扒一扒C语言hello world背后的内幕

引言

在学习C语言或者其他编程语言的时候，我们编写的一个程序代码，基本都是在屏幕上打印出 hello world ，开始步入编程世（深）界（坑）的。C 语言版本的 hello world 代码：

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

不用多说，这段程序在运行时，会在显示终端上打印出 hello world 。

那么，这段程序背后关联的内容，你是否真正梳理明白了呢？

源程序代码是如何编译成可执行程序的？
#include<stdio.h> 的作用是什么？
hello world 程序是怎样运行起来的？
printf 是怎样将字符串 “hello world” 输出到终端的？
hello world 程序在运行时，它在内存中是什么样子的？
程序的执行入口为什么是 main 函数？
可执行文件的内部结构是怎么样的？
闲话少说，让我们进入正题，扒一扒 hello world 背后的内幕。

注：本文是在 Ubuntu 环境下对程序的编译和运行进行实验，相关内容以 Linux 系统为主。

程序编译

在 Linux 系统或者其他环境下，将源码编程成可执行程序，很简单。点击编译按钮或者输入编译指令即可完成。例如，在 Linux 下，用 gcc 编译此程序代码，然后运行：

$ gcc hello.c -o hello
$ ./hello
hello world

但是，你知道编译器干了哪些工作吗？编译器将源代码文件编程成可执行程序，经历了四步：编译预处理、编译、汇编、链接。

1 编译预处理

编译预处理过程主要是处理源代码文件中，以 “#” 开头的预编译指令。例如，“#inlude”、“#define”等。

预处理器根据以字符 “#” 开头的指令，修改原始的 C 程序文件，生成一个以 .i 为扩展名的程序文件。

本例中，#include<stdio.h> 命令告诉预处理器，读取系统头文件 stdio.h 的内容，并把它插入到源程序文本中。

在 Linux 环境下，可以通过如下指令得到预处理完成后的 .i 文件

$ gcc -E hello.c -o hello.i
这个文件内容比较长，如果有兴趣的话可以自己进行实验，查看一下。

2 编译

编译的过程就是把预处理完的文件，进行一系列的词法分析、语法分析、语义分析以及优化后，生成相应的汇编代码文件。这个过程往往是整个程序构建的核心部分。

将 hello.i 文件翻译成文本文件 hello.s，其内部是一个汇编语言的程序。

通过如下指令可以得到汇编文件

$ gcc -S hello.i -o hello.s

3 汇编

汇编器将上一步生成的汇编代码翻译成机器可以执行的指令，把这些指令打包成可重定位目标程序，保存在目标文件 hello.o 中。

可以通过下边的指令生成：

$ gcc -c hello.s -o hello.o
文件 hello.o 是一个二进制文件。

4 链接

hello 程序调用了 printf 函数，这是 标准 C 库中的一个函数。printf 函数存储在一个预编译好的目标文件 printf.o 中，链接器负责将这个文件以某种方式合并到 hello.o 程序中。

合并处理后，得到一个可执行目标文件 hello，这个可执行文件可以由系统加载运行。

程序运行

hello.c 程序已经被编译可执行的目标文件 hello，且存在磁盘上。那这个程序是如何运行起来的呢？

当然，你可以说，通过如下指令可以运行程序：

$ ./hello
hello world

但是，从计算机角度来说，运行这个程序需要做哪些工作呢？

当输入 “./hello” 后，shell 开始处理这条指令。

首先，shell 加载可执行文件 hello，复制目标文件 hello 中的代码和数据到内存中。

数据和指令加载完成后，处理器开始执行 hello 程序中 main 函数的机器指令。这些指令将 “hello world” 字符串中的字节复制到寄存器文件，再从寄存器文件中复制显示设备上，最终在屏幕上显示出来。

其实，操作系统在加载程序后，还做了一些工作，用于准备 main 函数执行需要的环境，然后调用 main 函数。

可执行程序文件

在 Linux 下，可执行文件的存储格式为 ELF（Executable Linkable Format）。那么其内部结构是什么样的呢？

典型的 ELF 可执行文件的布局情况如下：

ELF 头部描述了整个文件的属性，包括，文件是否可执行、目标硬件、目标操作系统、入口点等信息。

.init 定义了一个小函数，叫做 _init，程序的初始化代码会调用它。

.text 为已编译程序的机器代码。 .rodata 为只读数据，比如 printf 语句中格式串。.data 为已初始化的全局和静态 C 变量。

.bss 存放未初始化的全局变量和局部静态变量，以及所有被初始化为 0 的全局或静态变量。不占用实际的空间，只是一个占位符。

.symtab 是一个符号表，存放在程序中定义和引用的函数和全局变量的信息。

.debug 一个调试符号表，内部是程序定义的局部变量和类型定义，程序定义和引用的全局变量，以及原始的 C 源文件。

.line 源程序中的行号和 .text 节中机器指令之间的映射。

.strtab 一个字符串表，内容包括 .symtab 和 .debug 节中的符号表，以及节头部中的节名字。

总体来说，将程序源码编译之后生成的目标文件，主要分成两种段：程序指令和程序数据。代码段属于程序指令，数据段和 .bss 段属于程序数据。

加载可执行程序

可执行程序被加载器加载到内存，即从磁盘内复制可执行文件中的代码和数据到内存中，然后跳转到程序的入口点来运行该程序。将程序复制到内存并运行的过程就叫做加载。

在 Linux 系统中，每个程序都有一个运行时的内存映像。

代码段后边是数段，运行时，堆在数据段之后，通过调用 malloc 库向上增长。

用户栈总是从最大的合法用户地址开始，向较小内存地址增长。

用户栈以上的区域，是为内核中的代码和数据保留的。

程序加载运行时，会创建类似上图所示的内存映像，在程序头部的引导下，加载器将可执行文件复制到代码段和数据段，然后加载器跳转到程序的入口点。

入口点的函数调用启动函数，初始化执行环境，然后调用用户层的 main 函数，处理 main 函数的返回值，并在需要的时候把控制权返回给内核。

main 函数为作为用户可执行程序的入口，是由系统启动函数内部定义的。在环境准备好后，调用 main 函数，开始执行用户程序。

总结

没想到，这么简单的程序背后，涉及到这么多知识内容。

源码文件编译成可执行文件具体过程。
可执行目标程序加载和执行的详细过程。
可执行目标文件内部结构布局。
目标文件加载到内存后的布局情况。

原作者：zppsky16