一个程序从源代码到可执行程序的过程

一个程序从源代码到可执行程序的过程

程序从源代码到可执行程序需要经过预编译、编译、汇编和链接四个主要阶段。其中，编译阶段又可以细分为词法分析、语法分析、语义分析、中间代码生成、目标代码生成和优化等多个步骤。本文将详细介绍这个过程，并通过具体的C语言代码示例来说明这些概念。

一、预编译

预编译主要处理源代码文件中的以“#”开头的预编译指令。处理规则如下：

1. 删除所有的#define，展开所有的宏定义。
2. 处理所有的条件预编译指令，如#if、#endif、#ifdef、#elif和#else。
3. 处理#include预编译指令，将文件内容替换到它的位置，这个过程是递归进行的，文件中包含其他文件。
4. 删除所有的注释，“//”和“/**/”。
5. 保留所有的#pragma编译器指令，编译器需要用到他们，如：#pragma once是为了防止有文件被重复引用。
6. 添加行号和文件标识，便于编译时编译器产生调试用的行号信息，和编译时产生编译错误或警告时能够显示行号。

C语言的宏替换和文件包含的工作，不归入编译器的范围，而是交给独立的预处理器。

C语言中源代码文件的文件扩展名为.c，头文件的文件扩展名为.h，经预编译之后，生成xxx.i文件。在C++，源代码文件的扩展名是.cpp或.cxx，头文件的文件扩展名为.hpp，经预编译之后，生成xxx.ii文件。

二、编译

把预编译之后生成的xxx.i或xxx.ii文件，进行一系列词法分析、语法分析、语义分析及优化后，生成相应的汇编代码文件。

1. 词法分析

利用类似于“有限状态机”的算法，将源代码程序输入到扫描机中，将其中的字符序列分割成一系列的记号。例如，对于以下C语言程序：

arr[3] = (a+4)*(3+8);

经扫描机扫描之后，产生了16个记号。lex可以实现词法分析。词法分析产生的记号分类有：关键字、标识符、字面量(数字、字符串)、特殊符号(加号、等号等)。

2. 语法分析

语法分析器对由扫描器产生的记号，进行语法分析，产生语法树。由语法分析器输出的语法树是一种以表达式为节点的树。上述的代码就是各种表达式的组合：赋值表达式、加法表达式、乘法表达式、数组表达式和括号表达式组成的复杂表达式。yacc可以实现语法分析，根据用户给定的规则(不同的编程语言对应不同的语法规则)对记号表进行解析。

在语法分析的同时，就把运算符的优先级确定了下来，如果出现表达式不合法，——各种括号不匹配、表达式中缺少操作，编译器就会报错。

3. 语义分析

语法分析器只是完成了对表达式语法层面的分析，语义分析器则对表达式是否有意义进行判断，其分析的语义是静态语义——在编译期能分期的语义，相对应的动态语义是在运行期才能确定的语义。

其中，静态语义通常包括：声明和类型的匹配，类型的转换，那么语义分析就会对这些方面进行检查，例如将一个int型赋值给int*型时，语义分析程序会发现这个类型不匹配，编译器就会报错。

经过语义分析阶段之后，所有的符号都被标识了类型(如果有些类型需要做隐式转化，语义分析程序会在语法树中插入相应的转换节点)。

4. 优化

源代码级别的一个优化过程，例如该语句中的(3+8)的值可以在编译期确定，源代码优化器会将整个语法树转换成中间代码——语法树的顺序表示，十分接近目标代码。

中间代码有很多种类型，最常见的是“三地址码”和“P-代码”,其中三地址码的基本形式为：x = y op z，表示将变量y和z进行op操作后，赋值给x，op操作可以是加减乘除等。

经优化之后的语法树为：

该语句的三地址码：

t1 = 3 + 8;
t2 = a + 4;
t3 = t2 * t1;
arr[3] = t3;

t1由数字11代替，省去t3，经优化或的三地址码为：

t2 = a +4;
t2 = t2 + 11;
arr[3] = t2;

另一个关于中间代码的要点：中间代码使得编译器可以被分成前端和后端，编译器前端负责产生与机器无关的中间代码，编译器后端将中间代码转换为机器代码。

源代码优化去产生中间代码标志着下面的过程都属于编译器后端，后端主要包括：代码生成器和目标代码优化器。

5. 目标代码生成

由代码生成器将中间代码转换成目标机器代码，生成一系列的代码序列——汇编语言表示。

6. 目标代码优化

目标代码优化器对上述的目标机器代码进行优化：寻找合适的寻址方式、使用位移来替代乘法运算、删除多余的指令等。

上述的六个步骤完毕之后，编译过程也就告一段落了。最终产生了由汇编语言编写的目标代码。

gcc把预编译和编译两个步骤合并成一个步骤。对于C语言的代码，是用“cc1”这个程序来完成这两步，对于C++代码，对应的程序为“cc1plus”。gcc这个命令只是后台程序的包装，根据不同的参数去调用：预编译编译程序——cc1，汇编器——as，连接器——ld。

C语言的代码，经编译后产生的文件名为xxx.s。

三、汇编

将汇编代码转变成机器可以执行的指令(机器码文件)。汇编器的汇编过程相对于编译器来说更简单，没有复杂的语法，也没有语义，更不需要做指令优化，只是根据汇编指令和机器指令的对照表一一翻译过来，汇编过程有汇编器as完成。

经汇编之后，产生目标文件(与可执行文件格式几乎一样)xxx.o(Windows下)、xxx.obj(Linux下)。

但是，经过预编译、编译、汇编之后，生成机器可以执行的目标文件之后，还有一个问题——变量a和数组arr的地址还没有确定。这就需要链接器来搞定啦~

四、链接

1. 历史过程

曾经，程序猿们在编程时，使用纸带作为最原始的存储设备，每当程序需要修改时，都要重新扎一条纸带，扎孔的表示1，不扎的是0，一串串1和0就组成了各种各样的指令——跳转等等…每一次的修改都非常痛苦，所以先知们就发明了汇编语言，这种编程语言方便之处在于符号的引用，表示跳转指令不再需要记住一串串0和1，终于可以使用符号——foo来表示这个动作了！

随着汇编语言的普及，程序的代码量也就开始快速膨胀了，汇编语言说它也撑不住了….不过还好，高级编程语言Fortran、C、C++等一个接一个地问世，语言越来越方便了，追求perfect的人们就想：代码咋写更好呢？可不可以把代码按照功能的不同，分成不同的部分，便于日后的修改和重复使用呢？

有了这个启发，程序猿们越来越得心应手，他们开始把代码按照功能和性质划分，分别形成不同的功能模块，不同的模块之间又按照各种结构来组织。发展到如今，软件的规模越来越大，代码动辄数百万行代码，放在一个模块那是万万不行的，维护起来会非常麻烦，所有现在的大型软件往往拥有成千上万的模块，

模块之间相互独立又相互依赖。新的问题来了，一个程序被分割成这么多模块，最后要怎么把这些模块组合形成一个单一的程序？

答案就是：模块之间，符号的引用！这就像是一张画有大树的拼图，叶子、枝干、根系都零散的分布在那些拼图碎片上，想要看到完整的大树，我们就会耐心地把那些碎片拼合在一起。这些模块之间同样如此，它们依靠那些凸起和凹陷联系在一起，最终组合成一个完整的程序，这样的过程称为——链接。这样基于符号的模块化，使得链接过程在整个程序开发中显得十分重要和突出…..

2. 静态链接分析

1. 链接：“组装”模块的过程。
2. 链接的内容：把各个模块之间相互引用的部分都处理好，使得各个模块之间能够正确地衔接。(就像拼图，凸起和凹槽的位置一定一一对应，否则…)
3. 链接的过程：地址和空间的分配、符号决议(也叫“符号绑定”，倾向于动态链接)和重定位

以gcc编译器为例，看基本的链接过程：

.c文件经过编译器、汇编器之后得到目标文件.o，目标文件再与库进行链接得到可执行文件.out。

库其实就是一组目标文件的打包，这些目标文件中都是一些常用的代码。

我们在fun.c模块中定义了函数foo()，在main.c模块中引用了foo()函数，在编译过程当中，编译器并不知道main.c中foo()的地址，所以将调用foo()的指令的目标地址部分搁置，等到了链接的阶段，链接器会去找到foo()定义的那个模块，在main.o中填入正确的函数地址，这个修改地址的过程被叫做“重定位”，每个被修正的地方叫“重定位入口”。

以上就是一个程序从源代码到可执行程序的大致过程，这是博主根据《程序员的自我修养——链接、装载与库》来整理的，有兴趣的同学可以自己去琢磨琢磨~