从语言编译器源码入手，编译原理该这么学
视频选集
标志符 & 关键字：
Java 是先一起识别出来，再挑出保留关键字；
Python 不区分，在后面语法处理阶段再区分
Java：同时使用自顶向下（总体）和自底向上（部分，比如二元表达式：加减乘除）—— Go语言也是这么实现的
并发：
- coroutine
- goroutine
虚拟机在栈、寄存器上的安排，和 线程 有什么不同？
教科书里面，大多数是 TAC 三地址代码
真实的编译器四种示例：LLVM IR、Julia、Java（图）——JIT编译器、V8
sea of nodes （节点之海）这种数据结构，为什么？
SSA
上图是 Java
机器码是怎么生成的？
AST -> IR（高、中、低） --> 指令选择、寄存器分配、指定的排序 --> 机器码
LLVM学什么？：一个学它的优化，一个学它的后端代码生成
非结构化的数据转化为结构化的数据：
阿里一个手写的SQL解析器 —— 快、分布式导到对应的数据库服务器？
——有最佳实践，有固定的套路
SaaS：Salesforce 和 SAP 都是用自己的语言、编程平台做的
模块化
JS：V8 会根据参数类型做推断，再做优化；一旦改了类型，则前面的优化就全无效了；建议用不同的函数名字
要会调试跟踪是不是进行了内联；——内联不仅减少了函数的调用，还有其它的优化；
大量的循环，不要去访问对象的成员变量——因为要写内存；
Skia：重性能，官网强烈推荐用 clang 编译
基于Java 的DSL，这件事一定要会做；
Protobuf 的例子：内部有编译器把网络协议的内容编译后落地
两种不同的汇编架构：
- x86
- ARM：load-store 架构？
什么样的功能，应该用什么样的指令最高效实现，心里有数~
内存计算：一定要知道 SIMD指令
AI：支持 SIMD、支持 GPU，效果是不一样的！！
——AI框架发布的时候，要看它是否支持了相应的指令集
学会了编译原理后，会对高性能这块敏感
看得更加的本质化；
GraalVM：实现了基于语言的虚拟化（如C/C++）
...
左递归在哪出现？
一个产生式会生成 epsilon（空字符串），在哪里会产生？：{} block statements；parameter；
什么地方需要预读好几个 token？
内置函数：要速度比较快，难点是如何去支持那么多的后端？
https://zh.wikipedia.org/wiki/%E9%9D%99%E6%80%81%E5%8D%95%E8%B5%8B%E5%80%BC%E5%BD%A2%E5%BC%8F
编译器最佳化的算法，可以借由SSA的使用，达到以下的改进：
- 常数传播 （constant propagation）
- 值域传播（value range propagation）
- 稀疏有条件的常数传播 （sparse conditional constant propagation）
- 消除无用的程式码 （dead code elimination）
- 全域数值编号 （global value numbering）
- 消除部分的冗余 （partial redundancy elimination）
- 强度折减 （strength reduction）
- 暂存器配置 （register allocation）
Sea of nodes 中译文
https://blog.csdn.net/raojun/article/details/103605349 （好文！）
抽象语法树是使用 esprima工具生成
AST树，因此从顶部到底部遍历访问它很自然，当我们访问AST节点时就生成对应的机器码。 这种方法的问题在于，有关变量的信息非常稀疏，并且分布在不同的树节点上。
同样，为了安全地将长度查找移出循环，我们需要知道数组长度在循环的迭代之间不会改变。 人们只要看一下源代码就可以轻松地做到这一点，但是编译器需要做大量工作才能从AST中提取到这些信息。
像许多其他编译器问题一样，通常可以通过将数据提升到更合适的抽象层（即中间表示）中来解决此问题。 在这个特例里，IR的选择称为数据流图（DFG）。 与其关注语法实体（例如用于循环，表达式等），不如关注数据本身（读取，变量值）以及它们如何在程序中变化。
我为sea-of-nodes实践编写了一个JavaScript工具集，其中包括：
- json-pipeline -图的生成器和标准库。 提供创建节点，向节点添加输入，更改其控制依赖性以及向/从可打印数据导出/导入图的方法！
- json-pipeline-reducer – 简化（reductions）引擎。 只需创建一个reducer实例，为它提供几个reduce函数，然后在现有的json-pipeline图上执行这个reducer。
- json-pipeline-scheduler – 这是一个库，用于将无序图放回由控制边（虚线）连接在一起的有限数量的块中
这些工具结合在一起，可以解决许多用数据流方式表示的问题。
强加范式：——比如 JVM的对象模式；
scala 支持 actor 模式，Erlang 也支持 actor 模式；
Erlang 的作者在讨论这件事的时候，提了一个问题：scala 不支持抢断式的并发——因为JVM不支持；
如果一个携程运行时间太长的话，它可以影响其它的携程的
Golang 的并发与 Erlang、Scala、Node.js 和 Python 的并发模型相比有何特点？ - 蔡磊的回答 - 知乎 https://www.zhihu.com/question/21461752/answer/27746958
