【问题标题】:What do C and Assembler actually compile to? [closed]C 和汇编程序实际上编译成什么? [关闭]
【发布时间】:2011-01-09 07:08:47
【问题描述】:

所以我发现 C(++) 程序实际上并不能编译为简单的“二进制”(我可能在这里弄错了一些东西,在那种情况下我很抱歉 :D)而是一系列的东西(符号表,操作系统相关的东西,...)但是...

  • 汇编程序是否“编译”为纯二进制?这意味着除了预定义字符串等资源之外没有额外的东西。

  • 如果 C 编译为普通二进制以外的其他内容,那么小型汇编程序引导加载程序如何将指令从 HDD 复制到内存并执行?我的意思是,如果操作系统内核(可能是用 C 编写的)编译为不同于普通二进制的东西 - 引导加载程序如何处理它?

编辑:我知道汇编器不会“编译”,因为它只有你机器的指令集——我没有找到一个关于汇编器“汇编”到什么的好词。如果你有的话,把它留在这里作为评论,我会改变它。

【问题讨论】:

  • 引导加载程序只是机器代码,没有二进制头文件和操作系统在内存中加载二进制文件时使用的其他内容。汇编程序、C 和 C++ 都(大部分时间)编译为二进制文件。简而言之,它们可以以不同的方式“打包”。
  • @lamas,你在哪里找到的?我刚买的 Herbert Schildt 的书 C:The Complete Reference,第 4 版,它说它可以编译为二进制。 C 的 ANSI 标准应该澄清这个问题。不幸的是,我没有它的副本。
  • @Geoffey Schildt 的书自称是有史以来最糟糕的技术书籍——它充满了错误和谎言。
  • 在进一步发展成为开发人员之前,您应该对以下术语有清晰的了解:机器码、二进制码、汇编语言、可执行代码和微代码。许多人将这些视为相同的含义,但它们是不同的,尤其是嵌入式系统编程。
  • 还要注意 gcc 不能编译成机器码。它编译为汇编程序。 AS 然后将汇编程序翻译成机器码。然而大多数编译器会直接输出机器码

标签: c++ c compiler-construction linker assembly


【解决方案1】:

C 通常编译为汇编器,只是因为这让可怜的编译器编写者的生活变得轻松。

汇编代码总是汇编(而不是“编译”)成可重定位的目标代码。您可以将其视为二进制机器代码和二进制数据,但包含大量装饰和元数据。关键部分是:

  • 代码和数据出现在命名的“节”中。

  • 可重定位目标文件可能包含标签的定义,这些标签指的是部分中的位置。

  • 可重定位目标文件可能包含“孔”,这些“孔”将用其他地方定义的标签值填充。这种洞的正式名称是relocation entry。

例如,如果你编译和汇编(但不链接)这个程序

int main () { printf("Hello, world\n"); }

你很可能会得到一个可重定位的目标文件

  • 包含main 机器码的text 部分

  • main 的标签定义,指向文本部分的开头

  • 包含字符串文字 "Hello, world\n" 的字节的 rodata(只读数据)部分

  • 依赖于printf 的重定位条目,它指向文本部分中间的调用指令中的“漏洞”。

如果您在 Unix 系统上,可重定位目标文件通常称为 .o 文件,如 hello.o,您可以使用名为 nm 的简单工具探索标签定义和使用,您可以获得来自更复杂的工具objdump 的更详细信息。

我教了一门涵盖这些主题的课程,我让学生编写一个汇编器和链接器,这需要几周时间,但是当他们完成后,他们中的大多数人都可以很好地处理可重定位的目标代码。这不是一件容易的事。

【讨论】:

  • 大多数 C 编译器直接编译为可重定位的机器代码。跳过缓慢的文本步骤会更快。一些(如能够处理 .COM 文件的 16 位编译器)可以直接生成不可重定位的代码。有人可能会争辩说,在直接生成机器码的编译器中,汇编器是一个相对独立的固定部分。
  • 可重定位代码不是C的要求,很多平台不使用它。
  • 你的课程有没有在线可用的脚本?
  • @Lothar 我的课程在线cs.tufts.edu/comp/40。过去几年,请参阅我的主页。由于显而易见的原因,答案不在网上。
  • 正如您在重复 (Do programming language compilers first translate to assembly or directly to machine code?) 主流 C++ 编译器与大型开发团队(如 MSVC、ICC 和 clang/LLVM,但仍然不是 GCC)的回答中所讨论的,所有输出可重定位.o / .obj 默认情况下直接文件,机器代码生成和目标文件格式处理作为库(在LLVM的情况下)而不是单独的程序。另见Does a compiler always produce an assembly code?
【解决方案2】:

让我们来一个 C 程序。

当您在 c 程序上运行 gcc、clang 或 'cl' 时,它将经历这些阶段:

  1. 预处理器(#include、#ifdef、trigraph 分析、编码翻译、注释管理、宏...),包括将词法分析为预处理器标记并最终生成纯文本以供编译器正确输入。
  2. 词法分析(产生记号和词法错误)。
  3. 句法分析(生成解析树和句法错误)。
  4. 语义分析(生成符号表、范围信息和范围/键入错误)还有数据流,将程序逻辑转换为优化器可以使用的“中间表示”。 (通常是SSA)。 clang/LLVM 使用 LLVM-IR,gcc 使用 GIMPLE 然后 RTL。
  5. 程序逻辑的优化,包括常量传播、内联、将不变量提升到循环之外、自动向量化以及许多其他事情。 (广泛使用的现代编译器的大部分代码都是优化通道。)通过中间表示进行转换只是一些编译器工作方式的一部分,使其成为impossible / meaningless to "disable all optimizations"
  6. 输出到汇编源代码(或其他中间格式,如.NET IL bytecode)
  7. 将程序集组装成某种二进制对象格式。
  8. 将程序集链接到所需的任何静态库,以及在需要时重新定位它。
  9. 以 elf、PE/coff、MachO64 或任何其他格式输出最终可执行文件

在实践中,其中一些步骤可能会同时完成,但这是逻辑顺序。大多数编译器都有在任何给定步骤(例如预处理或 asm)之后停止的选项,包括在 GCC 等开源编译器的优化传递之间转储内部表示。 (-ftree-dump-...)

请注意,实际可执行二进制文件周围有一个 elf 或 coff 格式的“容器”,除非它是 DOS .com 可执行文件

您会发现一本关于编译器的书(我推荐 Dragon 书,该领域的标准入门书)将拥有所有您需要的信息以及更多信息。

正如 Marco 评论的那样,链接和加载是一个很大的区域,Dragon book 或多或少地停留在可执行二进制文件的输出上。实际上,从那里到在操作系统上运行是一个相当复杂的过程,Linkers and Loaders 中的 Levine 对此进行了介绍。

我已经 wiki 了这个答案,让人们调整任何错误/添加信息。

【讨论】:

  • 嗯,龙书主要讲的是解析。我推荐 Levine 的“Linkers and Loaders”,iecc.com/linker,它也可以在网络上找到。
  • 链接器和加载器也是一本好书。
  • 实际上,按照“逻辑”的顺序,词法分析发生在预处理之前,因为预处理器对标记流进行操作。这就是它在 C 标准中的定义方式,也是它在现代版本的 gcc 中发生的方式(当预处理器被重写并变成一个词法库时)。
  • 托马斯:有趣!我已经过时了
  • C 标准,5.1.1.2 表明传统的词法分析在逻辑上与预处理器词法分析是分开的。
【解决方案3】:

将 C++ 转换为二进制可执行文件有不同的阶段。语言规范没有明确说明翻译阶段。但是,我将描述常见的翻译阶段。

源 C++ 到汇编或中间语言

一些编译器实际上将 C++ 代码翻译成汇编语言或中间语言。这不是必需的阶段,但有助于调试和优化。

汇编到对象代码

下一个常见步骤是将汇编语言翻译成对象代码。目标代码包含具有相对地址的汇编代码和对外部子例程(方法或函数)的开放引用。一般来说,翻译者会尽可能多地将信息放入目标文件中,其他所有内容未解决。

链接对象代码

链接阶段结合一个或多个目标代码,解析引用并消除重复的子例程。最终输出是一个可执行文件。此文件包含操作系统和相对地址的信息。

执行二进制文件

操作系统通常从硬盘加载可执行文件,并将其放入内存中。操作系统可以将相对地址转换为物理位置。操作系统还可以准备可执行文件(可能在可执行文件中说明)所需的资源(例如 DLL 和 GUI 小部件)。

直接编译成二进制 一些编译器,例如嵌入式系统中使用的编译器,能够从 C++ 直接编译为可执行的二进制代码。此代码将具有物理地址而不是相对地址,并且不需要操作系统来加载。

优势

这些阶段的优点之一是 C++ 程序可以分解为多个片段,单独编译并在以后链接。它们甚至可以与来自其他开发人员(又名库)的部分链接。这允许开发人员仅编译开发中的部分并链接已验证的部分。通常,从 C++ 到对象的转换是该过程中耗时的部分。此外,当源代码出现错误时,人们不想等待所有阶段完成。

保持开放的心态,始终期待第三种选择(选项)。

【讨论】:

  • 当我们有 100kwords 的内存时,这真的很有趣,但现在它仍然是一个优势还是更多的人工制品?更好地利用可用内存的编译粒度(例如,避免重复的标头重新解析、相对较慢的磁盘 I/O 甚至只是二进制启动时间)会更符合现代要求?
【解决方案4】:

为了回答您的问题,请注意这是主观的,因为有不同的处理器、不同的平台、不同的汇编器和 C 编译器,在这种情况下,我将讨论 Intel x86 平台。

  1. 汇编程序通常不会汇编成纯/平面二进制(原始机器代码),而是通常汇编成一个由数据、文本和 bss 等段定义的文件,仅举几例;这称为目标文件。链接器介入并调整段以使其可执行,即准备好运行。顺便说一句,使用 GNU as foo.s 进行汇编时的默认输出是 a.out,这是汇编程序输出的简写。 (但相同的文件名是 gcc 默认的 linker 输出,汇编器输出只是临时的。)
  2. 引导加载程序定义了一个特殊指令,早在 DOS 时代,通常会找到诸如 .Org 100h 之类的指令,它将汇编代码定义为 .EXE 接管之前的旧 .COM 变体在人气。此外,您不需要汇编程序来生成 .COM 文件,使用 MSDOS 附带的旧 debug.exe 即可完成小型简单程序的技巧,.COM 文件不需要链接器并且可以直接准备好-运行二进制格式。这是一个使用 DEBUG 的简单会话。
1:*a 0100 2:* mov AH,07 3:* 整数 21 4:* cmp AL,00 5:* jnz 010c 6:* mov AH,07 7:* 整数 21 8:* mov AH,4C 9:* 整数 21 10:* 11:*r CX 12:*10 13:*n response.com 14:*w 15:*q

这会生成一个可立即运行的名为“respond.com”的 .COM 程序,该程序会等待击键而不会将其回显到屏幕上。请注意,开头使用“a 100h”表示指令指针从 100h 开始,这是 .COM 的特征。这个旧脚本主要用于批处理文件等待响应而不是回显它。原始脚本可以在here找到。

同样,在引导加载程序的情况下,它们被转换为二进制格式,曾经有一个程序是 DOS 附带的,称为EXE2BIN。那就是将原始目标代码转换为可以复制到可引导磁盘以进行引导的格式的工作。请记住,没有针对组装代码运行链接器,因为链接器用于运行时环境并设置代码以使其可运行和可执行。

BIOS 启动时,期望代码位于段:偏移量,0x7c00,如果我的记忆正确,代码(在 EXE2BIN'd 之后)将开始执行,然后引导加载程序将自身重新定位到内存中的较低位置并且通过发出 int 0x13 从磁盘读取继续加载,打开 A20 门,启用 DMA,由于 BIOS 处于 16 位模式,因此切换到保护模式,然后从磁盘读取的数据加载到内存中,然后引导加载程序发出深入数据代码(可能是用 C 编写的)。这实质上就是系统启动的方式。

好的,上一段听起来抽象而简单,我可能遗漏了一些东西,但简而言之就是这样。

【讨论】:

  • debug.exe 是一个汇编程序。 (按照现代标准,这是一个糟糕的标准,例如没有标签,因此您必须手动计算分支目标地址。)此外,原始机器代码不是目标文件;如果它实际上是原始的(如 nasm -f bin 输出,例如 .com 文件),则没有部分元数据或任何其他元数据。我对该段进行了编辑。
  • @PeterCordes 是的,但将它与现代标准进行比较是不公平的,因为这是 80 年代和 90 年代 MSDOS 安装基础的一部分,这早在 Linux / 开源出现之前这一幕打开了一般意识标准的长廊。 :)
  • 100% 公平如果人们今天仍然在使用它!显然,一些可怜的不幸的人得到了要求他们为 debug.exe 编写 16 位 x86 DOS 代码的作业,这导致了关于它的问题。这就是我所说的“按照现代标准”的意思。此外,当时有总比没有好,但即便如此,我认为你会想要 TASM、MASM 或 AS86,如果你能得到它们,除了小玩具之外的任何东西。
【解决方案5】:

它们编译成特定格式的文件(Windows 的 COFF 等),由标题和段组成,其中一些具有“普通二进制”操作码。汇编器和编译器(例如 C)创建相同类型的输出。某些格式,例如旧的 *.COM 文件,没有标题,但仍然有某些假设(例如它将在内存中加载的位置或可能有多大)。

在 Windows 机器上,操作系统的 boostrapper 位于由 BIOS 加载的磁盘扇区中,这两者都是“普通”的。一旦操作系统加载了它的加载器,它就可以读取具有标题和段的文件。

这有帮助吗?

【讨论】:

    【解决方案6】:

    要回答问题的汇编部分,我理解的汇编不会编译为二进制。汇编 === 二进制。它直接翻译。每个汇编操作都有一个直接匹配它的二进制字符串。每个操作都有一个二进制代码,每个寄存器变量都有一个二进制地址。

    也就是说,除非 Assembler != Assembly 并且我误解了您的问题。

    【讨论】:

    • 大多数情况下都是这样。一些汇编语言有伪操作,它们是某种宏。
    • 汇编器 !== 二进制。在汇编程序中,您可以使用符号名称、标签等,它们在二进制中没有直接表示,需要用实际数字替换。如果您在标签之前添加一些代码,则该标签应移动到其他地址。 Assembler 是简单的编程语言,可以直接翻译成二进制,但本身不是二进制。
    • 几乎直接。根据数据的寻址方式等细节,相同的操作码会编译成不同的二进制文件。同样,即使是汇编程序也会根据需要潜入前缀运算符。因此,虽然有非常非常密切的关系,但他们并不是 1:1。
    • 我认为您对寄存器有点困惑。但是,您是正确的,汇编器操作码和机器代码指令之间存在一对一的对应关系。
    • Assembler(一种人类可读的宏语言,被翻译成机器代码)!= Assembly(由通用语言基础结构编译器生成的二进制文件,其中每个操作都有一个二进制字符串)。我想你可能有误解。
    【解决方案7】:

    您可以在这里混合两件事。一般有两个主题:

    后者在汇编过程中可能会编译成前者。一些中间格式不是汇编的,而是由虚拟机执行的。在 C++ 的情况下,它可能被编译成 CIL,它被组装成一个 .NET 程序集,因此我会有些困惑。

    但一般来说,C和C++通常都编译成二进制,或者换句话说,编译成可执行文件格式。

    【讨论】:

    • 要记住的是 CIL 包含在 COFF 可执行文件中。
    【解决方案8】:

    你有很多答案要通读,但我想我可以保持简洁。

    “二进制代码”是指通过微处理器电路馈送的位。微处理器按顺序从内存中加载每条指令,按他们说的做。不同的处理器系列有不同的指令格式:x86、ARM、PowerPC 等。您可以通过给处理器在内存中的指令地址将其指向您想要的指令,然后它会在程序的其余部分中愉快地运行。

    当您想将程序加载到处理器中时,您首先必须使二进制代码在内存中可访问,以便它首先具有地址。 C 编译器在文件系统中输出一个文件,该文件必须加载到一个新的虚拟地址空间中。因此,除了二进制代码之外,该文件还必须包含它具有二进制代码的信息,以及它的地址空间应该是什么样的。

    引导加载程序有不同的要求,因此其文件格式可能不同。但想法是一样的:二进制代码始终是较大文件格式的有效负载,其中至少包括一个健全性检查,以确保它是以正确的指令集编写的。

    C 编译器和汇编器通常配置为生成静态库文件。对于嵌入式应用程序,您更有可能找到一个编译器,它可以生成类似于原始内存映像的内容,其中指令从地址零开始。否则,您可以编写一个链接器,将 C 编译器的输出转换为您想要的任何其他内容。

    【讨论】:

      【解决方案9】:

      据我了解,芯片组(CPU 等)将具有一组用于存储数据的寄存器,并了解一组用于操作这些寄存器的指令。指令将是“将此值存储到此寄存器”、“移动此值”或“比较这两个值”之类的内容。这些指令通常以易于理解的简短字母代码(汇编语言或汇编程序)表示,这些字母代码映射到芯片组可以理解的数字 - 这些数字以二进制(机器代码)的形式呈现给芯片。

      这些代码是软件所能达到的最低级别。比这更深入的是实际芯片的架构,这是我没有参与的。

      【讨论】:

      • 正确,但不是问题的答案。
      • 我的目标是问题的“机器代码是否编译为二进制”方面。试图描绘这种关系,而不是仅仅说“不是真的”。
      【解决方案10】:

      可执行文件(Windows 上的 PE 格式)无法用于引导计算机,因为 PE 加载程序不在内存中。

      引导的工作方式是磁盘上的主引导记录包含几百字节的代码块。计算机的 BIOS(在主板上的 ROM 中)将此 blob 加载到内存中,并将 CPU 指令指针设置为此引导代码的开头。

      然后启动代码从根目录加载一个“第二阶段”加载程序,在 Windows 上称为 NTLDR(无扩展名)。这是原始机器代码,就像 MBR 加载器一样,被冷加载到内存中并执行。

      NTLDR 具有加载 PE 文件(包括 DLL 和驱动程序)的全部功能。

      【讨论】:

        【解决方案11】:

        С(++) (非托管) 真正编译为纯二进制。一些与操作系统相关的东西 - 是 BIOS 和操作系统函数调用,它们对于每个操作系统都是不同的,但仍然是二进制的。
        1. 汇编器编译为纯二进制,但奇怪的是,它不如 C(++) 优化
        2. OS内核,还有bootloader,也是用C写的,所以这里没有问题。

        Java、托管 C++ 和其他 .NET 东西编译成一些伪代码(.NET 中的 MSIL),这使得它可以跨操作系统和跨平台,但需要本地解释器或翻译器才能运行。

        【讨论】:

        • 这个答案中的每一个“事实”都是错误的。
        • Assembler 已尽可能优化。 C++,不管是托管的还是其他的,通常编译成带有头和段的复杂可执行文件,而不是普通的二进制文件。 BIOS 和操作系统的早期部分是纯二进制的。
        • 尼尔——那为什么不改正呢?
        • "microcode" 是一个完全误导性的词,当您提到“中间代码”时,中间代码实际上被认为是“二进制”(可能不是 native二进制)。
        • 纯二进制?存储在硬盘上的所有内容都是二进制的,这种说法毫无意义。
        猜你喜欢
        • 2018-12-05
        • 2010-11-02
        • 2016-02-10
        • 1970-01-01
        • 1970-01-01
        • 1970-01-01
        • 1970-01-01
        • 2011-02-10
        • 2010-10-21
        相关资源
        最近更新 更多