llvm学习笔记(2)

1.概述

llvm是一个由若干工具（汇编器、编译器和调试器等）所组成的工具集合，并被设计为与Unix系统上现有的工具兼容。尽管llvm有很多独特的功能，并且有一些伟大的工具（例如，Clang编译器，在很多方面优于gcc）。但是llvm最与众不同的还是他的内部结构。从2000年12月它的诞生之日起，llvm的设计目标就是具有良好定义接口的可重用的库的集合。而很多开源软件，例如gcc，被实现为目的单一的一个巨大的可执行程序。例如，很难重用gcc的语法分析器来做静态分析或者反射（refactoring）。

除了编译器的结构之外，围绕语言的社区也呈两极化。要么提供传统的静态编译器如gcc、FreePascal和FreeBASIC等，要么以解释器或者JIT的形式提供一个运行时的编译器。同时支持两者的非常少见。过去的十年里，llvm改变了这种状况。llvm被用作编译广泛的静态或者动态语言（例如，gcc、java、.NET、Python、Ruby、Scheme、Haskell等支持的以及其他一些很少见的语言）的通用架构。

2.现存的编译框架

为了方便移植与重用，编译器的理想架构如下：

这样模块化的结构下，N个前端和M个后端，就可以达到非模块化结构的N*M种编译器。

这种模块化的结构有三个成功案例。第一个是Java,.NET等虚拟机。他们提供了JIT编译器，运行时（runtime）和良好定义的字节码格式。任何程序只要能转换为字节码格式，就能狗利用虚拟机提供的各种功能，包括JIT和运行时等。其缺点就是，其运行时提供的灵活性不够，强制实施JIT编译和垃圾收集，并且使用了一种特殊的模型，当处理类似C这样的不太适合与该模型的语言时，就有性能上的折扣。

第二个成功的案例也许是不幸，但也是被广泛使用的重用编译器的方法：把输入的源程序转化为C代码，然后输入到现存的C编译器中。这种方法能够重用优化和代码生成机制，有比较好的灵活性，并且能够控制运行时，易于为前端开发者所理解、实施和维护。但是不幸的是，这种做法不能有效实施异常处理，不利于调试，并且减缓了编译速度，对于那些具有C不支持的特性的语言来说，还可能出现问题。

最后一个成功的案例是GCC4。GCC支持很多前端和后端，并且有一个庞大而活跃的开发团队。GCC在很长时间里是充当C语言的编译器，支持若干不同的目标机器。随着时间推移，GCC社区的设计更加清晰，例如在GCC4.4中，就有一个供优化使用的中间表示（GIMPLE），跟以前相比，其与前端的联系更加松散。Fortran和Ada使用的是简单的AST。

尽管非常成功，这三种方法都有局限性。他们都是被设计成一个单一的应用程序。例如很难把GCC嵌入到其他的应用中，或者重用并提取片段的GCC代码。而LLVM则具有清晰良好的设计，使得其很容易被重用。

3.LLVM的中间表示与简单使用

LLVM的中间表示为bitcode，通常后缀为bc。以简单的hello world程序为例。

#include <stdio.h>

int main() {
  printf("hello world\n");
  return 0;
}

可以直接把它编译为本地的可执行文件，命令为

clang hello.c -o hello

clang是llvm编译器前端的名字，也是其整个编译器的驱动，类似与gcc。

也可以把它编译成为一个bc格式的文件，使用的编译选项为-emit-llvm -c，如下

clang -emit-llvm -c hello.c -o hello.bc

bc格式的也可以执行，执行命令如下：

lli hello.bc

如果要想生成bc的文本格式（后缀为ll），使用的命令是-emit-llvm -S

clang -emit-llvm -S hello.c -o hello.ll

bc文件也可以被转换为本地的汇编码，命令为：

llc hello.bc -o hello.s

生成汇编码之后，可以使用gcc完成链接并执行：

gcc hello.s -o hello.native
./hello.native

另外，llvm-as可以把.ll格式的文件转化为.bc，llvm-dis可以把.bc文件转化为ll。

llvm的中间（IR）表示是其最重要的部分，IR可以支持编译器优化部分的分析和转换，包括轻量级的运行时优化、过程间优化、全程序（whole program analysis）优化以及激进的重构优化。最为重要的是，它具有一个良好定义的语义。如下所示。

define i32 @add1(i32 %a, i32 %b) {
entry:
  %tmp1 = add i32 %a, %b
  ret i32 %tmp1
}

define i32 @add2(i32 %a, i32 %b) {
entry:
  %tmp1 = icmp eq i32 %a, 0
  br i1 %tmp1, label %done, label %recurse

recurse:
  %tmp2 = sub i32 %a, 1
  %tmp3 = add i32 %b, 1
  %tmp4 = call i32 @add2(i32 %tmp2, i32 %tmp3)
  ret i32 %tmp4

done:
  ret i32 %b
}

===========================================================

unsigned add1(unsigned a, unsigned b) {
  return a+b;
}

// Perhaps not the most efficient way to add two numbers.
unsigned add2(unsigned a, unsigned b) {
  if (a == 0) return b;
  return add2(a-1, b+1);
}

上面的是中间表示，下面的是对应的C代码。从中可以看出，LLVM IR是类是RISC的虚拟指令集，指令为三地址格式，很像是汇编程序。但是与机器对应的汇编程序不同的是：1) 其IR是有类型的，i32表示32位的整型值；2) call和ret的细节被抽象掉了，只是跟了参数，接近于高级语言的形式；3) 有无穷多个寄存器，使用“%”表示。