# 大咖助阵｜LMOS：为什么说 C 语言是一把瑞士军刀？ 你好，我是LMOS。 很高兴受邀来到这个专栏做一期分享。也许这门课的一些同学对我很熟悉，我是极客时间上[《操作系统实战45讲》](https://time.geekbang.org/column/intro/100078401?tab=catalog)这门课的作者，同时也是LMOS、LMOSEM这两套操作系统的独立开发者。十几年来，我一直专注于操作系统内核研发，在C语言的使用方面有比较深刻的理解，所以想在这里把我的经验、见解分享给你。 操作系统和C语言的起源有着千丝万缕的联系，那么今天，我就先从C语言的起源和发展历史讲起。然后，我会从C语言自身的语法特性出发，向你展示这门古老的语言简单在哪里，又难在哪里。 ## **C语言、**UNIX的**起源和发展** 从英国的剑桥大学到美国的贝尔实验室，C语言走过了一段不平凡的旅程。从最开始的CPL语言到BCPL语言，再到B语言，到最终的C语言，一共经历了四次改进。从20世纪中叶到21世纪初，C语言以它的灵活、高效、通用、抽象、可移植的特性，在计算机界占据了不可撼动的地位。但是，C语言是如何产生的？诞生几十年来，它的地位为何一直不可动摇？请往下看。 ### C语言是两位牛人“玩”出来的 1969年夏天，美国贝尔实验室的肯·汤普森的妻子回了娘家，这位理工男终于有了自己的时间。于是，他以BCPL语言为基础，设计出了简单且接近于机器语言的B语言（取BCPL的首字母）。然后，他又用B语言写出了UNICS操作系统，这就是后来风靡全世界的UNIX操作系统的初级版本。 那么，肯·汤普森为什么要写这个操作系统呢？背后的原因是我们这些凡人想象不到的：为了玩一个叫“Space Travel”的游戏。牛人就是牛人，这个“玩出来”的操作系统成功到让人无法想象。 而肯·汤普森一位同样是牛人的朋友，也疯狂地热爱这款游戏，这个朋友就是C语言之父（请注意不是谭浩强老师），丹尼斯·里奇。他为了能早点儿玩上游戏，加入了汤普森的疯狂项目，一起开发UNIX。他的主要工作是改造B语言，使其更加成熟。1972年，丹尼斯·里奇在B语言的基础上设计出了一种新的语言，他取了BCPL的第二个字母作为这种语言的名字，这就是C语言。C语言实现之后，汤普森和里奇用它重写了UNIX。 ### C语言和UNIX操作系统 听到这儿，你应该可以理解，C语言和UNIX操作系统从诞生时就密切相关。那么，C语言对UNIX操作系统的发展具体有什么影响呢？我们先从C语言出现之前说起。 在C语言出现之前，UNIX操作系统的初级版本是用汇编语言编写的。用机器语言或者汇编语言开发的程序，是不可能在诸如X86、Alpha、SPARC、PPC和ARM等机器上任意运行的，想要运行就得重写所有代码。**而用C语言编写的程序，则可以在任意架构的处理器上运行。**只需要有那种架构的处理器对应的C语言编译器和库，然后将C源代码编译、链接成目标二进制文件，之后即可在该架构的处理器上运行。 正是C语言的这种高性能和强大的可移植性，促进了UNIX生态的发展。UNIX诞生后的40年间，出现的各种操作系统都是和UNIX有关系的，或者受其影响。甚至直到2021年，各种版本的UNIX内核和周边工具仍然使用C语言作为最主要的开发语言。 你可以看下这个UNIX家谱图（来自[维基百科](https://zh.wiki.hancel.org/wiki/UNIX)），更直观地感受UNIX的发展史： ![图片](https://static001.geekbang.org/resource/image/89/53/89b00acd948yyab250dcdc8964353d53.gif?wh=1123x714) 看到这个庞大的家谱图，不知道你是否吃惊不已？但是我想说的是，这些操作系统内核都是使用C语言开发的，无一例外。甚至可以说，C语言就是开发操作系统的专用语言。也正因如此，C语言成了计算机史上的一颗明珠，一座灯塔，永远闪耀在计算机历史的长河之上。 ## 用一个程序体会C语言的简单性 从对C语言起源的介绍中，你可以了解到，C语言最开始是被设计用来开发UNIX的，而这造就了它自身的语言特性： * 要预知程序的运行流程和结果，就需要简单的类型系统和静态编译； * 需要用C语言开发底层核心代码，要求C语言能灵活地操控内存和寄存器。 * 需要C语言是可以移植的，所以需要提供结构体、函数等抽象的编程机制。 **正是这些需求，导致了C语言的高效、简单、灵活和可移植性。**所以，很多人说C语言是一种非常简单的语言。 我写了一个经典的C语言程序，Hello World ，你可以从中体会C语言的简单性。代码如下所示： ```c++ #include "stdio.h" // 定义申明两个全局变量：hellostr、global，类型分别是：char*、int； char* hellostr = "HelloWorld"; int global = 5; // 定义一个结构体类型 HW； struct HW { char* str; int sum; long indx; }; // 函数； void show(struct HW* hw, long x) { printf("%d %d %s\n", global, x, hellostr); printf("%d %d %s\n", hw->sum, hw->indx, hw->str); } // 函数； int main(int argc, char const *argv[]) { // 定义三个局部变量：x、parm、ishw，类型分别是：int、log、struct HW; int x; long parm = 10; struct HW ishw; // 变量赋值; ishw.str = hellostr; ishw.sum = global; ishw.indx = parm; // 调用函数; show(&ishw, parm); return x; } ``` 这个短短的代码，就几乎包含了C语言90%的特性，有函数，有变量。其中，变量包括局部变量和全局变量；变量还有类型，用于存放各种类型的数据；还有一种特殊的变量即指针，指针也有类型，用于存放其它变量的地址。 总之一句话，**C语言就是函数+变量**。函数表示算法操作，变量存放数据，即数据结构，合起来就是程序=算法+数据结构。 ## **C语言难在哪里？** 你可以看到，从语言特性上来看，C语言极其简单。但是，很多程序员却说，C语言用起来无比困难，这又是为什么呢？ 其实你可以这么理解：**C语言就像一把锋利的瑞士军刀**，使用起来非常简单，并不像飞机坦克一样难于驾驭；但同时，它对使用者的技巧要求极高，使用时稍有不慎，就会伤及自身。C语言可操控寄存器和内存的特性，对初级软件开发者极其不友好，很容易导致软件bug，而且bug查找起来非常困难。 ### **通过汇编代码看C语言的本质** 而C语言使用的困难之处，就要从C语言的本质说起了。 我们知道，C语言的代码是不能直接执行的，需要通过C编译器编译。C编译器首先将C代码编译成汇编代码，然后再通过汇编器编译成二进制机器代码。这刚好给了我们一个通过观察汇编代码了解C语言本质的机会。接下来，我们就按三个步骤观察下。 第一步，观察C语言如何处理全局变量。代码如下： ```plain .globl hellostr .section .rodata .LC0: .string "HelloWorld" // 字符变量放在可执行文件的 rodata 段； .data .align 8 .type hellostr, @object .size hellostr, 8 hellostr: // 字符指针变量放在可执行文件的 data 段； .quad .LC0 .globl global .align 4 .type global, @object .size global, 4 global: .long 5 // long 型变量放在可执行文件的 rodata 段； .section .rodata ``` 我们看到，C语言对全局变量的处理是放在可执行文件的某个段中的，这些段会被操作系统的程序加载器映射到进程相应的地址空间中，代码通过地址就能访问到它们了。 第二步，观察C语言如何处理局部变量。代码如下： ```plain main: .LFB1: .cfi_startproc pushq %rbp .cfi_def_cfa_offset 16 .cfi_offset 6, -16 movq %rsp, %rbp .cfi_def_cfa_register 6 subq $64, %rsp // 在栈中分配局部变量的内存空间； // 保存 main 的两个参数； movl %edi, -52(%rbp) movq %rsi, -64(%rbp) // long parm = 10; movq $10, -8(%rbp) movq hellostr(%rip), %rax // ishw.str = hellostr; movq %rax, -48(%rbp) movl global(%rip), %eax // ishw.sum = global; movl %eax, -40(%rbp) movq -8(%rbp), %rax // ishw.indx = parm; movq %rax, -32(%rbp) // 处理给 show 函数传递的参数； movq -8(%rbp), %rdx leaq -48(%rbp), %rax movq %rdx, %rsi movq %rax, %rdi // 调用 show 函数； call show movl -12(%rbp), %eax leave .cfi_def_cfa 7, 8 // 返回； ret .cfi_endproc ``` 由上可知，C语言把局部变量放在栈中。栈也是一块内存空间，数据从栈顶压入，也从栈顶弹出。所以栈的特性是先进后出，栈顶由RSP寄存器指向，因此RSP也被称为栈指针寄存器。上面的代码对RSP减去64，就是在栈中分配局部变量的空间。 还有call指令也要用到栈，以上述代码为例：它是把第31行的 `movl -12(%rbp), %eax` 的地址压入栈顶，然后跳转show函数的地址，开始运行代码。而在show函数的最后，有一条ret指令，从栈顶弹出返回地址（ `movl -12(%rbp), %eax` 的地址）到RIP（程序指针寄存器），使得程序流程回到main函数中继续执行。这样，就完成了函数调用。 第三步，观察C语言如何处理函数。代码如下： ```plain show: .LFB0: .cfi_startproc pushq %rbp .cfi_def_cfa_offset 16 .cfi_offset 6, -16 movq %rsp, %rbp .cfi_def_cfa_register 6 // 在栈中分配局部变量空间； subq $16, %rsp // 把 hw 和 x 两个参数变量放在栈空间中； movq %rdi, -8(%rbp) movq %rsi, -16(%rbp) // 处理 printf 函数的参数； movq hellostr(%rip), %rcx movl global(%rip), %eax movq -16(%rbp), %rdx movl %eax, %esi movl $.LC1, %edi movl $0, %eax // 调用 printf 函数； call printf movq -8(%rbp), %rax movq (%rax), %rcx // -8(%rbp) 指向的内存中放的 hw 指针； movq -8(%rbp), %rax // 16(%rax) 指向的内存中放的 hw->indx； movq 16(%rax), %rdx movq -8(%rbp), %rax // 8(%rax) 指向的内存中放的 hw->sum； movl 8(%rax), %eax movl %eax, %esi // $.LC1 指向的内存中放的 "HelloWorld"，即 hw->str； movl $.LC1, %edi movl $0, %eax // 调用 printf 函数； call printf nop leave .cfi_def_cfa 7, 8 ret ``` 上面的代码清楚地展示了C语言编译器是如何编译一个C语言函数，如何处理函数参数的。你可以发现，C语言编译出来的代码和你手写的汇编代码相差无几，有时甚至还要更高效。 因为汇编代码和机器指令直接对应，所以我们通过汇编代码，可以非常直观地观察到C语言编译器编译C代码的结果，清楚地看到一行C代码编译成的机器指令。在这个过程中，我们就可以清楚地知道C语言的变量、指针、函数的实现机制是什么，从而达到了解C语言本质的目的。 ### C语言指针带来的陷阱 在上面用汇编代码观察C语言的时候，我们看到了C语言是如何处理指针变量的。而这就是C语言的灵活之处，也是其难点。**C语言的指针导致C语言程序员可以毫无节制地操控内存，这个特性赋予了C语言强大、灵活的特点，同时也带来了陷阱。**下面我们用几个例子看看，具体有哪些陷阱。 **陷阱一：未初始化的指针** 指针变量中存放的是地址数据，未初始化即为地址数据不明，指向何处也就不清楚。如果你指向了一个关键内存地址，对其进行读写，就会破坏其中的重要数据，从而导致代码逻辑出现问题，而且这样的问题非常难于查找。 你可以观察下面的代码，思考它是不是有问题。 ```c++ int main(int argc, char const *argv[]) { int* p; int k = *p; for (int i = k; i > 100; i++) { printf("hello world\n"); } return 0; } ``` 这代码有问题吗？有，p没有初始化，所以p的值是不确定的，可以指向任意地址。而这个地址中的数据也是不确定的，所以问题来了：i可能大于100，也可能小于100，代码的行为是不确定的，所以出问题之后就极其难以查找。 **陷阱二：指针越界** 我们经常用指针操作一块连续的内存，比如数组。这样的情况下，如果代码逻辑出现问题，很容易导致指针越界，超出指针指向这块内存的边界，从而改写不该操作的内存中的数据。 我们还是来看一个具体的代码： ```c++ char str[5] = { 0 }; void stringcopy(char* dest, char* src) { for(; *src != 0; dest++, src++) { *dest = *src; } return; } int main(int argc, char const *argv[]) { stringcopy(str, "helloworld"); return 0; } ``` 从上述代码可以看出，str只能存放5个字符，而helloworld是10个字符。而stringcopy函数的实现是把两个参数作为指针使用，所以这个代码一定会导致指针越界。如果 str\[5\]后面存放了关键数据，这个关键数据一定会被破坏，从而导致未知bug，并且这样的bug很难查找。 **陷阱三：栈破坏** 指针可以指向任意的内存，栈也是内存，因此用指针很容易操作栈中的内容。而栈中保存着函数的返回地址和局部变量，其中重要的函数返回地址，经常被黑客作为攻击点。他们通过改写返回地址，使函数返回到自己写好的函数上。下面来看看黑客们是如何操作的。 来看下面的代码，它展示了黑客们攻击时利用的“陷阱”。你可以先试想下这段代码的运行结果。 ```c++ void test() { printf("test"); return; } void stackret(long* l) { *l-- = (long)test; *l-- = (long)test; *l-- = (long)test; *l-- = (long)test; *l-- = (long)test; return; } int main(void) { int* p; long x = 0; stackret(&x); return 0; } ``` 你一定想不到程序会输出“test”，可是我们明明没有调用test函数，这是为什么呢？ 我们在stackret函数中不小心修改了栈中的内容，用test地址覆盖了返回地址。因为x变量在栈分配内存，我们传给stackret函数的就是x的地址，自然就可以修改栈中的内容。这个特性经常被木马程序所利用。 上面，我从三个方面向你展现了指针可能带来的危险。总之，C语言的指针给开发人员带来了内存的完全可控性，但是也给程序开发带来了困难，稍有不慎，就会坠入万劫不复的深渊。所以在使用指针时要非常小心。 ## 重点回顾 今天的分享就到这里了，最后我来给你总结一下。 1. 首先我带你回顾了C语言的起源，以及它和UNIX操作系统的密切联系。C 语言是牛人们“玩”出来的，而 C 语言和UNIX在发展过程中互相成就了对方。 2. C语言最开始是被设计用来开发UNIX的，这导致了C语言的高效、简单、灵活和可移植性。我们用一个代码实例了解了C语言的简单性。 3. 我们通过观察汇编代码，了解了C语言的本质，进而理解了C语言指针可能带来的陷阱。 关于C语言，我想和你聊的还远不止这些。在“LMOS说C语言”的下篇，我会和你分享C语言在工程项目中的应用方式，以及如何用C语言来实现面向对象的编程方法，我们到时候见！