Cpreprocesser,简称cpp,是C编译器在编译源码之前用于转换代码的宏处理器。之所以称之为宏处理器,是因为通过cpp,你可以在程序中定义和使用宏。cpp是一种文本处理工具,因此也可以用于C、C++和Objective-C之外的源码。
初始处理
cpp的作用是对输入的文件做一系列的文本处理,这些文字处理是最先进行的。理论上,预处理中的各个操作的执行是有严格的顺序,但实际上GNU的CPP将所有的操作一起执行。这些变换大体上可以分为这四个阶段:
-
将输入文件载入内存并分行
GNU CPP处理的是ASCII编码的字节流。GNUCPP还支持扩展的ASCII码,如ISOLatin-1和UTF-8,目前不支持非7bit的ASCII编码字符。
不同的操作系统使用不同的方式来标记行的结束。GNUCPP接受ASCII序列LF,CR, CRLF和LFCr作为换行符,但在同一个文件中要使用同一种换行符。如果文件的最后一行没有换行符,那么GNUCPP将自动为其补上换行符。
-
如果有三字词(trigraph),将其转为对应的单个字符
trigraph是个历史遗留问题,是为了使那些缺少一些C中字符的遗留系统使用C,目前很少使用,甚至一些编译器都不能正确地处理trigraph。trigraph共有9个,其对应关系如下图所示:
Trigraph: ??( ??) ??< ??> ??= ??/ ??' ??! ??-
Replacement: [ ] { } # \ ^ | ~
-
将标记为连续的多行合并为一个单行
标记为连续的多行指行末使用”/”标记的行,CPP将其删除并将下一行连接到此行。即使在”/”与换行符之间有空格,也不会有影响,标记的多行仍为标记的多行。
-
将所有的注释用空格代替
/*...*/和//标记的注释在此步会被CPP用空格代替。
断词(Tokenization)
在文本处理结束后,输入文件将被转化为一个词(token)序列,这些词(token)和C编译器中的词(token)大部分是对应的,但也有例外。这些词用空格分开,空格本身并不是词。
在断词的过程中如果出现多义性,那么CPP将采取贪心策略,从左侧开始尽量获得更长的词,如a+++++b将被分为a++ ++ + b。
在CPP中将输入文件断词后,除非使用##运算符,否则分词不会发生改变,如:
#define foo() bar foo()baz ==> bar baz not ==> barbaz
尽管foo()baz中foo()和baz之间没有空格,但因为对foo()做了定义,因此CPP将其作为两个词来处理,中间使用空格分离。
预处理token可以分为这五个大类:identifiers,preprocessing numbers, string literals, punctutators和其它。下面简单介绍这五个类:
Identifiers:预处理identifier与C中的identifier是一样的,即:以下划线或字符开头,由字符、数字或下划线组成的序列。C中的预处理identifier只有一个关键字,defined。
Preprocessingnumber:与普通的数字定义不同。除C中的普通整型和浮点型常量外,还包括其它的一些表达方式。Preprocessingnumber指任何以可选的点和十进制数字开头的,包括字符、数字、下划线、点和指数的序列。指数包括这些:e+
,e-
,E+
,E-
,p+
,p-
,P+
,andP-
。预处理中的数字之所以这么定义,是想将预处理器从复杂的数定义中摆脱出来。
Stringliterals
:
包括字符串常量、字符常量和头文件名。头文件名有两种表达方式,分别是”...
”和<...>
。使用”...
”,预处理器会首先在当前目录寻找相关的头文件,再去系统路径寻找,使用<...>
则直接去系统目录查找头文件。
punctutators:包括所有C和C++中标点(punctutators)。ASCII中除@
,$
,和`
这三个外,其它全部标点都是C
中的标点。所有的两字符和三字符操作符都是标点,
除此之外还有六个复合字符,他们的对应关系如下:
Digraph: <% %> <: :> %: %:%:
Punctuator: { } [ ] # ##
预处理语言(ThePreprocessing Language
)
在完成分词后,从输入文件的得到的词流(tokenstream)可以传给编译器来处理,但如果在预处理语言中定义了一些操作,那么这么操作将先于编译执行。
预处理语言由要执行的指令(directives)和要展开的宏(macros)组成。其主要功能是:
-
头文件的包含。#include头文件 指令将被相应的头文件内容替换。
-
宏展开。不仅包括用户自定义的宏,还有一些系统自定义的宏。
-
条件编译。
-
行控制。
-
诊断。
#与##
#:字符串化
#在宏的作用是”字符串化“。宏展开操作并不在处理形如这样”...”被引起的内容,这样在””之间的宏就不会展开。#宏操作符可以解决这个问题,#的作用是在其后面宏展开后,加上””,如:
#define QUOTEME(x) #x
下面的代码:
printf("%s\n",QUOTEME(1+2));
将被展开为:
printf("%s\n", "1+2");
#在字符串化宏参数时,需要一些技巧,负责宏参数将不会被展开,如:
#define FOO bar
下面的代码:
printf("FOO=%s\n", QUOTEME(FOO));
将被展开为:
printf("FOO=%s\n", "FOO");
#经常用于输出代码所在行,如:
#define QUOTEME_(x) #x #define QUOTEME(x) QUOTEME_(x)
现在
QUOTEME(__LINE__);
将输出:
"34"
#常被定义为CHAR,从而增强可读性,如:
#define CHAR(X) #X[0] 使得: printf("%c\n", CHAR(a)) printf("%c\n", CHAR(b))
输出:
a b
##:字连接符(tokenconcatenation)
##可以在预处理阶段将两个词(token)连接起来,如:
#define MYCASE(item,id) \ case id: \ item##_##id = id;\ break switch(x) { MYCASE(widget,23); }
宏展开后,MYCASE(widget,23);将得到:
case 23: widget_23 = 23; break;
在使用##处理参数时,要注意增加一个转换函数,如下:
enum { OlderSmall = 0, NewerLarge = 1 }; #define Older Newer #define Small Large #define replace_1(Older, Small) Older##Small #define replace_2(Older, Small) replace_1(Older, Small) void printout() { // replace_1(Older, Small) becomes OlderSmall (not NewerLarge), // despite the #define calls above. printf("Check 1: %d\n", replace_1(Older, Small)); // The parameters to replace_2 are substituted before the call // to replace_1, so we get NewerLarge. printf("Check 2: %d\n", replace_2(Older, Small)); }
这段代码的执行结果:
Check 1: 0 Check 2: 1