C语言编译过程——预处理、编译汇编和链接详解

引言

C语言经典的 “hello world ” 程序，伴随着每个程序员一起步入编程世界的大门。从编写、编译到运行，看到屏幕上输出的“hello world ”，那么你知道它都经历了什么吗？今天我们就来聊聊这个话题。

一、从hello.c聊起

hello world.c

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

在linux下，使用 gcc 编译hello.c源文件，会在当前目录下默认生成 a.out 可执行文件，在终端输出hello，world！。

[Panda@centos test]$ gcc hello.c
[Panda@centos test]$ ./a.out
[Panda@centos test]$ hello,world!

预编译器、汇编器as、链接器ld，实际上gcc 命令只是对这些不同程序的封装，根据不同的参数去调用不同的程序。

从 hello.c 到可执行文件的全过程，可分为4个步骤：

预处理
gcc -E hello.c -o hello.i 得到预处理文件，其中，-E 表示只进行预编译。
源文件在预编译阶段会被编译器生成.i文件，主要处理源代码文件中以“#”开头的预编译指令。如：宏定义展开，将被包含的文件插入到该编译指令的位置等。
编译
gcc -S hello.i -o hello.s 得到汇编文件，其中，-S 表示生成汇编文件。
编译就是把预处理完的文件，进行语法分析、词法分析、语义分析及优化后生成相应的汇编代码文件，这个过程是整个程序构建的核心过程，也是最复杂的部分。
汇编
as hello.s -o hello.o 或者 gcc -c hello.s -o hello.o，其中，-c 表示只编译不链接。
将汇编代码文件转变成机器可以执行的指令文件，即目标文件。也可以直接使用：gcc -c hello.c -o hello.o 经过预处理、编译、汇编直接输出目标文件。
为什么汇编器不直接生成可执行程序，而是一个目标文件呢？为什么要链接？这个我们后面会详细讨论。
链接
随着代码量的增多，所有代码若是都放在同一个文件里，那将是一场灾难。现代大型软件，动辄由成千上万的模块组成，每个模块相互依赖又相互独立。将这些模块组装起来的过程就是链接。
这些模块如何形成一个单一的程序呢？无非就是两种方式：1、模块间的函数调用；2、模块间的变量访问。函数访问必须知道函数地址，变量访问必须知道变量地址，所以终归到底就是一种方式，不同模块间符号的引用。

二、什么是静态链接

比如：我们在模块main.c中，调用了另一个模块func.c中的foo()函数。我们在main.c中每一处调用foo的时候，都需要确切的知道foo函数的地址，但是每个模块都是独立编译的，在编译main.c的时候并不知道foo函数的地址，这些foo的地址会先跳过，链接器会在链接的时候根据你所引用的符号foo，自动去func.c的模块查找foo的地址，然后将main.c中所有调foo函数的指令全部修正，这就是静态链接最基本的作用。

三、目标文件里有什么

源代码在经理预处理、编译、汇编后生成的未进行链接的中间文件，也叫目标文件（windows下是.obj文件，linux下是.o文件）。那么目标文件里到底存放的是什么呢？

3.1 目标文件的格式

PC平台流行的可执行文件格式主要有一下两种：

Windows下的PE
Linux下的ELF
不光是可执行文件按照可执行文件的格式存储，**动态链接库（Windows下的.dll和linux下的.so）及静态链接库（Windows下的.lib和linux下的.a）**文件也都是按照可执行文件的格式存储的。

3.2 目标文件长啥样

目标文件里除了保存着源代码编译后的机器指令、数据，还包括链接时所需要的信息，如：符号表等。目标文件将这些信息按照不同的属性，以“段”的方式存储。

下面让我们来看一个简单的程序被编译成目标文件后的结构：
simpleSection.c

#include <stdio.h>int global_int_var = 84;
int global_unint_var;void func(int i) {  printf(" %d\n", i); }int main(void){static int static_var = 85;static int static_var2;int a = 1;int b;func(static_var + static_var2 + a + b);return 0;
}

在这里插入图片描述从图中可以看到，ELF文件的开头，“File Header”描述了整个文件的属性，如：是可执行文件、静态链接、动态链接，如果是可执行文件，还会记录可执行文件的入口地址。文件头还包括一个段表，段表实际上是记录了该文件中所有段的偏移位置和属性。

一般C语言编译后的机器代码保存在代码段（.text段）；已初始化的全局变量和局部静态变量保存在.data段；未初始化的全局变量和局部静态变量保存在.bss段，默认为0，因为是0所以为其在.data段分配空间并存放0是没有意义的，在文件中.bss段不占空间。

总体来说，程序源代码被编译后主要分为两段：程序指令和程序数据，也就是代码段和数据段。指令和数据分开存储好处多多：

程序被装载后，数据和指令被映射到不同的虚拟内存其区域。代码段通常是只读的，数据段对于进程来说是可读写的，所以，这两块区域就可以设置不同的权限。
对于CPU来说，他们有着极为强大的缓存体系，所以，程序应尽量提高缓存的命中率。指令和数据分离可以提高缓存的命中率；
当系统中运行这多个该程序时，内存中只需要保存一份该程序的指令部分即可，大大节约了内存的使用。

3.3 objdump工具

objdump是一款可以查看目标文件的工具。“-h”参数就是把ELF文件中各个段的信息打印出来。

在这里插入图片描述
Size 列式对应段的大小，如：.text 段大小为0x55，即85字节。

size 命令可以查看ELF文件中，代码段、数据段和.bss段的总长度。（dec十进制，hex十六进制）
在这里插入图片描述

objdump -s -d hello.o 其中，-s 表示使用十六进制打印信息，-d 可以将所有包含指令的段进行反汇编。
在这里插入图片描述

在这里插入图片描述

3.4 ELF文件结构

可以使用readelf详细查看ELF文件。readelf -h simpleSection.o
在这里插入图片描述
魔数：魔数用来确认文件的类型，操作系统加载可执行文件的时候会确认魔数是否正确，正确才加载。所有的ELF文件魔数的最开始的四个字节都相同，都是0x7f 0x45 0x4c 0x46，其中：0x7f 对应ASCII码的DEL控制符，另外三个分别对应 ELF 的ASCII码。

段表：我们知道ELF文件中有各种段，段表就是保存这些段的属性。比如：段名、段的长度在文件中的偏移、读写权限等等。编译器、链接器、加载器都是依赖段表来定位和访问某个段的。上图中，段表起始位置在1064（0x428）偏移的位置。

前面说得 objdump -h 只能查看部分的段信息，详细的段信息使用 readelf -S查看，如下：可以看到有13个段信息，以数组的方式存储，第一个段的Type为NULL，是无效的段描述符，所以，该ELF文件有12个有效的段。每个段描述符占40个字节，总共13*40=520字节。
在这里插入图片描述

注意到simpleSection.o 中有个 “rela.text” 段，它就是重定位表。也就是链接器在链接目标文件时，对代码段和数据段中那些对绝对地址引用的位置进行重定位。这些重定位的信息就是保存在重定位表中，每个需要重定位的代码段或者数据段，都会有一个对应的重定位表。比如：simpleSection.o 中的 “rela.text” 就是针对 “.text”段的重定位表，这是因为“.text”段中的“printf” 函数的调用；而“.data” 段中因为没有对绝对地址的引用，所以它没有对应的“rela.data”的重定位表。

字符串表：ELF文件中很多地方用到了字符串，如段名、变量名、函数名等。ELF使用字符串表的方式存储字符串，使用的时候只需要传偏移量即可。比如你想：用world，偏移量从6开始，遇到‘\0’结束，取出来的就是world。
在这里插入图片描述
字符串表在ELF文件中也以段的方式保存，通常保存在“.strtab” 和 “.shstrtab” 段中。前者表示普通字符串，后者表示段表中所用的字符串，如段名，有点专用感觉。

符号表：在ELF文件中也以段的方式保存，通常保存在“.symtab”中。
在这里插入图片描述
上图总共有16 个符号，第一个符号永远是未定义的，不用管。
func和main函数都是定义在simpleSection.c里的，并且保存在“.text”段，所以它们所在Ndx位置为1，因为“.text”段的下标1。
符号 printf 在simpleSection.c 里被引用，但是没有定义，所以它的Ndx是UDN。
符号global_int_var 已经是初始化后的全局变量，保存在.data段，对应下标为3。