阿里工程师详细讲解代码是如何编译成程序的?

这段程序应该是码农的入门曲：

#include<stdio.h>
int main(void)
{
printf("Hello,World!\n");
return 0;
}

我想大部分人都能闭着眼睛敲出来，连鼠标都不用移动。编译链接，运行结果如下：

$gcc -o hello hello.c
$./hello
Hello World!

很好，C语言基础很扎实。我们这里来分析一下这几行敲下gcc这一行命令之后到底发生了什么（Shell的运行机制下回探讨），来看看C语言翻译为机器码，看看可执行文件里都有哪些东东。

上面GCC的构建过程分为4个步骤，分别是预处理、编译、汇编和链接，如下图所示：

预编译

首先是对源文件hello.c中的预处理指令即#开头的指令，如#include、#define等进行展开替换删除等处理，被预编译成一个.i文件。预处理过程相当于如下编译命令：

$gcc -E -o hello.i hello.c

预处理完成之后，注释内容被删除，宏定义会被展开。

编译

预处理之后就需要对生成的预处理文件进行词法分析，语法分析，语义分析及优化后生成相应的汇编代码文件，也就是将高级语言翻译成机器码的最核心的部分。我们可以通过命令：

gcc -S -o hello.s hello.c

将源文件编译成汇编代码。

汇编

汇编是将汇编代码翻译成可执行的指令，每一条汇编语句基本对应一条机器指令，因此汇编器相对编译器较为简单，只需要按照汇编指令和机器指令的对照表进行一一翻译，这也是“汇编”一词的由来。可以用下面的命令获得汇编后的目标文件：

gcc -o hello.o -c hello.c

上述命令相当于：

as hello.s -o hello.o

目标文件格式跟可执行文件一样，都属于ELF文件。Linux系统下ELF类型文件还包括核心转储文件（core dump）、动态链接库（.so文件）。ELF文件包括文件头、代码段、数据段和.bss段（未初始化的全局变量），使用命令：objdump -h hello.o 可以查看目标文件的主要段，可以看到hello.o的代码段和数据段。

使用objdump -d hello.o命令查看目标文件hello.o的内容如下：

其中：

18: e8 00 00 00 00  callq 0 <_main+0x1d>    表示对函数printf的引用

可以看到，编译阶段，printf函数在外部定义，未定义函数printf的调用地址为0。这里啰嗦下，objdump是个很好用的工具，对于初学编译原理很有用。

链接

链接是将各个目标文件所需要的代码块收集在一起，生成最终的可执行文件。我们的helloworld里面调用了printf函数，但是并没有它的实现，其实现在libc.so（动态库）或者libc.a（静态库）中。所谓的库就是将一些比较常用的函数实现编译成目标文件并打包，因此我们使用ar命令就可以将库拆分成目标文件：

$ar -t libc.a
init-first.o
libc-start.o
sysdep.o
version.o
check_fds.o
libc-tls.o
elf-init.o
dso_handle.o
errno.o
init-arch.o
errno-loc.o
hp-timing.o
iconv_open.o
iconv.o
iconv_close.o
gconv_db.o
…………

查看链接后可执行文件hello的内容：

其中：

100000f78: e8 0d 00 00 00  callq 13 <dyld_stub_binder+0x100000f8a>

可以看到代码段调用地址已被赋值。我这里使用的iOS系统，实现与Linux略有不同，dyld_stub_binder 会在目标符号（例如 printf）被调用时，将其链接到指定的动态链接库 libSystem，再调用printf函数，printf符号位于在data段的lazy符号表中可获取。

静态链接过程包括：

• 空间与地址分配
  符号解析和重定位
  静态库链接

下面一一讲解。

空间地址的分配

刚才讲了，链接过程就是将多个目标加工后合并成一个可执行文件，对于有多个目标文件的链接情况，存在两种地址空间分配策略：按序叠加和相似段合并。

按序叠加很好理解，就是直接合并：

直接合并会造成一个问题，就是可执行文件会有很多零散的段，而每个段都需要地址和空间对齐，如x86硬件下对齐单位是页，也就是4096字节，零散段会造成空间浪费。

相似段合并就是将相同性质的段合并到一起：

这里.bss段存放的是未初始化的全局变量，因为没有内容，因此不占用文件空间只占用虚拟地址空间，即进程空间，参见文章《进程是如何使用内存的？》：

https://mp.weixin.qq.com/s?__biz=MzIxMjU2Nzk2Nw==&mid=2247483768&idx=1&sn=569985972dce471492ef419bc8b9abd2&chksm=97455388a032da9e258eefc52c9de7bed287d1de32d8c8548c806e287a602677f6cbf5aba08d&token=1460100433&lang=zh_CN#rd

符号解析和指令的修正

ELF文件中定义了一个重定位表段，里面定义了需要在链接阶段进行重定位的符号。hello.c编译成hello.o文件后，里面的printf函数并没有在hello.o中实现，因此会放在重定位段中。链接的时候，会在所有的.o文件中查找未定义符号表，并将符号定义的首地址相对引用地址求得偏移值后填入引用处。比如我们在main函数中引用的printf函数，编译阶段地址为0，链接阶段会填上0x2004。

如果存在未找到的符号，连接失败编译器报错，就是我们经常见到的：

undefined reference to "XXXX"

刚才我们看到libc.a文件打散之后是一堆.o文件，就包括printf.o文件，里面定义了printf函数的实现。经过迭代查找，设置好程序入口，链接工作就完成了。

链接过程比较复杂，包括绝对地址重定位和C++中重复代码处理等等，需要在项目中试错理解，后续有空再续写。