编译器基础

简介

编译器分为三个阶段

前端负责词法分析和语法分析，生成语法树。

优化器是在前端上，对得到的中间代码进行优化。让代码执行更加高效

后端是将优化后的中间代码转化为针对各个平台的机器码。

GCC起源于1987年，当时作为GNC的c语言编译器。

苹果最早用了GCC作为编译器。

GCC是一个可移植的编译器，支持多种前端平台，GCC还能进行跨平台编译，解析不同的语言。可以加入新语言和新CPU架构的支持，并且可以免费试用。

在早期阶段LLVM的前端使用了GCC。

GCC

GCC和LLVM本身都自带了前端后端优化器。而CLANG就是LLVNM后来的的前端。

前端的作用是编译成LLVM IR（Intermediate Representation，中间表示）。

GCC的编译流程如下

.i文件是C语言源代码在编译过程的第一个阶段——预处理（Preprocessing）之后生成的中间文件。它包含了所有预处理指令（如 #include, #define, #ifdef等）展开后的完整源代码。

预处理阶段包括宏定义，文件包含，条件编译。预处理过程读入源码，就爱你差包含指令的语句和宏定义，并对其进行响应和替换。预处理会删除程序中的注释和多余空白字符。编译完毕后，会在hello.s中出现很多的汇编指令。.o中就是二进制代码。

链接阶段将一个或多个.o文件和所需的库文件合并在一起，解析它们之间的相互引用，最终生成一个可执行文件。

预处理就是前端，编译的过程就是优化，后端就是汇编和链接的过程。

GCC早期还支持JAVA，（GCJ）但该项目已经被停止维护。 GCJ 是 GCC 家族的一部分，它是一个可以将 Java 源代码 (.java) 编译成字节码 (.class)，或者更进一步直接编译成本地机器代码的编译器。后者是它最大的特点，可以让 Java 程序像 C/C++ 程序一样直接以原生方式运行，无需 Java 虚拟机 (JVM)，只需运行时库支持。

GCC支持不同的架构和平台和操作系统。

然而GCC代码耦合度非常高，很难独立，如集成到专用IDE上，模块化使用GCC很难。GCC被构建成单一静态编译器，使得难以被API并集成到其他工具中。

GCC大约有35年多的历史，越到后期的版本，代码质量越差，目前一共有1500万行代码，是显存最大的自由程序之一。

最早苹果拉了一个GCC的分支，开源版给FST GCC维护，苹果维护Apple GCC。

实际GCC上前端、后端、优化器的分界线没有那么明显。

GCC是GNU项目的子项目，也是GNU项目的核心组成部分。GCC是GNU的编译套件。随着时代的发展，它现在已经能够编译非常多的编程语言。它的名字被重新定义为 “GNU Compiler Collection”（GNU编译器套件），但缩写保持不变。

rust和go也可以用gcc编译但是不是默认的推荐编译器。

LLVM

llvm提出了IR的概念。苹果不是LLVM的创始人，但是是LLVM的推动者。

LLVM是编译器，编译器前端，编译器的工具链。LLVM是一个工具的集合,支持的工具非常多。

在LLVM中如果新的语言只需要实现一个新的编译前端，支持已有的优化和后端都能实现复用。

LLVM组件交互发生在层次抽象，不同组件隔离为单独程序库，易于在整个编译流水线中集成转化和pass。现在被作为各种静态和运行时编译语言的通用基础结构。

GCC饱受封层和抽象漏洞的困扰：编译前端生成编译后端的结构，编译后端遍历前端抽象语法树来生成调试信息，整个编译器以来命令行设置的全局数据结构。

LLVM IR

CLANG是llvmc语言的前端

CLANG会编译为IR。

LLVM的IR是非常丰富的，有多重形式。会经历多次优化，先是AST，然后最后会将一个DAG传给后端。

LLLVM IR作为一种编译器IR，它的基本原则指导核心库开发：

SSA表示，代码组织为三地址指令序列和无线寄存器让优化能够快速执行
整个程序的IR存储到磁盘让链接时优化易于实现。

LLVM采用静态单赋值的形式（static single assignment SSA）。程序中每个变量有且只有一个赋值语句，称一个程序是SSA形式的。每个变量都在事前被定义，并且只能赋值一次。

每个值只有单一赋值定义了它。每次使用一个值，可以立刻向后赘述到给出其定义的唯一指令集。极大简化优化，因为SSA形式建立了频繁的user-def链，也就是一个值到达使用指出的定义列表。

LLVM IR是类似于精简指令集的底层虚拟指令集，和真实精简指令集一样，支持简单指令的线性序列，如添加，相减，比较和分支。指令都是三地址形式，它们接受一定数量的输入然后在不同的寄存器中存储计算结果。与大多数精简指令集不同，LLVM使用强类型的简单类型系统，并剥离了机器差异。LLVMIR不适用固定的命名寄存器，使用%字符命名的临时寄存器。

每个三地址指令都可以被分解成一个四元组的形式。每个陈述都包含了三个变量，即每条指令最多有三个操作数，所以被称为三地址码。

LLVM IR有三种表示形式，它们是完全等价的