第一章: 理解 LLVM

JavaScript 是最受欢迎的编程语言之一。然而，JavaScript 有两个主要缺点：

• 性能不可预测

  JavaScript 在 JavaScript 引擎提供的环境和运行时中执行。有各种各样的 JavaScript 引擎（V8、WebKit 和 Gecko）。它们都是不同构建的，并以不同的方式运行相同的 JavaScript 代码。再加上，JavaScript 是动态类型的。这意味着 JavaScript 引擎在执行 JavaScript 代码时需要猜测类型。这些因素导致了 JavaScript 执行的性能不可预测。对一种类型的 JavaScript 引擎的优化可能会在其他类型的 JavaScript 引擎上产生不良的副作用。这导致了性能的不可预测性。

• 包大小

  JavaScript 引擎在下载整个 JavaScript 文件之前都会等待，然后才开始解析和执行。JavaScript 文件越大，等待时间就越长。这会降低应用程序的性能。像 webpack 这样的打包工具有助于最小化包大小。但当你的应用程序增长时，包大小呈指数级增长。

有没有一种工具既提供原生性能，又有更小的大小？是的，WebAssembly。

WebAssembly 是 web 和节点开发的未来。WebAssembly 是静态类型的且预编译的，因此它比 JavaScript 提供更好的性能。二进制的预编译提供了生成微小二进制包的选项。WebAssembly 允许像 Rust、C 和 C++ 这样的语言被编译成在 JavaScript 引擎中与 JavaScript 一起运行的二进制代码。所有 WebAssembly 编译器都在底层使用 LLVM 将原生代码转换成 WebAssembly 二进制代码。因此，了解 LLVM 是什么以及它如何工作是很重要的。

在本章中，我们将学习编译器的各种组件是什么以及它们是如何工作的。然后，我们将探索 LLVM 是什么以及它如何帮助编译语言。最后，我们将看到 LLVM 编译器是如何编译原生代码的。我们将在本章中涵盖以下主题：

• 理解编译器
• 探索 LLVM
• LLVM 实战

技术要求

我们将使用 Clang，这是一个将 C/C++ 代码编译成原生代码的编译器。

对于 Linux 和 Mac 用户，Clang 应该是开箱即用的。

对于 Windows 用户，可以从以下链接安装 Clang：(https://llvm.org/docs/GettingStarted.html?highlight=installing clang windows#getting-the-source-code-and-building-llvm) 来安装 Clang。

理解编译器

编程语言大致分为编译型和解释型语言。

在编译型世界中，代码首先被编译成目标机器代码。这个将代码转换成二进制的过程称为 编译。将代码转换成目标机器代码的软件程序称为 编译器。在编译过程中，编译器对编写的代码进行一系列检查、传递和验证，并生成高效且优化的二进制代码。一些编译型语言的例子包括 C、C++ 和 Rust。

在解释型世界中，代码在单个传递中被读取和执行。由于编译发生在运行时，生成的机器代码不如其编译型对应物优化。解释型语言比编译型语言明显慢，但它们提供动态类型和更小的程序大小。

在本书中，我们将只关注编译型语言。

编译型语言

编译器是一种翻译器，它将源代码翻译成机器代码（或以更抽象的方式，将代码从一种编程语言转换成另一种）。编译器之所以复杂，是因为它必须理解源代码所使用的语言（其语法、语义和上下文）；它还必须理解目标机器代码（其语法、语义和上下文），并且必须创建一个将源代码映射到目标机器代码的表示。

编译器具有以下组件：

• 前端 - 前端负责处理源语言。
• 优化器 - 优化器负责优化代码。
• 后端 - 后端负责处理目标语言。

编译器的前端首先分析源代码，检查语法错误，并将代码转换成一个中间表示（IR）。IR 是一种抽象表示，它独立于源代码和目标平台。优化器在这个中间表示上执行各种优化，以提高代码的性能和效率。后端则将优化后的 IR 转换成目标平台的机器代码。

在编译过程中，编译器的不同阶段将源代码转换成不同的形式，以便进行分析和优化。编译器通过分析和优化源代码，生成高效且优化的目标代码。由于这个过程涉及到复杂的分析和优化，所以编译型语言通常比解释型语言运行得更快。

第1.1图 - 编译器的组件

前端

前端专注于处理源语言。它在接收代码时进行解析。然后，代码会被检查是否有任何语法或语法问题。之后，代码被转换（映射）为中间表示（IR）。将 IR 视为表示编译器处理的代码的格式。IR 是编译器对你代码的版本。

优化器

编译器中的第二个组件是优化器。这是可选的，但如其名称所示，优化器分析 IR 并将其转换为更高效的形式。少数编译器具有多个 IR。编译器在每次遍历 IR 时都会高效地优化代码。优化器是一个 IR 到 IR 的转换器。优化器进行分析、运行传递并重写 IR。这里的优化包括去除冗余计算、消除死代码（无法到达的代码）以及将在后续章节中探索的各种其他优化选项。值得注意的是，优化器不必特定于语言。由于它们作用于 IR，它们可以构建为通用组件，并与多种语言一起重用。

后端

后端专注于生成目标语言。后端接收生成的（优化的）IR，并将其转换为另一种语言（例如机器代码）。也可以链接多个后端以将代码转换为其他语言。后端负责从 IR 生成目标机器代码。这种机器代码是在裸机上运行的实际代码。为了生成高效的机器代码，后端应该理解代码执行的架构。

机器代码是一组指令，指导机器在寄存器中存储一些值并对其进行计算。例如，生成的机器代码负责在 32 位架构中有效地将 64 位数字存储在空闲寄存器中（等等）。后端应理解目标环境，以有效地创建一组指令，并正确选择和安排指令，以提高应用程序执行的性能。

编译器效率

执行速度越快，性能越好。

编译器的效率取决于它如何选择指令，在给定架构中如何分配寄存器以及如何安排指令执行。指令集是处理器支持的一组操作，这种总体设计称为指令集体系结构（ISA）。ISA 是计算机的抽象模型，通常被称为计算机架构。不同的处理器以不同的实现方式转换 ISA。不同的实现在性能上可能有所不同。ISA 是硬件和软件之间的接口。

如果你正在实现一种新的编程语言，并且希望这种语言在不同的架构（或更抽象地说，不同的处理器）上运行，那么你应该为这些架构/目标构建后端。但是，为每个架构构建这些后端是困难的，开发一种语言将需要时间、成本和努力。

如果我们创建一个通用的 IR，并构建一个将此 IR 转换为在各种架构上高效运行的机器代码的编译器呢？让我们称这种编译器为低级虚拟机。现在，你的编译器链中的前端的角色仅仅是将源代码转换为与低级虚拟机（例如 LLVM）兼容的 IR。现在，低级虚拟机的一般目的是作为一个通用的可重用组件，将 IR 映射到各种目标的本机代码。但低级虚虚拟机只理解通用 IR。这种 IR 被称为 LLVM IR，而编译器被称为 LLVM。

探索 LLVM

LLVM 是 LLVM 项目的一部分。LLVM 项目托管编译器和工具链技术。LLVM 核心 是 LLVM 项目的一部分。LLVM 核心负责提供源代码和目标代码无关的优化，并为许多 CPU 架构生成代码。这使得语言开发人员只需创建一个生成与 LLVM 兼容的 IR 或 LLVM IR 的前端即可。

您可能不知道的是，LLVM 并不是一个首字母缩写词。当该项目最初作为一个研究项目启动时，它意味着低级虚拟机。但后来，决定将这个名称用作非缩写词。

LLVM 的主要优势如下：

• LLVM 使用类似于 C 的简单低级语言。
• LLVM 是强类型的。
• LLVM 有严格定义的语义。
• LLVM 有准确和精确的垃圾回收。
• LLVM 提供各种优化，您可以根据需求选择。它有激进的、标量的、过程间的、简单循环的和基于配置文件的优化。
• LLVM 提供多种编译模型，包括链接时、安装时、运行时和离线。
• LLVM 为多种目标架构生成机器代码。
• LLVM 提供 DWARF 调试信息。

请注意，LLVM 并非一个单一的整体项目。它是一个包含子项目和其他项目的集合。这些项目被各种语言（如 Ruby、Python、Haskell、Rust 和 D）用于编译。

了解了编译器和 LLVM 的知识后，我们将看到它是如何被使用的。

LLVM 实战

在本节中，我们将使用 LLVM 的 Clang 编译器将原生代码编译成 LLVM IR。这将更好地展示 LLVM 的工作方式，并有助于理解未来章节中编译器如何使用 LLVM。

首先，我们创建一个名为 sum.c 的 C 文件，并输入以下内容：

$ touch sum.c
// sum.c
unsigned sum(unsigned a, unsigned b) {
   return a + b;
} 

sum.c 文件包含一个简单的 sum 函数，接收两个无符号整数并返回它们的和。LLVM 提供了 Clang LLVM 编译器来编译 C 源代码。为了生成 LLVM IR，请运行以下命令：

$ clang -S -O3 -emit-llvm sum.c

我们为 Clang 编译器提供了 -S、-O3 和 -emit-llvm 选项：

• -S 选项指定编译器仅执行预处理和编译步骤。
• -O3 选项指定编译器生成优化良好的二进制文件。
• -emit-llvm 选项指定编译器在生成机器代码的同时发出 LLVM IR。

前面的代码将打印出以下 LLVM IR：

define i32 @sum(i32, i32) local_unnamed_addr #0 {
  %3 = add i32 %1, %0
  ret i32 %3
} 

LLVM IR 的语法在结构上更接近于 C。define 关键字定义了函数的开始。紧随其后的是函数的返回类型 i32。接下来，我们有函数的名称 @sum。

重要说明

注意那里的 @ 符号吗？LLVM 使用 @ 来标识全局变量和函数。它使用 % 来标识局部变量。

在函数名称之后，我们声明输入参数的类型（在此案例中为 i32）。local_unnamed_addr 属性表明在模块中该地址不被认为是重要的。LLVM IR 中的变量是不可变的。也就是说，一旦你定义了它们，就不能改变它们。所以在 block 内部，我们创建了一个新的局部值 %3，并将其值设置为 add。add 是一个操作码，它接收参数的 type 以及两个参数 %0 和 %1。%0 和 %1 表示第一和第二个局部变量。最后，我们使用 ret 关键字和 type 返回 %3。

这个 IR 是可转换的；也就是说，IR 可以从文本表示转换成内存中的表示，然后转换成在裸机上运行的实际位码。同样，从位码，你可以将它们转换回文本表示。

想象一下，你正在编写一种新语言。该语言的成功取决于它在各种架构上的性能表现。为各种架构（如 x86、ARM 等）生成优化的字节码需要很长时间，并且并不容易。LLVM 提供了一种简单的方式来实现它。不是针对不同的架构，而是创建一个编译器前端，将源代码转换成与 LLVM 兼容的 IR。然后，LLVM 将 IR 转换成在任何架构上运行的高效且优化的字节码。

注意

LLVM 是一个伞形项目。它有很多组件，你可以写一系列书籍来介绍它们。全面覆盖 LLVM 以及如何安装和运行它们超出了本书的范围。如果你对 LLVM 的各种组件、它们的工作方式以及如何使用它们感兴趣，可以查看网站：https://llvm.org。

总结

在本章中，我们了解了编译语言的工作原理以及 LLVM 如何帮助编译它们。我们使用 LLVM 编译了一个示例程序，以理解它的工作方式。在下一章中，我们将探讨 Emscripten，这是一个将 C/C++ 转换成 WebAssembly 模块的工具。Emscripten 使用 LLVM 后端进行编译。