the tokens that correspond to the production and
 270 returns the lexer buffer with the next token (which is not part of the grammar
 271 production) ready to go.  This is a fairly standard way to go for recursive
 272 descent parsers.  For a better example, the parenthesis operator is defined like
 273 this:</p>
 274
 275 <div class="doc_code">
 276 <pre>
 277 /// parenexpr ::= '(' expression ')'
 278 static ExprAST *ParseParenExpr() {
 279   getNextToken();  // eat (.
 280   ExprAST *V = ParseExpression();
 281   if (!V) return 0;
 282
 283   if (CurTok != ')')
 284     return Error("expected ')'");
 285   getNextToken();  // eat ).
 286   return V;
 287 }
 288 </pre>
 289 </div>
 290
 291 <p>This function illustrates a number of interesting things about the
 292 parser:</p>
 293
 294 <p>
 295 1) It shows how we use the Error routines.  When called, this function expects
 296 that the current token is a '(' token, but after parsing the subexpression, it
 297 is possible that there is no ')' waiting.  For example, if the user types in
 298 "(4 x" instead of "(4)", the parser should emit an error.  Because errors can
 299 occur, the parser needs a way to indicate that they happened: in our parser, we
 300 return null on an error.</p>
 301
 302 <p>2) Another interesting aspect of this function is that it uses recursion by
 303 calling <tt>ParseExpression</tt> (we will soon see that <tt>ParseExpression</tt> can call
 304 <tt>ParseParenExpr</tt>).  This is powerful because it allows us to handle
 305 recursive grammars, and keeps each production very simple.  Note that
 306 parentheses do not cause construction of AST nodes themselves.  While we could
 307 do it this way, the most important role of parentheses are to guide the parser
 308 and provide grouping.  Once the parser constructs the AST, parentheses are not
 309 needed.</p>
 310
 311 <p>The next simple production is for handling variable references and function
 312 calls:</p>
 313
 314 <div class="doc_code">
 315 <pre>
 316 /// identifierexpr
 317 ///   ::= identifier
 318 ///   ::= identifier '(' expression* ')'
 319 static ExprAST *ParseIdentifierExpr() {
 320   std::string IdName = IdentifierStr;
 321
 322   getNextToken();  // eat identifier.
 323
 324   if (CurTok != '(') // Simple variable ref.
 325     return new VariableExprAST(IdName);
 326
 327   // Call.
 328   getNextToken();  // eat (
 329   std::vector&lt;ExprAST*&gt; Args;
 330   if (CurTok != ')') {
 331     while (1) {
 332       ExprAST *Arg = ParseExpression();
 333       if (!Arg) return 0;
 334       Args.push_back(Arg);
 335
 336       if (CurTok == ')') break;
 337
 338       if (CurTok != ',')
 339         return Error("Expected ')' or ',' in argument list");
 340       getNextToken();
 341     }
 342   }
 343
 344   // Eat the ')'.
 345   getNextToken();
 346
 347   return new CallExprAST(IdName, Args);
 348 }
 349 </pre>
 350 </div>
 351
 352 <p>This routine follows the same style as the other routines.  (It expects to be
 353 called if the current token is a <tt>tok_identifier</tt> token).  It also has
 354 recursion and error handling.  One interesting aspect of this is that it uses
 355 <em>look-ahead</em> to determine if the current identifier is a stand alone
 356 variable reference or if it is a function call expression.  It handles this by
 357 checking to see if the token after the identifier is a '(' token, constructing
 358 either a <tt>VariableExprAST</tt> or <tt>CallExprAST</tt> node as appropriate.
 359 </p>
 360
 361 <p>Now that we have all of our simple expression-parsing logic in place, we can
 362 define a helper function to wrap it together into one entry point.  We call this
 363 class of expressions "primary" expressions, for reasons that will become more
 364 clear <a href="LangImpl6.html#unary">later in the tutorial</a>.  In order to
 365 parse an arbitrary primary expression, we need to determine what sort of
 366 expression it is:</p>
 367
 368 <div class="doc_code">
 369 <pre>
 370 /// primary
 371 ///   ::= identifierexpr
 372 ///   ::= numberexpr
 373 ///   ::= parenexpr
 374 static ExprAST *ParsePrimary() {
 375   switch (CurTok) {
 376   default: return Error("unknown token when expecting an expression");
 377   case tok_identifier: return ParseIdentifierExpr();
 378   case tok_number:     return ParseNumberExpr();
 379   case '(':            return ParseParenExpr();
 380   }
 381 }
 382 </pre>
 383 </div>
 384
 385 <p>Now that you see the definition of this function, it is more obvious why we
 386 can assume the state of CurTok in the various functions.  This uses look-ahead
 387 to determine which sort of expression is being inspected, and then parses it
 388 with a function call.</p>
 389
 390 <p>Now that basic expressions are handled, we need to handle binary expressions.
 391 They are a bit more complex.</p>
 392
 393 </div>
 394
 395 <!-- *********************************************************************** -->
 396 <h2><a name="parserbinops">Binary Expression Parsing</a></h2>
 397 <!-- *********************************************************************** -->
 398
 399 <div>
 400
 401 <p>Binary expressions are significantly harder to parse because they are often
 402 ambiguous.  For example, when given the string "x+y*z", the parser can choose
 403 to parse it as either "(x+y)*z" or "x+(y*z)".  With common definitions from
 404 mathematics, we expect the later parse, because "*" (multiplication) has
 405 higher <em>precedence</em> than "+" (addition).</p>
 406
 407 <p>There are many ways to handle this, but an elegant and efficient way is to
 408 use <a href=
 409 "http://en.wikipedia.org/wiki/Operator-precedence_parser">Operator-Precedence
 410 Parsing</a>.  This parsing technique uses the precedence of binary operators to
 411 guide recursion.  To start with, we need a table of precedences:</p>
 412
 413 <div class="doc_code">
 414 <pre>
 415 /// BinopPrecedence - This holds the precedence for each binary operator that is
 416 /// defined.
 417 static std::map&lt;char, int&gt; BinopPrecedence;
 418
 419 /// GetTokPrecedence - Get the precedence of the pending binary operator token.
 420 static int GetTokPrecedence() {
 421   if (!isascii(CurTok))
 422     return -1;
 423
 424   // Make sure it's a declared binop.
 425   int TokPrec = BinopPrecedence[CurTok];
 426   if (TokPrec &lt;= 0) return -1;
 427   return TokPrec;
 428 }
 429
 430 int main() {
 431   // Install standard binary operators.
 432   // 1 is lowest precedence.
 433   BinopPrecedence['&lt;'] = 10;
 434   BinopPrecedence['+'] = 20;
 435   BinopPrecedence['-'] = 20;
 436   BinopPrecedence['*'] = 40;  // highest.
 437   ...
 438 }
 439 </pre>
 440 </div>
 441
 442 <p>For the basic form of Kaleidoscope, we will only support 4 binary operators
 443 (this can obviously be extended by you, our brave and intrepid reader).  The
 444 <tt>GetTokPrecedence</tt> function returns the precedence for the current token,
 445 or -1 if the token is not a binary operator.  Having a map makes it easy to add
 446 new operators and makes it clear that the algorithm doesn't depend on the
 447 specific operators involved, but it would be easy enough to eliminate the map
 448 and do the comparisons in the <tt>GetTokPrecedence</tt> function.  (Or just use
 449 a fixed-size array).</p>
 450
 451 <p>With the helper above defined, we can now start parsing binary expressions.
 452 The basic idea of operator precedence parsing is to break down an expression
 453 with potentially ambiguous binary operators into pieces.  Consider ,for example,
 454 the expression "a+b+(c+d)*e*f+g".  Operator precedence parsing considers this
 455 as a stream of primary expressions separated by binary operators.  As such,
 456 it will first parse the leading primary expression "a", then it will see the
 457 pairs [+, b] [+, (c+d)] [*, e] [*, f] and [+, g].  Note that because parentheses
 458 are primary expressions, the binary expression parser doesn't need to worry
 459 about nested subexpressions like (c+d) at all.
 460 </p>
 461
 462 <p>
 463 To start, an expression is a primary expression potentially followed by a
 464 sequence of [binop,primaryexpr] pairs:</p>
 465
 466 <div class="doc_code">
 467 <pre>
 468 /// expression
 469 ///   ::= primary binoprhs
 470 ///
 471 static ExprAST *ParseExpression() {
 472   ExprAST *LHS = ParsePrimary();
 473   if (!LHS) return 0;
 474
 475   return ParseBinOpRHS(0, LHS);
 476 }
 477 </pre>
 478 </div>
 479
 480 <p><tt>ParseBinOpRHS</tt> is the function that parses the sequence of pairs for
 481 us.  It takes a precedence and a pointer to an expression for the part that has been
 482 parsed so far.   Note that "x" is a perfectly valid expression: As such, "binoprhs" is
 483 allowed to be empty, in which case it returns the expression that is passed into
 484 it. In our example above, the code passes the expression for "a" into
 485 <tt>ParseBinOpRHS</tt> and the current token is "+".</p>
 486
 487 <p>The precedence value passed into <tt>ParseBinOpRHS</tt> indicates the <em>
 488 minimal operator precedence</em> that the function is allowed to eat.  For
 489 example, if the current pair stream is [+, x] and <tt>ParseBinOpRHS</tt> is
 490 passed in a precedence of 40, it will not consume any tokens (because the
 491 precedence of '+' is only 20).  With this in mind, <tt>ParseBinOpRHS</tt> starts
 492 with:</p>
 493
 494 <div class="doc_code">
 495 <pre>
 496 /// binoprhs
 497 ///   ::= ('+' primary)*
 498 static ExprAST *ParseBinOpRHS(int ExprPrec, ExprAST *LHS) {
 499   // If this is a binop, find its precedence.
 500   while (1) {
 501     int TokPrec = GetTokPrecedence();
 502
 503     // If this is a binop that binds at least as tightly as the current binop,
 504     // consume it, otherwise we are done.
 505     if (TokPrec &lt; ExprPrec)
 506       return LHS;
 507 </pre>
 508 </div>
 509
 510 <p>This code gets the precedence of the current token and checks to see if if is
 511 too low.  Because we defined invalid tokens to have a precedence of -1, this
 512 check implicitly knows that the pair-stream ends when the token stream runs out
 513 of binary operators.  If this check succeeds, we know that the token is a binary
 514 operator and that it will be included in this expression:</p>
 515
 516 <div class="doc_code">
 517 <pre>
 518     // Okay, we know this is a binop.
 519     int BinOp = CurTok;
 520     getNextToken();  // eat binop
 521
 522     // Parse the primary expression after the binary operator.
 523     ExprAST *RHS = ParsePrimary();
 524     if (!RHS) return 0;
 525 </pre>
 526 </div>
 527
 528 <p>As such, this code eats (and remembers) the binary operator and then parses
 529 the primary expression that follows.  This builds up the whole pair, the first of
 530 which is [+, b] for the running example.</p>
 531
 532 <p>Now that we parsed the left-hand side of an expression and one pair of the
 533 RHS sequence, we have to decide which way the expression associates.  In
 534 particular, we could have "(a+b) binop unparsed"  or "a + (b binop unparsed)".
 535 To determine this, we look ahead at "binop" to determine its precedence and
 536 compare it to BinOp's precedence (which is '+' in this case):</p>
 537
 538 <div class="doc_code">
 539 <pre>
 540     // If BinOp binds less tightly with RHS than the operator after RHS, let
 541     // the pending operator take RHS as its LHS.
 542     int NextPrec = GetTokPrecedence();
 543     if (TokPrec &lt; NextPrec) {
 544 </pre>
 545 </div>
 546
 547 <p>If the precedence of the binop to the right of "RHS" is lower or equal to the
 548 precedence of our current operator, then we know that the parentheses associate
 549 as "(a+b) binop ...".  In our example, the current operator is "+" and the next
 550 operator is "+", we know that they have the same precedence.  In this case we'll
 551 create the AST node for "a+b", and then continue parsing:</p>
 552
 553 <div class="doc_code">
 554 <pre>
 555       ... if body omitted ...
 556     }
 557
 558     // Merge LHS/RHS.
 559     LHS = new BinaryExprAST(BinOp, LHS, RHS);
 560   }  // loop around to the top of the while loop.
 561 }
 562 </pre>
 563 </div>
 564
 565 <p>In our example above, this will turn "a+b+" into "(a+b)" and execute the next
 566 iteration of the loop, with "+" as the current token.  The code above will eat,
 567 remember, and parse "(c+d)" as the primary expression, which makes the
 568 current pair equal to [+, (c+d)].  It will then evaluate the 'if' conditional above with
 569 "*" as the binop to the right of the primary.  In this case, the precedence of "*" is
 570 higher than the precedence of "+" so the if condition will be entered.</p>
 571
 572 <p>The critical question left here is "how can the if condition parse the right
 573 hand side in full"?  In particular, to build the AST correctly for our example,
 574 it needs to get all of "(c+d)*e*f" as the RHS expression variable.  The code to
 575 do this is surprisingly simple (code from the above two blocks duplicated for
 576 context):</p>
 577
 578 <div class="doc_code">
 579 <pre>
 580     // If BinOp binds less tightly with RHS than the operator after RHS, let
 581     // the pending operator take RHS as its LHS.
 582     int NextPrec = GetTokPrecedence();
 583     if (TokPrec &lt; NextPrec) {
 584       <b>RHS = ParseBinOpRHS(TokPrec+1, RHS);
 585       if (RHS == 0) return 0;</b>
 586     }
 587     // Merge LHS/RHS.
 588     LHS = new BinaryExprAST(BinOp, LHS, RHS);
 589   }  // loop around to the top of the while loop.
 590 }
 591 </pre>
 592 </div>
 593
 594 <p>At this point, we know that the binary operator to the RHS of our primary
 595 has higher precedence than the binop we are currently parsing.  As such, we know
 596 that any sequence of pairs whose operators are all higher precedence than "+"
 597 should be parsed together and returned as "RHS".  To do this, we recursively
 598 invoke the <tt>ParseBinOpRHS</tt> function specifying "TokPrec+1" as the minimum
 599 precedence required for it to continue.  In our example above, this will cause
 600 it to return the AST node for "(c+d)*e*f" as RHS, which is then set as the RHS
 601 of the '+' expression.</p>
 602
 603 <p>Finally, on the next iteration of the while loop, the "+g" piece is parsed
 604 and added to the AST.  With this little bit of code (14 non-trivial lines), we
 605 correctly handle fully general binary expression parsing in a very elegant way.
 606 This was a whirlwind tour of this code, and it is somewhat subtle.  I recommend
 607 running through it with a few tough examples to see how it works.
 608 </p>
 609
 610 <p>This wraps up handling of expressions.  At this point, we can point the
 611 parser at an arbitrary token stream and build an expression from it, stopping
 612 at the first token that is not part of the expression.  Next up we need to
 613 handle function definitions, etc.</p>
 614
 615 </div>
 616
 617 <!-- *********************************************************************** -->
 618 <h2><a name="parsertop">Parsing the Rest</a></h2>
 619 <!-- *********************************************************************** -->
 620
 621 <div>
 622
 623 <p>
 624 The next thing missing is handling of function prototypes.  In Kaleidoscope,
 625 these are used both for 'extern' function declarations as well as function body
 626 definitions.  The code to do this is straight-forward and not very interesting
 627 (once you've survived expressions):
 628 </p>
 629
 630 <div class="doc_code">
 631 <pre>
 632 /// prototype
 633 ///   ::= id '(' id* ')'
 634 static PrototypeAST *ParsePrototype() {
 635   if (CurTok != tok_identifier)
 636     return ErrorP("Expected function name in prototype");
 637
 638   std::string FnName = IdentifierStr;
 639   getNextToken();
 640
 641   if (CurTok != '(')
 642     return ErrorP("Expected '(' in prototype");
 643
 644   // Read the list of argument names.
 645   std::vector&lt;std::string&gt; ArgNames;
 646   while (getNextToken() == tok_identifier)
 647     ArgNames.push_back(IdentifierStr);
 648   if (CurTok != ')')
 649     return ErrorP("Expected ')' in prototype");
 650
 651   // success.
 652   getNextToken();  // eat ')'.
 653
 654   return new PrototypeAST(FnName, ArgNames);
 655 }
 656 </pre>
 657 </div>
 658
 659 <p>Given this, a function definition is very simple, just a prototype plus
 660 an expression to implement the body:</p>
 661
 662 <div class="doc_code">
 663 <pre>
 664 /// definition ::= 'def' prototype expression
 665 static FunctionAST *ParseDefinition() {
 666   getNextToken();  // eat def.
 667   PrototypeAST *Proto = ParsePrototype();
 668   if (Proto == 0) return 0;
 669
 670   if (ExprAST *E = ParseExpression())
 671     return new FunctionAST(Proto, E);
 672   return 0;
 673 }
 674 </pre>
 675 </div>
 676
 677 <p>In addition, we support 'extern' to declare functions like 'sin' and 'cos' as
 678 well as to support forward declaration of user functions.  These 'extern's are just
 679 prototypes with no body:</p>
 680
 681 <div class="doc_code">
 682 <pre>
 683 /// external ::= 'extern' prototype
 684 static PrototypeAST *ParseExtern() {
 685   getNextToken();  // eat extern.
 686   return ParsePrototype();
 687 }
 688 </pre>
 689 </div>
 690
 691 <p>Finally, we'll also let the user type in arbitrary top-level expressions and
 692 evaluate them on the fly.  We will handle this by defining anonymous nullary
 693 (zero argument) functions for them:</p>
 694
 695 <div class="doc_code">
 696 <pre>
 697 /// toplevelexpr ::= expression
 698 static FunctionAST *ParseTopLevelExpr() {
 699   if (ExprAST *E = ParseExpression()) {
 700     // Make an anonymous proto.
 701     PrototypeAST *Proto = new PrototypeAST("", std::vector&lt;std::string&gt;());
 702     return new FunctionAST(Proto, E);
 703   }
 704   return 0;
 705 }
 706 </pre>
 707 </div>
 708
 709 <p>Now that we have all the pieces, let's build a little driver that will let us
 710 actually <em>execute</em> this code we've built!</p>
 711
 712 </div>
 713
 714 <!-- *********************************************************************** -->
 715 <h2><a name="driver">The Driver</a></h2>
 716 <!-- *********************************************************************** -->
 717
 718 <div>
 719
 720 <p>The driver for this simply invokes all of the parsing pieces with a top-level
 721 dispatch loop.  There isn't much interesting here, so I'll just include the
 722 top-level loop.  See <a href="#code">below</a> for full code in the "Top-Level
 723 Parsing" section.</p>
 724
 725 <div class="doc_code">
 726 <pre>
 727 /// top ::= definition | external | expression | ';'
 728 static void MainLoop() {
 729   while (1) {
 730     fprintf(stderr, "ready&gt; ");
 731     switch (CurTok) {
 732     case tok_eof:    return;
 733     case ';':        getNextToken(); break;  // ignore top-level semicolons.
 734     case tok_def:    HandleDefinition(); break;
 735     case tok_extern: HandleExtern(); break;
 736     default:         HandleTopLevelExpression(); break;
 737     }
 738   }
 739 }
 740 </pre>
 741 </div>
 742
 743 <p>The most interesting part of this is that we ignore top-level semicolons.
 744 Why is this, you ask?  The basic reason is that if you type "4 + 5" at the
 745 command line, the parser doesn't know whether that is the end of what you will type
 746 or not.  For example, on the next line you could type "def foo..." in which case
 747 4+5 is the end of a top-level expression.  Alternatively you could type "* 6",
 748 which would continue the expression.  Having top-level semicolons allows you to
 749 type "4+5;", and the parser will know you are done.</p>
 750
 751 </div>
 752
 753 <!-- *********************************************************************** -->
 754 <h2><a name="conclusions">Conclusions</a></h2>
 755 <!-- *********************************************************************** -->
 756
 757 <div>
 758
 759 <p>With just under 400 lines of commented code (240 lines of non-comment,
 760 non-blank code), we fully defined our minimal language, including a lexer,
 761 parser, and AST builder.  With this done, the executable will validate
 762 Kaleidoscope code and tell us if it is grammatically invalid.  For
 763 example, here is a sample interaction:</p>
 764
 765 <div class="doc_code">
 766 <pre>
 767 $ <b>./a.out</b>
 768 ready&gt; <b>def foo(x y) x+foo(y, 4.0);</b>
 769 Parsed a function definition.
 770 ready&gt; <b>def foo(x y) x+y y;</b>
 771 Parsed a function definition.
 772 Parsed a top-level expr
 773 ready&gt; <b>def foo(x y) x+y );</b>
 774 Parsed a function definition.
 775 Error: unknown token when expecting an expression
 776 ready&gt; <b>extern sin(a);</b>
 777 ready&gt; Parsed an extern
 778 ready&gt; <b>^D</b>
 779 $
 780 </pre>
 781 </div>
 782
 783 <p>There is a lot of room for extension here.  You can define new AST nodes,
 784 extend the language in many ways, etc.  In the <a href="LangImpl3.html">next
 785 installment</a>, we will describe how to generate LLVM Intermediate
 786 Representation (IR) from the AST.</p>
 787
 788 </div>
 789
 790 <!-- *********************************************************************** -->
 791 <h2><a name="code">Full Code Listing</a></h2>
 792 <!-- *********************************************************************** -->
 793
 794 <div>
 795
 796 <p>
 797 Here is the complete code listing for this and the previous chapter.
 798 Note that it is fully self-contained: you don't need LLVM or any external
 799 libraries at all for this.  (Besides the C and C++ standard libraries, of
 800 course.)  To build this, just compile with:</p>
 801
 802 <div class="doc_code">
 803 <pre>
 804 # Compile
 805 clang++ -g -O3 toy.cpp
 806 # Run
 807 ./a.out
 808 </pre>
 809 </div>
 810
 811 <p>Here is the code:</p>
 812
 813 <div class="doc_code">
 814 <pre>
 815 #include &lt;cstdio&gt;
 816 #include &lt;cstdlib&gt;
 817 #include &lt;string&gt;
 818 #include &lt;map&gt;
 819 #include &lt;vector&gt;
 820
 821 //===----------------------------------------------------------------------===//
 822 // Lexer
 823 //===----------------------------------------------------------------------===//
 824
 825 // The lexer returns tokens [0-255] if it is an unknown character, otherwise one
 826 // of these for known things.
 827 enum Token {
 828   tok_eof = -1,
 829
 830   // commands
 831   tok_def = -2, tok_extern = -3,
 832
 833   // primary
 834   tok_identifier = -4, tok_number = -5
 835 };
 836
 837 static std::string IdentifierStr;  // Filled in if tok_identifier
 838 static double NumVal;              // Filled in if tok_number
 839
 840 /// gettok - Return the next token from standard input.
 841 static int gettok() {
 842   static int LastChar = ' ';
 843
 844   // Skip any whitespace.
 845   while (isspace(LastChar))
 846     LastChar = getchar();
 847
 848   if (isalpha(LastChar)) { // identifier: [a-zA-Z][a-zA-Z0-9]*
 849     IdentifierStr = LastChar;
 850     while (isalnum((LastChar = getchar())))
 851       IdentifierStr += LastChar;
 852
 853     if (IdentifierStr == "def") return tok_def;
 854     if (IdentifierStr == "extern") return tok_extern;
 855     return tok_identifier;
 856   }
 857
 858   if (isdigit(LastChar) || LastChar == '.') {   // Number: [0-9.]+
 859     std::string NumStr;
 860     do {
 861       NumStr += LastChar;
 862       LastChar = getchar();
 863     } while (isdigit(LastChar) || LastChar == '.');
 864
 865     NumVal = strtod(NumStr.c_str(), 0);
 866     return tok_number;
 867   }
 868
 869   if (LastChar == '#') {
 870     // Comment until end of line.
 871     do LastChar = getchar();
 872     while (LastChar != EOF &amp;&amp; LastChar != '\n' &amp;&amp; LastChar != '\r');
 873
 874     if (LastChar != EOF)
 875       return gettok();
 876   }
 877
 878   // Check for end of file.  Don't eat the EOF.
 879   if (LastChar == EOF)
 880     return tok_eof;
 881
 882   // Otherwise, just return the character as its ascii value.
 883   int ThisChar = LastChar;
 884   LastChar = getchar();
 885   return ThisChar;
 886 }
 887
 888 //===----------------------------------------------------------------------===//
 889 // Abstract Syntax Tree (aka Parse Tree)
 890 //===----------------------------------------------------------------------===//
 891
 892 /// ExprAST - Base class for all expression nodes.
 893 class ExprAST {
 894 public:
 895   virtual ~ExprAST() {}
 896 };
 897
 898 /// NumberExprAST - Expression class for numeric literals like "1.0".
 899 class NumberExprAST : public ExprAST {
 900   double Val;
 901 public:
 902   NumberExprAST(double val) : Val(val) {}
 903 };
 904
 905 /// VariableExprAST - Expression class for referencing a variable, like "a".
 906 class VariableExprAST : public ExprAST {
 907   std::string Name;
 908 public:
 909   VariableExprAST(const std::string &amp;name) : Name(name) {}
 910 };
 911
 912 /// BinaryExprAST - Expression class for a binary operator.
 913 class BinaryExprAST : public ExprAST {
 914   char Op;
 915   ExprAST *LHS, *RHS;
 916 public:
 917   BinaryExprAST(char op, ExprAST *lhs, ExprAST *rhs)
 918     : Op(op), LHS(lhs), RHS(rhs) {}
 919 };
 920
 921 /// CallExprAST - Expression class for function calls.
 922 class CallExprAST : public ExprAST {
 923   std::string Callee;
 924   std::vector&lt;ExprAST*&gt; Args;
 925 public:
 926   CallExprAST(const std::string &amp;callee, std::vector&lt;ExprAST*&gt; &amp;args)
 927     : Callee(callee), Args(args) {}
 928 };
 929
 930 /// PrototypeAST - This class represents the "prototype" for a function,
 931 /// which captures its name, and its argument names (thus implicitly the number
 932 /// of arguments the function takes).
 933 class PrototypeAST {
 934   std::string Name;
 935   std::vector&lt;std::string&gt; Args;
 936 public:
 937   PrototypeAST(const std::string &amp;name, const std::vector&lt;std::string&gt; &amp;args)
 938     : Name(name), Args(args) {}
 939
 940 };
 941
 942 /// FunctionAST - This class represents a function definition itself.
 943 class FunctionAST {
 944   PrototypeAST *Proto;
 945   ExprAST *Body;
 946 public:
 947   FunctionAST(PrototypeAST *proto, ExprAST *body)
 948     : Proto(proto), Body(body) {}
 949
 950 };
 951
 952 //===----------------------------------------------------------------------===//
 953 // Parser
 954 //===----------------------------------------------------------------------===//
 955
 956 /// CurTok/getNextToken - Provide a simple token buffer.  CurTok is the current
 957 /// token the parser is looking at.  getNextToken reads another token from the
 958 /// lexer and updates CurTok with its results.
 959 static int CurTok;
 960 static int getNextToken() {
 961   return CurTok = gettok();
 962 }
 963
 964 /// BinopPrecedence - This holds the precedence for each binary operator that is
 965 /// defined.
 966 static std::map&lt;char, int&gt; BinopPrecedence;
 967
 968 /// GetTokPrecedence - Get the precedence of the pending binary operator token.
 969 static int GetTokPrecedence() {
 970   if (!isascii(CurTok))
 971     return -1;
 972
 973   // Make sure it's a declared binop.
 974   int TokPrec = BinopPrecedence[CurTok];
 975   if (TokPrec &lt;= 0) return -1;
 976   return TokPrec;
 977 }
 978
 979 /// Error* - These are little helper functions for error handling.
 980 ExprAST *Error(const char *Str) { fprintf(stderr, "Error: %s\n", Str);return 0;}
 981 PrototypeAST *ErrorP(const char *Str) { Error(Str); return 0; }
 982 FunctionAST *ErrorF(const char *Str) { Error(Str); return 0; }
 983
 984 static ExprAST *ParseExpression();
 985
 986 /// identifierexpr
 987 ///   ::= identifier
 988 ///   ::= identifier '(' expression* ')'
 989 static ExprAST *ParseIdentifierExpr() {
 990   std::string IdName = IdentifierStr;
 991
 992   getNextToken();  // eat identifier.
 993
 994   if (CurTok != '(') // Simple variable ref.
 995     return new VariableExprAST(IdName);
 996
 997   // Call.
 998   getNextToken();  // eat (
 999   std::vector&lt;ExprAST*&gt; Args;
1000   if (CurTok != ')') {
1001     while (1) {
1002       ExprAST *Arg = ParseExpression();
1003       if (!Arg) return 0;
1004       Args.push_back(Arg);
1005
1006       if (CurTok == ')') break;
1007
1008       if (CurTok != ',')
1009         return Error("Expected ')' or ',' in argument list");
1010       getNextToken();
1011     }
1012   }
1013
1014   // Eat the ')'.
1015   getNextToken();
1016
1017   return new CallExprAST(IdName, Args);
1018 }
1019
1020 /// numberexpr ::= number
1021 static ExprAST *ParseNumberExpr() {
1022   ExprAST *Result = new NumberExprAST(NumVal);
1023   getNextToken(); // consume the number
1024   return Result;
1025 }
1026
1027 /// parenexpr ::= '(' expression ')'
1028 static ExprAST *ParseParenExpr() {
1029   getNextToken();  // eat (.
1030   ExprAST *V = ParseExpression();
1031   if (!V) return 0;
1032
1033   if (CurTok != ')')
1034     return Error("expected ')'");
1035   getNextToken();  // eat ).
1036   return V;
1037 }
1038
1039 /// primary
1040 ///   ::= identifierexpr
1041 ///   ::= numberexpr
1042 ///   ::= parenexpr
1043 static ExprAST *ParsePrimary() {
1044   switch (CurTok) {
1045   default: return Error("unknown token when expecting an expression");
1046   case tok_identifier: return ParseIdentifierExpr();
1047   case tok_number:     return ParseNumberExpr();
1048   case '(':            return ParseParenExpr();
1049   }
1050 }
1051
1052 /// binoprhs
1053 ///   ::= ('+' primary)*
1054 static ExprAST *ParseBinOpRHS(int ExprPrec, ExprAST *LHS) {
1055   // If this is a binop, find its precedence.
1056   while (1) {
1057     int TokPrec = GetTokPrecedence();
1058
1059     // If this is a binop that binds at least as tightly as the current binop,
1060     // consume it, otherwise we are done.
1061     if (TokPrec &lt; ExprPrec)
1062       return LHS;
1063
1064     // Okay, we know this is a binop.
1065     int BinOp = CurTok;
1066     getNextToken();  // eat binop
1067
1068     // Parse the primary expression after the binary operator.
1069     ExprAST *RHS = ParsePrimary();
1070     if (!RHS) return 0;
1071
1072     // If BinOp binds less tightly with RHS than the operator after RHS, let
1073     // the pending operator take RHS as its LHS.
1074     int NextPrec = GetTokPrecedence();
1075     if (TokPrec &lt; NextPrec) {
1076       RHS = ParseBinOpRHS(TokPrec+1, RHS);
1077       if (RHS == 0) return 0;
1078     }
1079
1080     // Merge LHS/RHS.
1081     LHS = new BinaryExprAST(BinOp, LHS, RHS);
1082   }
1083 }
1084
1085 /// expression
1086 ///   ::= primary binoprhs
1087 ///
1088 static ExprAST *ParseExpression() {
1089   ExprAST *LHS = ParsePrimary();
1090   if (!LHS) return 0;
1091
1092   return ParseBinOpRHS(0, LHS);
1093 }
1094
1095 /// prototype
1096 ///   ::= id '(' id* ')'
1097 static PrototypeAST *ParsePrototype() {
1098   if (CurTok != tok_identifier)
1099     return ErrorP("Expected function name in prototype");
1100
1101   std::string FnName = IdentifierStr;
1102   getNextToken();
1103
1104   if (CurTok != '(')
1105     return ErrorP("Expected '(' in prototype");
1106
1107   std::vector&lt;std::string&gt; ArgNames;
1108   while (getNextToken() == tok_identifier)
1109     ArgNames.push_back(IdentifierStr);
1110   if (CurTok != ')')
1111     return ErrorP("Expected ')' in prototype");
1112
1113   // success.
1114   getNextToken();  // eat ')'.
1115
1116   return new PrototypeAST(FnName, ArgNames);
1117 }
1118
1119 /// definition ::= 'def' prototype expression
1120 static FunctionAST *ParseDefinition() {
1121   getNextToken();  // eat def.
1122   PrototypeAST *Proto = ParsePrototype();
1123   if (Proto == 0) return 0;
1124
1125   if (ExprAST *E = ParseExpression())
1126     return new FunctionAST(Proto, E);
1127   return 0;
1128 }
1129
1130 /// toplevelexpr ::= expression
1131 static FunctionAST *ParseTopLevelExpr() {
1132   if (ExprAST *E = ParseExpression()) {
1133     // Make an anonymous proto.
1134     PrototypeAST *Proto = new PrototypeAST("", std::vector&lt;std::string&gt;());
1135     return new FunctionAST(Proto, E);
1136   }
1137   return 0;
1138 }
1139
1140 /// external ::= 'extern' prototype
1141 static PrototypeAST *ParseExtern() {
1142   getNextToken();  // eat extern.
1143   return ParsePrototype();
1144 }
1145
1146 //===----------------------------------------------------------------------===//
1147 // Top-Level parsing
1148 //===----------------------------------------------------------------------===//
1149
1150 static void HandleDefinition() {
1151   if (ParseDefinition()) {
1152     fprintf(stderr, "Parsed a function definition.\n");
1153   } else {
1154     // Skip token for error recovery.
1155     getNextToken();
1156   }
1157 }
1158
1159 static void HandleExtern() {
1160   if (ParseExtern()) {
1161     fprintf(stderr, "Parsed an extern\n");
1162   } else {
1163     // Skip token for error recovery.
1164     getNextToken();
1165   }
1166 }
1167
1168 static void HandleTopLevelExpression() {
1169   // Evaluate a top-level expression into an anonymous function.
1170   if (ParseTopLevelExpr()) {
1171     fprintf(stderr, "Parsed a top-level expr\n");
1172   } else {
1173     // Skip token for error recovery.
1174     getNextToken();
1175   }
1176 }
1177
1178 /// top ::= definition | external | expression | ';'
1179 static void MainLoop() {
1180   while (1) {
1181     fprintf(stderr, "ready&gt; ");
1182     switch (CurTok) {
1183     case tok_eof:    return;
1184     case ';':        getNextToken(); break;  // ignore top-level semicolons.
1185     case tok_def:    HandleDefinition(); break;
1186     case tok_extern: HandleExtern(); break;
1187     default:         HandleTopLevelExpression(); break;
1188     }
1189   }
1190 }
1191
1192 //===----------------------------------------------------------------------===//
1193 // Main driver code.
1194 //===----------------------------------------------------------------------===//
1195
1196 int main() {
1197   // Install standard binary operators.
1198   // 1 is lowest precedence.
1199   BinopPrecedence['&lt;'] = 10;
1200   BinopPrecedence['+'] = 20;
1201   BinopPrecedence['-'] = 20;
1202   BinopPrecedence['*'] = 40;  // highest.
1203
1204   // Prime the first token.
1205   fprintf(stderr, "ready&gt; ");
1206   getNextToken();
1207
1208   // Run the main "interpreter loop" now.
1209   MainLoop();
1210
1211   return 0;
1212 }
1213 </pre>
1214 </div>
1215 <a href="LangImpl3.html">Next: Implementing Code Generation to LLVM IR</a>
1216 </div>
1217
1218 <!-- *********************************************************************** -->
1219 <hr>
1220 <address>
1221   <a href="http://jigsaw.w3.org/css-validator/check/referer"><img
1222   src="http://jigsaw.w3.org/css-validator/images/vcss" alt="Valid CSS!"></a>
1223   <a href="http://validator.w3.org/check/referer"><img
1224   src="http://www.w3.org/Icons/valid-html401" alt="Valid HTML 4.01!"></a>
1225
1226   <a href="mailto:sabre@nondot.org">Chris Lattner</a><br>
1227   <a href="http://llvm.org/">The LLVM Compiler Infrastructure</a><br>
1228   Last modified: $Date$
1229 </address>
1230 </body>
1231 </html>