[llvm-exegesis][NFC] Return many CodeTemplates instead of one.
[llvm-complete.git] / docs / tutorial / OCamlLangImpl1.rst
blob3fed61d2d4e1972a0d3b4ab81d48c324234467b4
1 =================================================
2 Kaleidoscope: Tutorial Introduction and the Lexer
3 =================================================
5 .. contents::
6    :local:
8 Tutorial Introduction
9 =====================
11 Welcome to the "Implementing a language with LLVM" tutorial. This
12 tutorial runs through the implementation of a simple language, showing
13 how fun and easy it can be. This tutorial will get you up and started as
14 well as help to build a framework you can extend to other languages. The
15 code in this tutorial can also be used as a playground to hack on other
16 LLVM specific things.
18 The goal of this tutorial is to progressively unveil our language,
19 describing how it is built up over time. This will let us cover a fairly
20 broad range of language design and LLVM-specific usage issues, showing
21 and explaining the code for it all along the way, without overwhelming
22 you with tons of details up front.
24 It is useful to point out ahead of time that this tutorial is really
25 about teaching compiler techniques and LLVM specifically, *not* about
26 teaching modern and sane software engineering principles. In practice,
27 this means that we'll take a number of shortcuts to simplify the
28 exposition. For example, the code leaks memory, uses global variables
29 all over the place, doesn't use nice design patterns like
30 `visitors <http://en.wikipedia.org/wiki/Visitor_pattern>`_, etc... but
31 it is very simple. If you dig in and use the code as a basis for future
32 projects, fixing these deficiencies shouldn't be hard.
34 I've tried to put this tutorial together in a way that makes chapters
35 easy to skip over if you are already familiar with or are uninterested
36 in the various pieces. The structure of the tutorial is:
38 -  `Chapter #1 <#language>`_: Introduction to the Kaleidoscope
39    language, and the definition of its Lexer - This shows where we are
40    going and the basic functionality that we want it to do. In order to
41    make this tutorial maximally understandable and hackable, we choose
42    to implement everything in Objective Caml instead of using lexer and
43    parser generators. LLVM obviously works just fine with such tools,
44    feel free to use one if you prefer.
45 -  `Chapter #2 <OCamlLangImpl2.html>`_: Implementing a Parser and
46    AST - With the lexer in place, we can talk about parsing techniques
47    and basic AST construction. This tutorial describes recursive descent
48    parsing and operator precedence parsing. Nothing in Chapters 1 or 2
49    is LLVM-specific, the code doesn't even link in LLVM at this point.
50    :)
51 -  `Chapter #3 <OCamlLangImpl3.html>`_: Code generation to LLVM IR -
52    With the AST ready, we can show off how easy generation of LLVM IR
53    really is.
54 -  `Chapter #4 <OCamlLangImpl4.html>`_: Adding JIT and Optimizer
55    Support - Because a lot of people are interested in using LLVM as a
56    JIT, we'll dive right into it and show you the 3 lines it takes to
57    add JIT support. LLVM is also useful in many other ways, but this is
58    one simple and "sexy" way to shows off its power. :)
59 -  `Chapter #5 <OCamlLangImpl5.html>`_: Extending the Language:
60    Control Flow - With the language up and running, we show how to
61    extend it with control flow operations (if/then/else and a 'for'
62    loop). This gives us a chance to talk about simple SSA construction
63    and control flow.
64 -  `Chapter #6 <OCamlLangImpl6.html>`_: Extending the Language:
65    User-defined Operators - This is a silly but fun chapter that talks
66    about extending the language to let the user program define their own
67    arbitrary unary and binary operators (with assignable precedence!).
68    This lets us build a significant piece of the "language" as library
69    routines.
70 -  `Chapter #7 <OCamlLangImpl7.html>`_: Extending the Language:
71    Mutable Variables - This chapter talks about adding user-defined
72    local variables along with an assignment operator. The interesting
73    part about this is how easy and trivial it is to construct SSA form
74    in LLVM: no, LLVM does *not* require your front-end to construct SSA
75    form!
76 -  `Chapter #8 <OCamlLangImpl8.html>`_: Conclusion and other useful
77    LLVM tidbits - This chapter wraps up the series by talking about
78    potential ways to extend the language, but also includes a bunch of
79    pointers to info about "special topics" like adding garbage
80    collection support, exceptions, debugging, support for "spaghetti
81    stacks", and a bunch of other tips and tricks.
83 By the end of the tutorial, we'll have written a bit less than 700 lines
84 of non-comment, non-blank, lines of code. With this small amount of
85 code, we'll have built up a very reasonable compiler for a non-trivial
86 language including a hand-written lexer, parser, AST, as well as code
87 generation support with a JIT compiler. While other systems may have
88 interesting "hello world" tutorials, I think the breadth of this
89 tutorial is a great testament to the strengths of LLVM and why you
90 should consider it if you're interested in language or compiler design.
92 A note about this tutorial: we expect you to extend the language and
93 play with it on your own. Take the code and go crazy hacking away at it,
94 compilers don't need to be scary creatures - it can be a lot of fun to
95 play with languages!
97 The Basic Language
98 ==================
100 This tutorial will be illustrated with a toy language that we'll call
101 "`Kaleidoscope <http://en.wikipedia.org/wiki/Kaleidoscope>`_" (derived
102 from "meaning beautiful, form, and view"). Kaleidoscope is a procedural
103 language that allows you to define functions, use conditionals, math,
104 etc. Over the course of the tutorial, we'll extend Kaleidoscope to
105 support the if/then/else construct, a for loop, user defined operators,
106 JIT compilation with a simple command line interface, etc.
108 Because we want to keep things simple, the only datatype in Kaleidoscope
109 is a 64-bit floating point type (aka 'float' in OCaml parlance). As
110 such, all values are implicitly double precision and the language
111 doesn't require type declarations. This gives the language a very nice
112 and simple syntax. For example, the following simple example computes
113 `Fibonacci numbers: <http://en.wikipedia.org/wiki/Fibonacci_number>`_
117     # Compute the x'th fibonacci number.
118     def fib(x)
119       if x < 3 then
120         1
121       else
122         fib(x-1)+fib(x-2)
124     # This expression will compute the 40th number.
125     fib(40)
127 We also allow Kaleidoscope to call into standard library functions (the
128 LLVM JIT makes this completely trivial). This means that you can use the
129 'extern' keyword to define a function before you use it (this is also
130 useful for mutually recursive functions). For example:
134     extern sin(arg);
135     extern cos(arg);
136     extern atan2(arg1 arg2);
138     atan2(sin(.4), cos(42))
140 A more interesting example is included in Chapter 6 where we write a
141 little Kaleidoscope application that `displays a Mandelbrot
142 Set <OCamlLangImpl6.html#kicking-the-tires>`_ at various levels of magnification.
144 Lets dive into the implementation of this language!
146 The Lexer
147 =========
149 When it comes to implementing a language, the first thing needed is the
150 ability to process a text file and recognize what it says. The
151 traditional way to do this is to use a
152 "`lexer <http://en.wikipedia.org/wiki/Lexical_analysis>`_" (aka
153 'scanner') to break the input up into "tokens". Each token returned by
154 the lexer includes a token code and potentially some metadata (e.g. the
155 numeric value of a number). First, we define the possibilities:
157 .. code-block:: ocaml
159     (* The lexer returns these 'Kwd' if it is an unknown character, otherwise one of
160      * these others for known things. *)
161     type token =
162       (* commands *)
163       | Def | Extern
165       (* primary *)
166       | Ident of string | Number of float
168       (* unknown *)
169       | Kwd of char
171 Each token returned by our lexer will be one of the token variant
172 values. An unknown character like '+' will be returned as
173 ``Token.Kwd '+'``. If the curr token is an identifier, the value will be
174 ``Token.Ident s``. If the current token is a numeric literal (like 1.0),
175 the value will be ``Token.Number 1.0``.
177 The actual implementation of the lexer is a collection of functions
178 driven by a function named ``Lexer.lex``. The ``Lexer.lex`` function is
179 called to return the next token from standard input. We will use
180 `Camlp4 <http://caml.inria.fr/pub/docs/manual-camlp4/index.html>`_ to
181 simplify the tokenization of the standard input. Its definition starts
184 .. code-block:: ocaml
186     (*===----------------------------------------------------------------------===
187      * Lexer
188      *===----------------------------------------------------------------------===*)
190     let rec lex = parser
191       (* Skip any whitespace. *)
192       | [< ' (' ' | '\n' | '\r' | '\t'); stream >] -> lex stream
194 ``Lexer.lex`` works by recursing over a ``char Stream.t`` to read
195 characters one at a time from the standard input. It eats them as it
196 recognizes them and stores them in a ``Token.token`` variant. The
197 first thing that it has to do is ignore whitespace between tokens. This
198 is accomplished with the recursive call above.
200 The next thing ``Lexer.lex`` needs to do is recognize identifiers and
201 specific keywords like "def". Kaleidoscope does this with a pattern
202 match and a helper function.
204 .. code-block:: ocaml
206       (* identifier: [a-zA-Z][a-zA-Z0-9] *)
207       | [< ' ('A' .. 'Z' | 'a' .. 'z' as c); stream >] ->
208           let buffer = Buffer.create 1 in
209           Buffer.add_char buffer c;
210           lex_ident buffer stream
212     ...
214     and lex_ident buffer = parser
215       | [< ' ('A' .. 'Z' | 'a' .. 'z' | '0' .. '9' as c); stream >] ->
216           Buffer.add_char buffer c;
217           lex_ident buffer stream
218       | [< stream=lex >] ->
219           match Buffer.contents buffer with
220           | "def" -> [< 'Token.Def; stream >]
221           | "extern" -> [< 'Token.Extern; stream >]
222           | id -> [< 'Token.Ident id; stream >]
224 Numeric values are similar:
226 .. code-block:: ocaml
228       (* number: [0-9.]+ *)
229       | [< ' ('0' .. '9' as c); stream >] ->
230           let buffer = Buffer.create 1 in
231           Buffer.add_char buffer c;
232           lex_number buffer stream
234     ...
236     and lex_number buffer = parser
237       | [< ' ('0' .. '9' | '.' as c); stream >] ->
238           Buffer.add_char buffer c;
239           lex_number buffer stream
240       | [< stream=lex >] ->
241           [< 'Token.Number (float_of_string (Buffer.contents buffer)); stream >]
243 This is all pretty straight-forward code for processing input. When
244 reading a numeric value from input, we use the ocaml ``float_of_string``
245 function to convert it to a numeric value that we store in
246 ``Token.Number``. Note that this isn't doing sufficient error checking:
247 it will raise ``Failure`` if the string "1.23.45.67". Feel free to
248 extend it :). Next we handle comments:
250 .. code-block:: ocaml
252       (* Comment until end of line. *)
253       | [< ' ('#'); stream >] ->
254           lex_comment stream
256     ...
258     and lex_comment = parser
259       | [< ' ('\n'); stream=lex >] -> stream
260       | [< 'c; e=lex_comment >] -> e
261       | [< >] -> [< >]
263 We handle comments by skipping to the end of the line and then return
264 the next token. Finally, if the input doesn't match one of the above
265 cases, it is either an operator character like '+' or the end of the
266 file. These are handled with this code:
268 .. code-block:: ocaml
270       (* Otherwise, just return the character as its ascii value. *)
271       | [< 'c; stream >] ->
272           [< 'Token.Kwd c; lex stream >]
274       (* end of stream. *)
275       | [< >] -> [< >]
277 With this, we have the complete lexer for the basic Kaleidoscope
278 language (the `full code listing <OCamlLangImpl2.html#full-code-listing>`_ for the
279 Lexer is available in the `next chapter <OCamlLangImpl2.html>`_ of the
280 tutorial). Next we'll `build a simple parser that uses this to build an
281 Abstract Syntax Tree <OCamlLangImpl2.html>`_. When we have that, we'll
282 include a driver so that you can use the lexer and parser together.
284 `Next: Implementing a Parser and AST <OCamlLangImpl2.html>`_