# 24 | 中间代码：兼容不同的语言和硬件 前几节课，我带你尝试不通过IR，直接生成汇编代码，这是为了帮你快速破冰，建立直觉。在这个过程中，你也遇到了一些挑战，比如： * 你要对生成的代码进行优化，才有可能更好地使用寄存器和内存，同时也能减少代码量； * 另外，针对不同的CPU和操作系统，你需要调整生成汇编代码的逻辑。 这些实际体验，都进一步验证了[20讲](https://time.geekbang.org/column/article/145472)中，IR的作用：我们能基于IR对接不同语言的前端，也能对接不同的硬件架构，还能做很多的优化。 既然IR有这些作用，那你可能会问，**IR都是什么样子的呢？有什么特点？如何生成IR呢？** 本节课，我就带你了解IR的特点，认识常见的三地址代码，学会如何把高级语言的代码翻译成IR。然后，我还会特别介绍LLVM的IR，以便后面使用LLVM这个工具。 首先，来看看IR的特征。 ## 介于中间的语言 IR的意思是中间表达方式，它在高级语言和汇编语言的中间，这意味着，它的特征也是处于二者之间的。 与高级语言相比，IR丢弃了大部分高级语言的语法特征和语义特征，比如循环语句、if语句、作用域、面向对象等等，它更像高层次的汇编语言；而相比真正的汇编语言，它又不会有那么多琐碎的、与具体硬件相关的细节。 相信你在学习汇编语言的时候，会发现汇编语言的细节特别多。比如，你要知道很多指令的名字和用法，还要记住很多不同的寄存器。[在22讲](https://time.geekbang.org/column/article/147854)，我提到，如果你想完整地掌握x86-64架构，还需要接触很多指令集，以及调用约定的细节、内存使用的细节等等（[参见Intel的手册](https://software.intel.com/en-us/download/intel-64-and-ia-32-architectures-sdm-combined-volumes-1-2a-2b-2c-2d-3a-3b-3c-3d-and-4)）。 仅仅拿指令的数量来说，据有人统计，Intel指令的助记符有981个之多！都记住怎么可能啊。**所以说，汇编语言并不难，而是麻烦。** IR不会像x86-64汇编语言那么繁琐，但它却包含了足够的细节信息，能方便我们实现优化算法，以及生成针对目标机器的汇编代码。 另外，我在20讲提到，IR有很多种类（AST也是一种IR），每种IR都有不同的特点和用途，有的编译器，甚至要用到几种不同的IR。 我们在后端部分所讲的IR，目的是方便执行各种优化算法，并有利于生成汇编。**这种IR，可以看做是一种高层次的汇编语言，主要体现在：** * 它可以使用寄存器，但寄存器的数量没有限制； * 控制结构也跟汇编语言比较像，比如有跳转语句，分成多个程序块，用标签来标识程序块等； * 使用相当于汇编指令的操作码。这些操作码可以一对一地翻译成汇编代码，但有时一个操作码会对应多个汇编指令。 下面来看看一个典型IR：三地址代码，简称TAC。 ## 认识典型的IR：三地址代码（TAC） 下面是一种常见的IR的格式，它叫做三地址代码（Three Address Code, TAC），它的优点是很简洁，所以适合用来讨论算法： ``` x := y op z //二元操作 x := op y //一元操作 ``` 每条三地址代码最多有三个地址，其中两个是源地址（比如第一行代码的y和z），一个是目的地址（也就是x），每条代码最多有一个操作（op）。 我来举几个例子，带你熟悉一下三地址代码，**这样，你能掌握三地址代码的特点，从高级语言的代码转换生成三地址代码。** **1.基本的算术运算：** ``` int a, b, c, d; a = b + c * d; ``` TAC： ``` t1 := c * d a := b + t1 ``` t1是新产生的临时变量。当源代码的表达式中包含一个以上的操作符时，就需要引入临时变量，并把原来的一条代码拆成多条代码。 **2.布尔值的计算：** ``` int a, b; bool x, y; x = a * 2 < b; y = a + 3 == b; ``` TAC： ``` t1 := a * 2; x := t1 < b; t2 := a + 3; y := t2 == b; ``` 布尔值实际上是用整数表示的，0代表false，非0值代表true。 **3.条件语句：** ``` int a, b c; if (a < b ) c = b; else c = a; c = c * 2; ``` TAC： ``` t1 := a < b; IfZ t1 Goto L1; c := a; Goto L2; L1: c := b; L2: c := c * 2; ``` IfZ是检查后面的操作数是否是0，“Z”就是“Zero”的意思。这里使用了标签和Goto语句来进行指令的跳转（Goto相当于x86-64的汇编指令jmp）。 **4.循环语句：** ``` int a, b; while (a < b){ a = a + 1; } a = a + b; ``` TAC： ``` L1: t1 := a < b; IfZ t1 Goto L2; a := a + 1; Goto L1; L2: a := a + b; ``` 三地址代码的规则相当简单，我们可以通过比较简单的转换规则，就能从AST生成TAC。 在课程中，三地址代码主要用来描述优化算法，因为它比较简洁易读，操作（指令）的类型很少，书写方式也符合我们的日常习惯。**不过，我并不用它来生成汇编代码，因为它含有的细节信息还是比较少，**比如，整数是16位的、32位的还是64位的？目标机器的架构和操作系统是什么？生成二进制文件的布局是怎样的等等？ **我会用LLVM的IR来承担生成汇编的任务，**因为它有能力描述与目标机器（CPU、操作系统）相关的更加具体的信息，准确地生成目标代码，从而真正能够用于生产环境。 **在讲这个问题之前，我想先延伸一下，讲讲另外几种IR的格式，**主要想帮你开拓思维，如果你的项目需求，恰好能用这种IR实现，到时不妨拿来用一下： * 首先是四元式。它是与三地址代码等价的另一种表达方式，格式是：（OP，arg1，arg2，result）所以，“a := b + c” 就等价于（+，b，c，a）。 * 另一种常用的格式是逆波兰表达式。它把操作符放到后面，所以也叫做后缀表达式。“b + c”对应的逆波兰表达式是“b c +”；而“a = b + c”对应的逆波兰表达式是“a b c + =”。 **逆波兰表达式特别适合用栈来做计算。**比如计算“b c +”，先从栈里弹出加号，知道要做加法操作，然后从栈里弹出两个操作数，执行加法运算即可。这个计算过程，跟深度优先的遍历AST是等价的。所以，采用逆波兰表达式，有可能让你用一个很简单的方式就实现公式计算功能，**如果你编写带有公式功能的软件时可以考虑使用它。**而且，从AST生成逆波兰表达式也非常容易。 三地址代码主要是学习算法的工具，或者用于实现比较简单的后端，要实现工业级的后端，充分发挥硬件的性能，你还要学习LLVM的IR。 ## 认识LLVM汇编码 **LLVM汇编码（LLVM Assembly），是LLVM的IR。**有的时候，我们就简单地称呼它为LLVM语言，因此我们可以把用LLVM汇编码书写的一个程序文件叫做LLVM程序。 我会在下一讲，详细讲解LLVM这个开源项目。本节课作为铺垫，告诉我们在使用LLVM之前，要先了解它的核心——IR。 **首先，LLVM汇编码是采用静态单赋值代码形式的。** 在三地址代码上再加一些限制，就能得到另一种重要的代码，即静态单赋值代码（Static Single Assignment, SSA），在静态单赋值代码中，一个变量只能被赋值一次，来看个例子。 “y = x1 + x2 + x3 + x4”的普通三地址代码如下： ``` y := x1 + x2; y := y + x3; y := y + x4; ``` 其中，y被赋值了三次，如果写成SSA的形式，就只能写成下面的样子： ``` t1 := x1 + x2; t2 := t1 + x3; y := t2 + x4; ``` 为什么要费力写成这种形式呢，还要为此多添加t1和t2两个临时变量？原因是SSA的形式，体现了精确的“使用-定义”关系。 每个变量很确定地只会被定义一次，然后可以多次使用。这种特点使得基于SSA更容易做数据流分析，而数据流分析又是很多代码优化技术的基础，所以，几乎所有语言的编译器、解释器或虚拟机中都使用了SSA，因为有利于做代码优化。而LLVM的IR，也是采用SSA的形式，也是因为SSA方便做代码优化。 **其次，LLVM IR比起三地址代码，有更多的细节信息。**比如整型变量的字长、内存对齐方式等等，所以使用LLVM IR能够更准确地翻译成汇编码。 看看下面这段C语言代码： ``` int fun1(int a, int b){ int c = 10; return a + b + c; } ``` 对应的LLLM汇编码如下（这是我在macOS上生成的）： ``` ; ModuleID = 'fun1.c' source_filename = "fun1.c" target datalayout = "e-m:o-i64:64-f80:128-n8:16:32:64-S128" target triple = "x86_64-apple-macosx10.14.0" ; Function Attrs: noinline nounwind optnone ssp uwtable define i32 @fun1(i32, i32) #0 { %3 = alloca i32, align 4 //为3个变量申请空间 %4 = alloca i32, align 4 %5 = alloca i32, align 4 store i32 %0, i32* %3, align 4 //参数1赋值给变量1 store i32 %1, i32* %4, align 4 //参数2赋值给变量2 store i32 10, i32* %5, align 4 //常量10赋值给变量3 %6 = load i32, i32* %3, align 4 // %7 = load i32, i32* %4, align 4 %8 = add nsw i32 %6, %7 %9 = load i32, i32* %5, align 4 %10 = add nsw i32 %8, %9 ret i32 %10 } attributes #0 = { noinline nounwind optnone ssp uwtable "correctly-rounded-divide-sqrt-fp-math"="false" "disable-tail-calls"="false" "less-precise-fpmad"="false" "no-frame-pointer-elim"="true" "no-frame-pointer-elim-non-leaf" "no-infs-fp-math"="false" "no-jump-tables"="false" "no-nans-fp-math"="false" "no-signed-zeros-fp-math"="false" "no-trapping-math"="false" "stack-protector-buffer-size"="8" "target-cpu"="penryn" "target-features"="+cx16,+fxsr,+mmx,+sahf,+sse,+sse2,+sse3,+sse4.1,+ssse3,+x87" "unsafe-fp-math"="false" "use-soft-float"="false" } !llvm.module.flags = !{!0, !1, !2} !llvm.ident = !{!3} !0 = !{i32 2, !"SDK Version", [2 x i32] [i32 10, i32 14]} !1 = !{i32 1, !"wchar_size", i32 4} !2 = !{i32 7, !"PIC Level", i32 2} !3 = !{!"Apple LLVM version 10.0.1 (clang-1001.0.46.4)"} ``` 这些代码看上去确实比三地址代码复杂，但还是比汇编精简多了，比如LLVM IR的指令数量连x86-64汇编的十分之一都不到。 **我们来熟悉一下里面的元素：** * 模块 LLVM程序是由模块构成的，这个文件就是一个模块。模块里可以包括函数、全局变量和符号表中的条目。链接的时候，会把各个模块拼接到一起，形成可执行文件或库文件。 在模块中，你可以定义目标数据布局（target datalayout）。例如，开头的小写“e”是低字节序（Little Endian）的意思，对于超过一个字节的数据来说，低位字节排放在内存的低地址端，高位字节排放在内存的高地址端。 ``` target datalayout = "e-m:o-i64:64-f80:128-n8:16:32:64-S128" ``` “target triple”用来定义模块的目标主机，它包括架构、厂商、操作系统三个部分。 ``` target triple = "x86_64-apple-macosx10.14.0" ``` * 函数 在示例代码中有一个以define开头的函数的声明，还带着花括号。这有点儿像C语言的写法，比汇编用采取标签来表示一个函数的可读性更好。 函数声明时可以带很多修饰成分，比如链接类型、调用约定等。如果不写，缺省的链接类型是external的，也就是可以像[23讲](https://time.geekbang.org/column/article/150798)中做链接练习的那样，暴露出来被其他模块链接。调用约定也有很多种选择，缺省是“ccc”，也就是C语言的调用约定（C Calling Convention），而“swiftcc”则是swift语言的调用约定。**这些信息都是生成汇编时所需要的。** 示例中函数fun1还带有“#0”的属性值，定义了许多属性。这些也是生成汇编时所需要的。 * 标识符 分为全局的（Glocal）和本地的（Local）：全局标识符以@开头，包括函数和全局变量，前面代码中的@fun1就是；本地标识符以%开头。 有的标识符是有名字的，比如@fun1或%a，有的是没有名字的，用数字表示就可以了，如%1。 * 操作码 alloca、store、load、add、ret这些，都是操作码。它们的含义是： ![](https://static001.geekbang.org/resource/image/b6/3e/b60c17cd8aa27160003884a2e1e4fd3e.jpg) 它们跟我们之前学到的汇编很相似。但是似乎函数体中的代码有点儿长。怎么一个简单的“a+b+c”就翻译成了10多行代码，还用到了那么多临时变量？不要担心，**这只是完全没经过优化的格式，**带上优化参数稍加优化以后，它就会被精简成下面的样子： ``` define i32 @fun1(i32, i32) local_unnamed_addr #0 { %3 = add i32 %0, 10 %4 = add i32 %3, %1 ret i32 %4 } ``` * 类型系统 汇编是无类型的。如果你用add指令，它就认为你操作的是整数。而用fadd（或addss）指令，就认为你操作的是浮点数。这样会有类型不安全的风险，把整型当浮点数用了，造成的后果是计算结果完全错误。 LLVM汇编则带有一个类型系统。它能避免不安全的数据操作，并且有助于优化算法。这个类型系统包括**基础数据类型、函数类型和void类型。** ![](https://static001.geekbang.org/resource/image/09/2e/090b2841d969debe803346460764242e.jpg) **函数类型**是包括对返回值和参数的定义，比如：i32 (i32)； **void类型**不代表任何值，也没有长度。 * 全局变量和常量 在LLVM汇编中可以声明全局变量。全局变量所定义的内存，是在编译时就分配好了的，而不是在运行时，例如下面这句定义了一个全局变量C： ``` @c = global i32 100, align 4 ``` 你也可以声明常量，它的值在运行时不会被修改： ``` @c = constant i32 100, align 4 ``` * 元数据 在代码中你还看到以“!”开头的一些句子，这些是元数据。这些元数据定义了一些额外的信息，提供给优化器和代码生成器使用。 * 基本块 函数中的代码会分成一个个的基本块，可以用标签（Label）来标记一个基本块。下面这段代码有4个基本块，其中第一个块有一个缺省的名字“entry”，也就是作为入口的基本块，这个基本块你不给它标签也可以。 ``` define i32 @bb(i32) #0 { %2 = alloca i32, align 4 %3 = alloca i32, align 4 store i32 %0, i32* %3, align 4 %4 = load i32, i32* %3, align 4 %5 = icmp sgt i32 %4, 0 br i1 %5, label %6, label %9 ;