重学C++ (二)

前文提到，编译器在对C++源代码进行处理时，Trigraph的替换是在Raw String之前的，即R"??("会被转化成R"["。然而运行一下就可以知道，这种替换似乎并没有发生。

查看C++的Working Draft，可以找到这么一段话，可知并不是第一步没有替换，而是替换后又被改回去了：

Any source file character not in the basic source character set is replaced by the universal-character-name that designates that character. … where this replacement is reverted in a raw string literal.

因此，要想知道自己的代码是否会像它看上去那样运行，需要适当了解一下C++代码编译链接的过程。

第一阶段

由于源码文件是普通的文本文件，因此可以根据其编码方式将其中的一些字符映射到C++语言的字符集(96个)。在这个字符集中，空白字符只有空格、水平制表符\t、垂直制表符\v、换页\f、换行符\n。

不同系统下的换行标志可能会有所不同，因此这一步也要将所有的行末指示符都变成我们熟悉的换行符。

有些字符并不能对应到这96个字符，比如一个中文的字符串。此时它们被替换为Universal Character Name(UNC)，一般会采取\uXXX的表示法来转化。这个UCN其实是个很有意思的东西，它甚至可以在标识符中出现！不过与本文内容无关，下次再提啦。

在遇到Trigraph Sequences时，会替换成相应的单字符表示。这个操作似乎从C++17开始就不执行了。

第二阶段

当一行代码写得太长时，为了美观我们可以在行尾加一个\进行折行。这个折行就是在第二阶段被复原的。当一个\跟着一个\n时，编译器会把二者同时删掉。

注意，这是个一次性的操作，只有源码行末的\会被删掉。一行行末的两个连续\若遇上了一个空行(对应于源码的两个连续\n)，只会吞掉其中一个换行符。

要知道，这依旧是在识别任何token之前的操作。可以猜测一下这段代码的运行结果：

printf("\\
n");

标准中还提到，如果在替换完\后产生了一个UNC，结果将是未定义的。

而如果一个非空源码的末尾没有换行符(原本就没有或是被\吞掉)，编译器应该在最后加上换行符。这在C++11之前是一个未定义的结果。然而我在gcc 4.8.3上得到了一个warning: backslash-newline at end of file [enabled by default]，在Apple LLVM version 6.1.0上得到了一个error: expected unqualified-id。不知道是不是我理解有误orz

第三阶段

本阶段首先会区分出注释、分隔符(第一阶段的空白字符)和预处理token。

预处理token是编译前的最小词法单元，它包含六种元素：
1. 头文件名，例如<iostream>或"stdio.h"等。
2. 标识符。
3. 数值常量。
4. 字符常量、字符串常量和用户自定义字面量(user-defined literals)。
5. 操作符和标点，包括前篇提到的Alternative tokens。
6. 其他不符合前五项的独立非空白字符。

接下来，就是对本位开头提到的Raw String进行恢复处理。在这个阶段识别出Raw String后，第一、第二阶段对它进行的所有更改都将会被恢复。

最后，每条注释都被替换成空格。

第四阶段

这个阶段是编译预处理的最后阶段，会产生一个单独的文件传递给编译器。

此阶段有一个单独的preprocessor的概念，它的行为由预处理指令行所引导。这些预处理指令行有着如下的特征：
1. 以#开头。
2. 预处理指令：define, undef, include, if, ifdef, ifndef, else, elif, endif, line, error, pragma。
3. 参数(取决于具体指令)。
4. 换行

预处理器根据这些指令行采取的操作主要有四种：
1. 摘取所需要编译的代码段落，靠#if, #ifdef系列的条件选择。
2. 文本替换。#define, #undef和操作符#, ##。
3. 头文件。#include，此时会递归地将这些头文件遍历这前四个阶段。
4. 触发一个error。#error。
5. 编译器决定的一些行为。#pragma和操作符_Pragma控制的内部编译指令。
6. 文件名和行信息。#line会修改__LINE__和__FILE__的默认值，常用于其他语言生成的C++代码。

其实一个空指令(#直接跟一个换行)也是不会报错的，但这似乎并没有什么用。更详细的预处理指令用法，以后再写啦。

此阶段结束时，所有的预处理指令行都会被删除。

第五阶段

本阶段主要进行了字符的转换。将源码的字符常量和字符串常量转变为可执行字符集中的字符。所谓可执行字符集(execution character set)是用户可控且平台相关的，gcc默认为UTF-8。

和第一阶段不同，这个阶段主要针对字符常量和字符串常量中的字符，有可能包含C++字符集之外的字符，如UTF-8字符等。

本阶段还会将这些常量中的转义符真正的替换成它所代表的字符，比如字符串中的"\n"替换成换行符等等。

若无对应字符可以转换，它和编译器实现相关，若无规则对应则会变成一个空字符。

第六阶段

合并相邻字符串。

第七阶段

这也就开始了我们所熟悉的编译阶段。所有的预处理token都会经过词法分析啊语义分析之类的操作，被识别为一个具体的翻译单元(所谓的token)，空白分隔符就没用啦。

第八阶段

这个阶段主要是进行模版的实例化。

模版(template)包括函数模版和类模版。既然被称作模版，那就是不能直接用的意思了嘛，所以必须被模版参数实例化。过程叙述起来也很简单，首先提取出需要实例化的模版列表，然后进行实例化产生普通类、函数或成员函数，最后检查是否有失败的实例化。

注意，这仅仅是一个很粗糙的叙述，模版的实例化其实是一个很大的课题。比如显式实例化和隐式实例化等等，以后有时间再写吧。

第九阶段

这个阶段主要处理的就是外部引用啦。