brahman/crates/modules/charka/SDD.md

# modules/charka/ — Transpilador COBOL → Rust

**Propósito.** Modernizar sistemas COBOL legados transpilándolos a Rust
con un runtime determinista y un validador en sombra (shadow validator)
que compara la salida del original y la del transpilado. Es el módulo
más grande del ecosistema — el parser COBOL completo (CICS, SQL
embebido, dialectos IBM Enterprise) es un esfuerzo multi-mes.

## Crates

| crate          | tipo | rol                                                          |
| -------------- | ---- | ------------------------------------------------------------ |
| `charka-bcd`    | lib  | Aritmética decimal de punto fijo con semántica COBOL: `Picture`, `Decimal`, redondeo, `ON SIZE ERROR` |
| `charka-lexer`  | lib  | Tokenizador COBOL: formato fijo (tarjeta de 80 columnas) y libre |
| `charka-parser`  | lib  | Parser COBOL'85 (subconjunto): tokens → AST (`Program`) |
| `charka-ir`      | lib  | Representación intermedia: el AST con los statements del PROCEDURE ya tipados |
| `charka-runtime` | lib  | Soporte de ejecución de los programas transpilados: campos `Num` y `Text` |
| `charka-codegen` | lib  | Emisión de Rust: IR → fuente Rust sobre `charka-runtime` |
| `charka-shadow`  | lib  | Validador en sombra: intérprete del IR + corpus de prueba |

## charka-bcd

COBOL no calcula en binario flotante: opera sobre campos decimales de
precisión fija (`PIC S9(5)V99`). Reproducir un programa COBOL exige
reproducir esa aritmética dígito a dígito.

- `Picture` — parsea la cláusula PICTURE numérica (`9`, `V`, `S`, `9(n)`).
- `Decimal` — punto fijo exacto (`mantissa: i128` + `scale`); suma, resta
  y producto exactos; división con escala de resultado fija; redondeo
  `Truncate`/`HalfUp`; `coerce` a un `Picture` con detección de
  desbordamiento.
- Determinista, sin dependencias de plataforma — mismo programa, mismos
  dígitos, en cualquier máquina.

## charka-lexer

Primera etapa del pipeline: texto COBOL → secuencia de `Token`.

- **Lexer tonto**: no conoce keywords ni la cláusula `PICTURE` — emite
  `Word` para todo identificador; la clasificación es del parser.
- Tokens: `Word` (con guiones internos, `WORKING-STORAGE`), `Number`
  (sin signo), `String` (comillas dobladas colapsadas), `Period`,
  `Symbol` (`( ) , ; :` y operadores `+ - * / ** = < > <= >= <>`).
- Dos formatos: **fijo** (cols 1-6 secuencia, 7 indicadora, 8-72
  código, 73-80 id) y **libre**. Comentarios por col 7 (`*`/`/`) o `*`
  inicial en formato libre.
- Cada token lleva línea/columna 1-based. `LexError` tipado.
- Limitación v1: sin continuación de literales entre líneas
  (indicador `-`).

## charka-parser

Segunda etapa: tokens → AST. Alcance v1 — el **esqueleto del programa**.

- `parse(&[Token]) -> Result<Program, ParseError>`.
- `Program { program_id, data: Vec<DataItem>, paragraphs: Vec<Paragraph> }`.
- **DATA division** → árbol de `DataItem` (`level`, `name`, `picture`,
  `value`, `children`). Reensambla la cláusula `PICTURE` desde sus
  tokens (`S9` `(` `5` `)` `V99` → `S9(5)V99`); anida por número de
  nivel (01 y 77 son raíces; 88 cuelga del ítem precedente).
- **PROCEDURE division** → `Vec<Paragraph>`, cada `Paragraph` con sus
  `Sentence` (tokens crudos — sin parseo a nivel de statement). Las
  sentencias previas al primer encabezado van a un párrafo implícito
  de nombre "".
- Tolerante: salta encabezados de `SECTION`, entradas `FD`/`SD` y
  cláusulas de datos que no sean `PICTURE`/`VALUE`. `ParseError` sólo
  ante nivel inválido o dato sin nombre.
- Limitación v1: no parsea statements, ni la ENVIRONMENT division, ni
  CICS / SQL embebido / dialectos IBM.

## charka-ir

Tercera etapa: `Program` → `Ir`. Aquí se parsea cada `Sentence` cruda
(tokens) a statements tipados — el PROCEDURE division pasa de tokens a
árbol de instrucciones.

- `lower(&Program) -> Ir` — **total y tolerante**, nunca falla.
- `Ir { program_id, data, model, procedures }`. `data` es el árbol de
  `DataItem` con su estructura de grupos; `model` es el **modelo de
  datos resuelto** (módulo `model`): el árbol aplanado a campos
  elementales (`Field` con `FieldKind` numérico/alfanumérico y el
  `VALUE` normalizado) más los nombres de condición (nivel 88). Es la
  fuente única de verdad sobre «qué tipo de campo describe una
  PICTURE» — `charka-codegen` y `charka-shadow` lo consumen en vez de
  reimplementar la clasificación.
- `Procedure { name, body: Vec<Stmt> }`. `Stmt` cubre `Move`,
  `Display`, `Accept`, `Compute`, `Add`/`Subtract`/`Multiply`/`Divide`,
  `If`, `Evaluate`, `StringConcat`, `Unstring`, `Inspect`, `Perform`,
  `GoTo`, `StopRun`, `Goback`, `Exit`, `Continue`.
- `Expr` — expresiones aritméticas con precedencia y paréntesis (Pratt:
  `+ -` < `* /` < `**` der.). `Cond` — comparaciones (símbolo o forma
  palabra) unidas por `AND`/`OR`/`NOT`, más nombres de condición
  (nivel 88), que se resuelven contra el `model` a `padre = valor`.
- Un verbo no soportado se conserva como `Stmt::Unknown { verb,
  tokens }` — el lowering jamás aborta.
- COBOL no separa statements con un símbolo: cada uno corta donde
  empieza el verbo del siguiente. El parser usa palabras "frontera"
  (verbos + terminadores `END-*`/`ELSE` + conectores `TO`/`GIVING`...)
  para delimitar listas de operandos.
- `PERFORM` cubre las cuatro formas: párrafo / en línea, `n TIMES`,
  `UNTIL cond` y `VARYING var FROM x BY y UNTIL cond`.
- `EVALUATE subject WHEN ... WHEN OTHER` — el `case` de COBOL, por
  igualdad de valor (no la forma `EVALUATE TRUE` con condiciones).
- `STRING` (concatenación) y `UNSTRING` (partición por delimitador) —
  el manejo de cadenas. `INSPECT` — contar (`TALLYING FOR ALL`) y
  reemplazar (`REPLACING ALL`).
- Fuera de alcance v1: E/S de ficheros, CICS, SQL embebido.

## charka-runtime

El soporte de ejecución: lo que `charka-codegen` emite es Rust que
enlaza contra este crate. Da a un programa transpilado la semántica de
COBOL en tiempo de ejecución.

- `Num` — campo numérico (`PIC 9(5)V99`): un `Decimal` conformado a su
  `Picture`. `store`/`store_rounded` truncan o redondean a la escala
  declarada; al desbordar conservan los dígitos de bajo orden (el
  `ON SIZE ERROR` sin cláusula). `display` da los dígitos con relleno
  de ceros.
- `Text` — campo alfanumérico (`PIC X(20)`) de longitud fija: `store`
  justifica a la izquierda y rellena/trunca; `fill` mueve figurativas
  (`SPACES`, `ZEROS`).
- `cobol_text_cmp` — comparación alfanumérica con relleno de espacios.
- Reexporta `Decimal`/`Picture`/`Rounding` de `charka-bcd` para que el
  código generado sólo necesite `use charka_runtime::*;`.

Construido **antes** que `charka-codegen` (la nota de orden del plan
los listaba al revés): el codegen emite llamadas contra esta API, así
que el runtime debe existir primero — y es un crate autocontenido,
verificable sin depender del código emitido.

## charka-codegen

La etapa final: `generate(&Ir) -> String` produce un fuente Rust (un
`main.rs`) que, compilado contra `charka-runtime`, ejecuta la lógica
del programa COBOL.

- Un `struct Program` con un campo por cada dato elemental (`Num` /
  `Text`); `Program::new()` lo inicializa desde las cláusulas `VALUE`.
- Un método `p_<párrafo>(&mut self)` por párrafo; `run()` los encadena
  en orden (el «caer» de COBOL); `main()` construye y corre.
- Cada `Stmt` → líneas Rust: `MOVE`→`.store`, `DISPLAY`→`println!`,
  `COMPUTE`/aritmética → expresiones `Decimal`, `IF`→`if`, `PERFORM`→
  llamada / `for` / `while`, `STOP RUN`→`process::exit`.
- **Tolerante**: lo no transpilable (`Stmt::Unknown`, dato sin
  resolver, `**`) se emite como comentario `// charka:` — el código
  generado siempre compila.
- **Tablas** (`OCCURS n`): un campo `OCCURS` se emite como `Vec<Num>`
  / `Vec<Text>`; una referencia con subíndice `ELEM(I)` indexa el
  vector (subíndice 1-based de COBOL → 0-based de Rust).
- Verificado de punta a punta: un programa COBOL de demostración
  transpila a Rust que compila contra `charka-runtime` y produce la
  salida correcta.
- Fuera de alcance v1: grupos como campo propio, `REDEFINES`,
  `OCCURS` de grupo, `PERFORM ... THRU` como rango, E/S de ficheros.

## charka-shadow

El validador: certifica que el pipeline preserva la semántica del
COBOL original. Lo hace con una **ejecución sombra** — un intérprete
que corre el `Ir` directamente sobre `charka-runtime`, sin compilar.

- `interpret(&Ir) -> Outcome` — ejecuta el IR y captura las líneas de
  `DISPLAY`. `run_source(&str)` corre el pipeline completo.
- El intérprete es una segunda ruta de ejecución, independiente del
  código que emite `charka-codegen`: si la sombra y el transpilado
  divergieran, eso delataría un bug.
- Tope de pasos: un bucle que no termina se corta con
  `Halt::StepLimit` en vez de colgarse.
- La referencia v1 es el **corpus** (`corpus/`): programas COBOL de
  complejidad graduada con sus salidas esperadas verificadas a mano.
  Un modo futuro, con GnuCOBOL, diferenciará contra el compilador real.
- En el intérprete todo campo es un vector — un escalar es de longitud
  1, una tabla `OCCURS n` de longitud `n`.

## El corpus

`crates/modules/charka/corpus/` — 13 programas COBOL graduados
(`01-hola` … `13-inspeccion`), cada uno con su `.expected`. Ejercita el
pipeline completo de punta a punta. Ver su `README.md`.

## La CLI

`crates/apps/charka/` — el binario `charka`, que envuelve el pipeline
en cuatro comandos: `transpile` (emite Rust), `scaffold` (genera un
crate compilable), `run` (ejecuta vía el intérprete sombra) y `check`
(ejecuta y diferencia contra una salida esperada). Avisa de los verbos
no transpilados.

## Estado

Pipeline **completo** — `charka-bcd` (22 tests), `charka-lexer` (17),
`charka-parser` (15), `charka-ir` (17), `charka-runtime` (17),
`charka-codegen` (14), `charka-shadow` (11) y la CLI `charka` (4)
implementados y verdes. COBOL → Rust corre de punta a punta, validado
contra el corpus. El crate que genera `scaffold` compila y su salida
coincide con la del intérprete sombra — las dos rutas de ejecución
concuerdan.

Próximo hito mayor: salir del subconjunto COBOL'85 puro hacia CICS,
SQL embebido y los dialectos IBM Enterprise; ampliar el codegen
(grupos como campo, `REDEFINES`, `OCCURS` de grupo, E/S de ficheros).