🥮 mooncakes.io

    copybook

    COBOL copybook compiler: fixed-length EBCDIC/COMP-3 record decoding into typed rows, with layout maps and round-trip encoding.

    cobol
    copybook
    ebcdic
    fixed-record
    legacy-data
    Download zip
    Version
    0.1.1
    License
    Apache-2.0
    Repository
    Last updated
    1 hour ago
    Downloads
    12

    #copybook

    COBOL copybook 编译器：把大型机定长记录解码成类型化数据。

    MoonBit License

    #为什么

    每天仍有海量业务数据以 EBCDIC 定长记录 + COBOL copybook 的形式在主機之间流转：银行日终对账、保险保单批处理、社保与税务申报、航空订票（SABRE 系）、医院 HIS 系统。

    这些文件的 schema 不是 JSON Schema，而是一份 PIC 子句组成的 copybook：

    01  CUSTOMER-RECORD.
    05  CUST-ID        PIC 9(8).
    05  CUST-NAME      PIC X(30).
    05  BALANCE        PIC S9(7)V99 COMP-3.
    05  OPEN-DATE      PIC 9(8).

    S9(7)V99 COMP-3 的意思是：带符号、7 位整数 + 2 位小数、打包十进制，占 5 个字节。金额绝不用浮点——这就是它能几十年不出分毫误差的原因。

    现有处理方式要么是商业软件（IBM InfoSphere、Syncsort、Precisely），要么是大量手写 struct.unpack 脚本，后者经常在以下地方出错：zoned decimal 的末位符号覆盖、COMP-3 的半字节对齐、OCCURS 展开、REDEFINES 联合体、层级号决定的隐式填充。

    copybook 把这件事做成一个可测试、可复现的编译器：解析 copybook → 计算精确字节布局 → 双向编解码。

    #安装与运行

    作为库依赖（已发布到 mooncakes.io）：

    moon add NekoYume517/copybook

    // 解析 copybook → 编译布局 → 解码 EBCDIC 记录
    let specs = @copybook.parse_copybook(cpy_text)
    let layout = @copybook.compile_layout(specs)
    let row = @copybook.decode_record(layout, record_bytes)

    作为命令行工具（源码运行，需要 MoonBit 工具链：https://www.moonbitlang.com/download ）：

    moon check
moon test
moon run cmd/copybook -- layout --copybook examples/customer.cpy

    #用法

    # 看字节布局（最容易出错的地方，先看这个）
copybook layout --copybook examples/customer.cpy

# 解码成 JSONL
copybook decode --copybook examples/customer.cpy --data examples/customer.dat --format jsonl

# 解码成定宽文本表格
copybook decode --copybook examples/customer.cpy --data examples/customer.dat --format table

# 自检：解码再编码，逐字节比对（纯内存路径）
copybook verify --copybook examples/customer.cpy --data examples/customer.dat

# 完整的「解码 → 编辑 → 编码」工作流（经过 JSON 文本）
copybook decode --copybook examples/customer.cpy --data examples/customer.dat --format jsonl > out.jsonl
copybook encode --copybook examples/customer.cpy --json out.jsonl --out roundtrip.dat
# roundtrip.dat 与 examples/customer.dat 逐字节相同

# 数据源是 GnuCOBOL / Micro Focus 时，浮点要显式声明为 IEEE 754
copybook decode --copybook app.cpy --data app.dat --float-mode ieee

    verify 走的是内存内 decode→encode，不经过 JSON。要验证「导出成 JSON 再导回」 这条真实工作流，用上面最后两条命令，然后比较文件。这两条路径不同，都测过。

    注意 decode --format jsonl 把定点小数写成 JSON 数字（1234567.89）。 JSON 没有定点类型，5.00 会序列化成 5；编码器按字段声明的 scale （PIC S9(7)V99 → 2 位小数）还原，因此 5 仍被正确写成 500 分。 这一点有专门的回归测试（src/json_roundtrip_test.mbt）。

    layout 输出：

    RECORD: CUSTOMER-RECORD                          LENGTH: 54 bytes

OFFSET  LENGTH  OCCURS  TYPE              NAME
     0       8       1  9(8) DISPLAY      CUSTOMER-RECORD.CUST-ID
     8      30       1  X(30) DISPLAY     CUSTOMER-RECORD.CUST-NAME
    38       5       1  S9(7)V99 COMP-3   CUSTOMER-RECORD.BALANCE
    43       8       1  9(8) DISPLAY      CUSTOMER-RECORD.OPEN-DATE
    51       1       1  X(1) DISPLAY      CUSTOMER-RECORD.FLAGS.ACTIVE
    52       2       1  9(2) DISPLAY      CUSTOMER-RECORD.FLAGS.TIER

    #目标标准与兼容范围

    这一节回答「你实现的到底是哪个 COBOL」——去掉这一段，任何字节级声明都站不住。

    #目标平台

    本项目的首要目标是** IBM 大型机（z/OS）落地的定长记录**。这决定了下面每个默认值：

    维度本项目采用依据
    字符编码EBCDIC cp037（US/Canada）主機记录的实际编码；ASCII 不是候选
    记录形态定长，无 RDW/BDW，记录间无填充主机批量文件的标准形态
    数值表示zoned decimal / COMP-3 打包十进制 / COMP 二进制补码COBOL 主机端标准数值格式
    浮点表示IBM HFP 十六进制浮点（base-16 指数）z/OS 的 COMP-1 / COMP-2 原生格式
    语言子集COBOL-85 数据描述子集 + IBM Enterprise COBOL 常用扩展见下方「支持的 COBOL 子集」

    #语言标准

    • 数据描述：ISO/IEC 1989（COBOL-85）的 PIC / USAGE / OCCURS / REDEFINES / SIGN 子句语义
    • 扩展：IBM Enterprise COBOL 的 COMP-1 / COMP-2 / COMP-4 / FLOAT-SHORT / FLOAT-LONG 写法
    • 不涉及：过程部（PROCEDURE DIVISION）语义、MOVE 的隐式转换规则、运行时算术——本项目只做数据布局与字节编解码，不做 COBOL 解释器

    #浮点：两种互不兼容的表示

    这是本项目最容易出错、也最需要显式声明的一点。同一个数值 1.5，在不同 COBOL 实现的 COMP-1 里字节完全不同：

    实现COMP-1 存 1.5 的字节格式指数
    IBM z/OS 主机41 18 00 00HFP（十六进制浮点）base-16，excess-64
    GnuCOBOL / Micro Focus / x863F C0 00 00IEEE 754 binary32base-2，excess-127

    两者的差异不是"精度不同"，而是格式不同：

    属性IBM HFPIEEE 754
    指数基数162
    指数偏置64（7 位）127 / 1023（8 / 11 位）
    COMP-1 尾数24 位（6 个十六进制数字）24 位（隐含前导 1）
    COMP-2 尾数56 位（14 个十六进制数字）53 位（隐含前导 1）
    NaN / ±Infinity没有有
    渐进下溢没有（小于 2^-260 直接下溢）有非规格化数
    ±0尾数为 0，符号位保留有专门的 ±0 编码

    因此本项目要求显式声明浮点表示，不提供"猜"的模式：

    # 默认：IBM 主机 HFP（本项目目标平台）
copybook decode --copybook app.cpy --data app.dat

# GnuCOBOL / Micro Focus 产生的数据：显式指定 IEEE 754
copybook decode --copybook app.cpy --data app.dat --float-mode ieee

    选错的后果是数值完全错误但不会报错——41 18 00 00 按 IEEE 读出来是 9.5。这是把 HFP 的 41 18 00 00 当成 IEEE 754 解释后的结果；反过来把 IEEE 的 3F C0 00 00 当成 HFP 解释，也会得到无意义的值。所以 layout / decode / encode / verify 四个子命令都接受 --float-mode，且默认值写死为 hfp（有回归测试锁定，不允许悄悄改回 IEEE）。

    浮点字节保真：COMP-2 的 56 位尾数比 Double 多 3 位，Double 存不下低 3 位非零的值。本项目不因此放弃字节保真——decode 对这类值产出带原始字节的 FloatRaw，encode 原样写回，JSONL 用保留键 __float_hex 携带；因此 decode → JSONL → encode 仍然逐字节恒等（详见 FIDELITY.md 第 5.1 节）。.f 字段里的数值本身是近似值，精确值以 __float_hex 为准。

    #兼容范围速查

    数据来源能否用本项目需要的选项
    IBM z/OS 批量导出（EBCDIC + COMP-3 + HFP）✅ 完整支持默认
    同上但含 IEEE 浮点字段（ARITH(IEEE) 编译）⚠️ 浮点需声明--float-mode ieee
    GnuCOBOL 生成的测试数据⚠️ 浮点需声明--float-mode ieee
    Micro Focus 生成的数据⚠️ 浮点需声明--float-mode ieee
    ASCII 编码的 COBOL 文件❌ 不支持本项目只解 EBCDIC
    变长记录（RDW/BDW 头）❌ 不支持需先剥离头部再喂进来
    多个 01 层级混排的记录型态⚠️ 有简化见「已声明的简化」

    特性状态
    PIC 9(n) 数字（zoned decimal）✅
    PIC S9(n) 带符号✅
    PIC X(n) / A(n) 字符✅
    PIC N(n) 国家字符✅ UTF-16BE；n 是 UTF-16 码元数（不是字符数），空位补 U+0020
    PIC S9(n)V9(m) 隐含小数✅
    COMP / COMP-4 二进制✅
    COMP-3 打包十进制✅
    COMP-1 / COMP-2 浮点✅ 默认 IBM HFP；--float-mode ieee 切 IEEE 754
    OCCURS n TIMES✅
    REDEFINES✅
    SIGN ... SEPARATE✅
    固定格式列 7 - 续行（PIC / VALUE 跨行）✅ 仅固定格式；自由格式没有续行符，行首 - 报错
    列 73-80 标识区✅ 固定格式下忽略（行长必须真的写到第 73 列）
    PIC 66 RENAMES / 88 条件名忽略（记录在 AST）
    OCCURS DEPENDING ON按上界展开（固定长度存储），occurs_depending_on 字段记录依赖名
    多个 01 层级并列拼接为一条记录（见下方说明）
    组级 USAGE✅ 子项继承

    PIC N(n) 的容量单位是 UTF-16 码元，不是「字符个数」：N(n) 占 2n 字节， 每个码元 2 字节，不足补 00 20（U+0020）。基本平面（BMP）字符占 1 码元， 补充平面字符（emoji、少数字形复杂的汉字）在 UTF-16 里是代理对，占 2 码元：

    05  EMOJI    PIC N(1).   * 只有 2 码元容量 → 存 emoji 报错（不截断、不替换）
05  EMOJI    PIC N(2).   * 4 字节，emoji 写成 D8 3D DE 00（U+1F600）

    放不下时返回带偏移的 InvalidNumeric（text exceeds NATIONAL code-unit capacity）， 绝不截断成半个代理对。回归测试：src/national_capacity_test.mbt。

    #已声明的简化

    多个 01 层级：COBOL 语义里每个 01 是一条独立记录（一个文件里可以 有多种记录型态）。本实现把后续 01 并列拼接成一条更长的记录—— compile_layout 的契约是「一份 copybook 一条记录布局」。如果文件里的数据 真的是多种记录型态混排，需要按记录类型拆分 copybook 分别处理。这个行为 写进测试（多 01 偏移连续）而不是悄悄偏离。

    重复的字段路径是编译错误。 解码结果以字段路径为键（R.G1.A），所以 两个可解码叶子拿到同一个路径时它们在数据面上不可区分：decode 会静默丢 其中一个，encode 把同一个值写进两个偏移。compile_layout 因此在布局 阶段显式报 duplicate field path '<path>'（对齐「绝不静默修正」，而不是 运行期加后缀去重）。触发它的两类输入是同名 01（上一条的并列拼接 形态）与同名兄弟组；G1.A / G2.A 这类不同组下的同名字段、以及 OCCURS 展开出的 A(1) / A(2) 路径互不相同，不受影响。

    EBCDIC 使用 cp037（US/Canada）。ASCII 与 EBCDIC 的数字位置完全不同——'0' 在 ASCII 是 0x30，在 EBCDIC 是 0xF0。

    #设计要点

    绝不静默修正。 遇到非法 EBCDIC 字节、越界字段、长度不匹配，返回带偏移量的显式错误，而不是猜一个值。

    布局可审计。 compile_layout 是纯函数，输入 copybook、输出每个字段的字节偏移。可以先 layout 肉眼核对，再解码数据。

    往返是测试基准。 decode → encode 必须逐字节还原原始记录。随机生成的 500 条记录全部往返一致，是 CI 的硬性要求。

    #项目结构

    src/
  ebcdic.mbt       cp037 编码表与转换
  lexer.mbt        copybook 词法
  parser.mbt       copybook 语法（层级树、PIC 子句）
  layout.mbt       字节布局计算
  hfp.mbt          IBM 十六进制浮点（COMP-1 / COMP-2 主机格式）
  decode.mbt       记录 → 类型化值
  encode.mbt       类型化值 → 记录
  output.mbt       JSONL / 表格 / 布局报告
  fidelity_test.mbt  字节保真回归（同值不同符号字节）
  audit_test.mbt   对抗性审计回归测试
cmd/copybook/
  main.mbt         CLI

    详细 API 见 API.md，字节保真的完整说明见 FIDELITY.md， MoonBit 语法要点见 MOONBIT-GUIDE.md。

    #背景资料

    • IBM Enterprise COBOL Language Reference — PIC 子句、USAGE 子句
    • ISO/IEC 1989（COBOL 标准）
    • EBCDIC cp037 码表 — IBM CDRA

    #License

    Apache-2.0，见 LICENSE。

    Powered by MoonBit

    Site sourceReport issueModulesSkillsBuild queueStatistics

    © 2026 mooncakes.io