编译器源码如何读？

本文目录导读：

1. 第一阶段：明确目标与选择靶子
2. 第二阶段：掌握编译器基础骨架（倒着读）
3. 第三阶段：具体阅读技巧
4. 第四阶段：必备工具与调试方法
5. 第五阶段：针对特定编译器的策略
6. 行动清单

阅读编译器源码是一项有挑战性但极具价值的系统工程学习，它不像读小说，需要目标驱动+分层抽象+动手验证,以下是一套经过验证的路径和方法：

第一阶段：明确目标与选择靶子

不要试图一次性理解整个GCC或LLVM，初学者从小而完整的编译器入手,收益最大。

推荐靶子（按难度递增）：

1. 新手村：tiniest / lcc / 自制教程编译器
   • 特点：代码可能只有几千行,只支持C语言的子集或简单的表达式。
   • 示例：Nora Sandler的Writing a C Compiler配套代码，或Bob Nystrom的Crafting Interpreters中的jlox/clox（虽然是解释器，但结构清晰）。
2. 进阶：8cc 或 chibicc
   • 特点：Rui Ueyama（原作者）写的chibicc，代码清晰且每一行都有注释，它自底向上构建,很适合学习。
3. 工业级：LLVM 或 GCC 的子模块
   • 目标：不是读全部，而是只读其中一个pass（如InstCombine、GVN）或只读前端的一部分。

第二阶段：掌握编译器基础骨架（倒着读）

不要按代码顺序读，编译器的核心流程是固定的，你应该先在大脑里建立这个流程，然后去代码里“对号入座”。

基础流程： 源代码 → 词法分析 (Lexer) → 语法分析 (Parser) → 语义分析 (Sema) → 中间代码生成 (IR Gen) → 优化 (Optimizer) → 目标代码生成 (CodeGen)

一个非常有效的“解剖”策略：

1. 从“输出”倒推：找到目标文件生成的行（如.o文件或汇编代码），看它是如何把一条汇编指令（如mov）编码成二进制字节的，这能帮你理解数据流的终点。
2. 找“Hello World”的踪迹：用编译器的debug模式，编译一个最简程序（只有int main() { return 0; }），观察它经过了哪些函数，这就是编译器的主线剧情。
3. 识别核心数据结构：编译器里最重要的不是函数，而是树（AST）和表（符号表、类型表），找到AST节点定义（如Expr.h）、类型表示（Type.h）、基本块（BasicBlock.h）的代码，它们就像拼图的碎片，看懂它们,函数逻辑就清楚大半。

第三阶段：具体阅读技巧

记号（Token）的流动

• 关注词法分析器返回的Token结构体，它包含什么？类型枚举、字符串值、位置信息。
• 看语法分析器如何调用next_token(),如何构建AST节点。

抽象语法树（AST）的构建

• 这是“骨架”所在，关注visit_IfStmt、visit_BinaryOp这类函数。
• 关键问题：它是如何递归下降的？错误的处理（如类型不匹配）是在哪一层报错的？

中间表示（IR）的生成

• 如果是LLVM，关注IRBuilder，看一条C语句（如a = b + c）如何变成%1 = load i32, i32* %b这样的IR指令。
• 关键概念：基本块（BB）是如何连接的？phi指令如何处理控制流？

优化与代码生成

• 选择一个简单的优化pass（如常量折叠：2+3变成5）。
• 找这个pass的runOnFunction方法，看它如何遍历指令,如何替换。
• 对于代码生成，关注指令选择（Instruction Selection）和寄存器分配（Register Allocation）。

第四阶段：必备工具与调试方法

不要干看代码，必须让代码跑起来并可视化。

1. 开启详细日志：

   • LLVM：opt -debug-only=your-pass-name 或 clang -mllvm -print-after-all
   • GCC：-fdump-tree-all -fdump-rtl-all
   • 这能打印出每一阶段后的中间结果,比任何文档都直观。

2. 使用调试器单步执行（推荐lldb或gdb）：

   • 在main函数入口设断点，然后step into,观察代码控制流。
   • 具体例子：在Parser的parse_expression()里设断点，输入1+2*3，观察如何构建出(+ 1 (* 2 3))的AST树。

3. 可视化工具：

   • 利用LLVM的-view-cfg可以生成控制流图。
   • 利用dot（Graphviz）查看AST树，很多编译器有-ast-dump选项。

第五阶段：针对特定编译器的策略

如果读 LLVM 源码（最庞大但最规范）

• 不要读Clang（前端）的代码，除非你专门做C/C++标准。
• 先读 LLVM Core 的官方教程：llvm/docs/tutorial/MyFirstLanguageFrontend/，这个教程教你写一个玩具语言，代码清晰易懂,还附带说明。
• 读一个Pass：例如llvm/lib/Transforms/Scalar/InstCombine.cpp,这个文件是优化的典型代表。

如果读 GCC 源码（最古老且复杂）

• 从RTL（寄存器传输语言）入手可能比较友好，GCC的中间表示分为GIMPLE（高级）和RTL（低级）。
• 使用-da（dump all）选项获取各个阶段的输出。

行动清单

1. 克隆 chibicc 或 8cc 项目。
2. 写一个 hello.c：int main() { return 42; }
3. 用调试器单步运行chibicc hello.c，设断点在tokenize()函数,看如何把字符串变成Token列表。
4. 跟踪：当出现return语句时，看parse()如何识别并创建ReturnStmt节点。
5. 观察：看codegen()如何把这个AST节点变成对应的汇编指令（如mov eax, 42; ret）。
6. 修改：试着在词法分析器里加一个新的关键字（如my_add）,看需要改动哪些文件。

最后的核心建议： 永远只看你当前需要理解的那一条路径。 编译器的庞大在于无数优化、错误处理和语言特性的细节，但核心的“文本→IR→目标文件”路径通常是单向且有限的，抓住这个主线,其他都是支线。

标签： LLVM