编译过程

以C语言为例，编译成可执行文件一共要经历：预处理=>狭义编译=>汇编=>链接，最终成为可执行文件。

预处理

输入源代码文件以及其包含的头文件，由预处理器执行展开宏定义、处理，条件编译指令、将包含的头文件直接插入到指令位置，删除注释。

输出纯净的、宏已展开、注释已删除、头文件已包含的中间代码文件，通常为.i。

编写一个简单的程序：

#include <stdio.h>
#define STRING "Program"

int
main() {
  // 打印一些内容
  printf("Hello world!\n");
  printf("%s\n", STRING);
  return 0;
}

使用gcc的-E选项生成中间代码：

gcc exam.c -E -o ./exam.i

他生成了非常长的代码

可以验证预处理器是直接把头文件替换进来的。而代码中类似# 5 "exam.c"的标记用于记录源代码的位置信息，便于调试器和错误诊断程序追踪代码位置。

编译（狭义编译）

词法分析

输入预处理后的源代码文件，有编译器执行词法分析，将字符流分解成有意义的词素（Token），例如：

int sum = a + b;

分解成int, sum, =, a, +, b等Token。

语法分析

根据语言的语法规则，将Token序列组合成抽象语法树（Abstract Syntax Tree），简称AST，表达了代码的结构和层次关系。

语义分析

检查程序的语义是否正确，例如变量是否声明、类型是否匹配等。

中间代码生成

将AST转换成一种独立于CPU架构的中间表示形式（intermediate Representation），即IR。常见的IR有三地址码、LLVM IR、Java字节码等，为了优化和转移成多种目标机器码。

优化

对IR进行处理，目的是在不改变程序行为的前提下，提高代码效率。包括：

  • 常量折叠：如计算3 + 5为8。
  • 死代码消除：移除永远不会执行到的代码。
  • 循环优化：如循环展开。
  • 函数内联。
  • 寄存器分配：决定哪些变量存储在高速的CPU寄存器中。

输出优化后的中间代码。

汇编

输入IR，或直接由编译器生成的汇编代码。由汇编器as执行。将汇编指令一对一地转换成特定CPU架构的机器操作指令。处理伪汇编指令，如定义数据段.data，定义代码段.text，分配存储空间space等。最后解析符号、如函数名、变量名等，生成符号表。

输出目标文件，如.o，.obj，包含机器指令、全局变量、静态变量的初始值等、符号表、重定位信息。

链接

输入一个或多个.o文件夹+库文件（静态.a/.lib，动态.so/.dll）。由链接器进行符号解析、重定位、库处理，最输出可执行文件或库文件。

CPU如何识别指令

CPU执行程序的循环称为Fetch-Decode-Execute Cycle（取指-译码-执行周期）。

取指

CPU内部有一个寄存器叫程序计数器（Program Counter, PC），它保存着下一条要执行的指令的内存地址，CPU将PC中的地址发送到地址总线，内存控制器根据地址总线上的地址，找到对应的内存单元，将其存储的指令通过数据总线送回CPU。取回来的指令被放入指令寄存器IR。PC的值自动增加，指向下一条指令的地址。

译码指令

CPU的控制单元读取IR中的指令，控制单元包含一指令译码器，译码器分析指令 操作码部分，操作码唯一表示CPU应该执行什么操作，如ADD MOV JMP等。

根据操作码，译码器决定：

  • 操作的性质（算术、逻辑、数据传输、跳转等）。
  • 操作需要多少个操作数。
  • 操作数存放位置（寄存器、内部地址指令本身中的立即数）

译码器激活执行该操作所需要的CPU内部电路通路和控制信号，结果决定了下一个阶段（执行）需要做什么。

执行指令

CPU的算术逻辑单元（Arithmetic Logic Unit, ALU）或去他功能单元（FPU MMU）根据译码器产生的控制信号执行实际操作。

操作数可能从寄存器文件中读取，或者从内存中加载，ALU执行加减与或移位等操作，如果指令是JMP/CALL/RET/分支指令等跳转指令，可能会修改PC的值，从而改变下一条指令的位置。计算结果可能写回寄存器，或者通过数据总线写会内存。

上述的操作循环以极高的速度（GHz级别）不断重复，构成了CPU运行程序基础。

编译后的指令在物理层面上是什么

答：内存中的电荷状态。

程序被操作系统加载到计算机的RAM中，RAM由无数的存储单元（通常是电容）组成，每一个单元可以存储一个bit的信息。

高电平电荷（通常代表1）或低电平电荷（通常代表0）的状态，就表示一个二进制位。

每条指令由多个bit组成。指令序列在RAM中是一系列连续存储单元的电荷状态。当CPU取指令时，PC寄存器的值，也就是一组触发器的电平状态被送到地址总线，也就是一组物理导线。

地址总线上的电平信号激活内存控制器和特定的存储单元。

被选中的内存单元的电荷状态被读出，转换为相应的电平信号，通过数据总线传回CPU。

这些电平信号进入CPU的指令寄存器IR，也是一组触发器的电平状态。

一组一组电平状态激活着CPU中的组件，从而执行指令。