机器码与汇编语言

本章先建立底层执行模型：计算机大致由哪些部件组成，CPU 如何读取并执行程序，以及我们的 C 编译器最终应该输出什么样的代码。这里暂时不深入具体指令，重点是先形成正确的整体图像。

CPU 与内存

构成计算机的部件，大致可以分为 CPU 和内存。内存是保存数据的设备；CPU 则是一边读写内存，一边执行某种处理的设备。

从概念上说，对 CPU 来讲，内存就像一个可以随机访问的巨大字节数组。CPU 访问内存时，会用一个数值指定想访问内存中的第几个字节。这个数值称为“地址”。例如，“从地址 16 读取 8 字节数据”，意思就是从像字节数组一样呈现的内存的第 16 个字节开始，读取 8 个字节的数据。同样的意思也可以说成“从 16 号地址读取 8 字节数据”。

CPU 执行的程序，以及该程序读写的数据，都存放在内存中。CPU 内部保存着“当前正在执行的指令的地址”；它从该地址读出指令，执行指令中描述的操作，然后再读出下一条指令并执行。这个当前正在执行的指令地址，称为“程序计数器”（program counter，PC）或“指令指针”（instruction pointer，IP）。CPU 所执行的程序本身的格式，称为“机器码”（machine code）。

程序计数器并不一定总是线性地前进到下一条指令。使用 CPU 的“分支指令”（branch instruction）这类指令，可以把程序计数器设置为下一条指令以外的任意地址。if 语句和循环就是通过这种功能实现的。把程序计数器设置到下一条指令以外的位置，称为“跳转”或“分支”。

除了程序计数器，CPU 还有少量用于保存数据的区域。例如 Intel 和 AMD 的处理器中，有 16 个可以保存 64 位整数的区域。这些区域称为“寄存器”（register）。内存从 CPU 看来是外部设备，读写需要一定时间；寄存器则位于 CPU 内部，可以无延迟地访问。

许多机器码指令的格式，都是用两个寄存器的值进行某种运算，然后把结果写回寄存器。因此，程序的执行过程可以理解为：CPU 从内存把数据读入寄存器，在寄存器之间进行某种运算，再把结果写回内存。

某一类机器码指令的总称，叫作“指令集架构”（instruction set architecture，ISA），或者简称“指令集”。指令集并不只有一种；原则上，每种 CPU 都可以自由设计自己的指令集。不过，如果机器码层面不兼容，同一个程序就不能运行，因此现实中的指令集种类并没有那么多。在 PC 上，使用的是 Intel 以及其兼容芯片厂商 AMD 的、称为 x86-64 的指令集。x86-64 是主要指令集之一，但并不是由它独占整个市场。例如 iPhone 和 Android 使用的是 ARM 指令集。

什么是汇编语言

机器码是 CPU 直接读取并执行的内容，因此它首先服务于 CPU 的编码规则，并不考虑人类是否容易处理。直接用二进制编辑器编写机器码并非绝对不可能，但会非常痛苦。为了解决这个问题，人们发明了 汇编器 。汇编语言几乎与机器码一一对应，但比机器码更适合人类阅读。

对于输出原生二进制文件的编译器，也就是不是虚拟机或解释器方式的编译器，通常目标是输出汇编语言。即使某些编译器看起来是在直接输出机器码，在常见结构中，它们也往往是先输出汇编语言，然后在后台启动汇编器。本书要制作的 C 编译器也会输出汇编语言。

把汇编代码转换为机器码，有时也称为“编译”；但为了强调输入是汇编语言，也会特别称为“汇编”。

读者以前也许在某处见过汇编语言。如果还没有见过，现在正好可以看一看。我们可以使用 objdump 命令，把一个合适的可执行文件反汇编，以汇编语言的形式显示该文件中包含的机器码。下面是对 ls 命令进行反汇编的结果。

$ objdump -d -M intel /bin/ls
/bin/ls:     file format elf64-x86-64

Disassembly of section .init:

0000000000003d58 <_init@@Base>:
  3d58:  48 83 ec 08           sub    rsp,0x8
  3d5c:  48 8b 05 7d b9 21 00  mov    rax,QWORD PTR [rip+0x21b97d]
  3d63:  48 85 c0              test   rax,rax
  3d66:  74 02                 je     366a <_init@@Base+0x12>
  3d68:  ff d0                 call   rax
  3d6a:  48 83 c4 08           add    rsp,0x8
  3d6e:  c3                    ret
...

在作者的环境中，ls 命令大约包含 2 万条机器码指令，因此反汇编结果也会接近 2 万行，非常长。这里仅列出开头的一小部分。

在汇编语言中，基本上是一条机器码对应一行。作为例子，我们来看下面这一行。

  3d58:  48 83 ec 08           sub    rsp,0x8

这一行是什么意思？3d58 是机器码所在内存的地址。也就是说，ls 命令运行时，这一行的指令会被放在内存的 0x3d58 地址；当程序计数器为 0x3d58 时，这条指令会被执行。后面跟着的 4 个十六进制数值，就是实际的机器码。CPU 会读取这些数据，并把它们作为指令执行。sub rsp,0x8 是与这条机器码指令对应的汇编语言。CPU 指令集会在后面的章节中专门说明；这里这条指令的意思是，从 RSP 这个寄存器中减去 8（subtract = 减）。

C 与对应的汇编

简单示例

为了把握 C 编译器会生成什么样的输出，我们来比较 C 代码及其对应的汇编代码。作为最简单的例子，考虑下面这个 C 程序。

int main() {
    return 42;
}

如果这个程序所在文件名为 test1.c，可以像下面这样编译它，并确认 main 确实返回了 42。

$ cc -o test1 test1.c
$ ./test1
$ echo $?
42

在 C 中，main 函数返回的值会成为整个程序的退出码。程序的退出码不会显示在屏幕上，但会被隐式地设置到 shell 的 $? 变量中。因此，在命令结束后立刻用 echo 显示 $?，就可以看到该命令的退出码。这里可以看到，程序正确返回了 42。

接下来，与这个 C 程序对应的汇编程序如下。

.intel_syntax noprefix
.globl main
main:
  mov rax, 42
  ret

这段汇编定义了一个全局标签 main，main 函数的代码跟在这个标签后面。这里把 42 这个值设置到名为 RAX 的寄存器中，然后从 main 返回。可放入整数的寄存器包括 RAX 在内共有 16 个；但约定是：函数返回时 RAX 中的值就是函数的返回值。因此，这里要把值设置到 RAX 中。

我们实际汇编并运行这个汇编程序。汇编文件的扩展名是 .s，所以请把上面的汇编代码写入 test2.s，然后执行下面的命令。

$ cc -o test2 test2.s
$ ./test2
$ echo $?
42

和 C 的情况一样，42 成为了退出码。

粗略地说，C 编译器就是这样一种程序：读入 test1.c 这样的 C 代码，然后输出 test2.s 这样的汇编语言。

包含函数调用的示例

再来看一个稍复杂的例子：包含函数调用的代码会被转换成怎样的汇编。

函数调用不同于单纯的跳转。被调用的函数结束后，必须回到原本正在执行的位置。这个原本正在执行的位置的地址，称为“返回地址”。如果函数调用只有一层，那么返回地址只要保存在 CPU 的某个合适寄存器中即可；但函数调用可以任意加深，所以返回地址必须保存在内存中。实际中，返回地址会保存在内存上的栈中。

栈可以只用一个变量来实现，这个变量保存栈顶地址。保存栈顶的存储区域称为“栈指针”。为了支持使用函数的编程方式，x86-64 提供了专用于栈指针的寄存器，以及使用这个寄存器的指令。把数据放到栈上称为“压栈”（push），把栈上的数据取出称为“出栈”（pop）。

现在来看一个函数调用的实际例子。请考虑下面的 C 代码。

int plus(int x, int y) {
    return x + y;
}

int main() {
    return plus(3, 4);
}

与这段 C 代码对应的汇编如下。

.intel_syntax noprefix
.globl plus, main

plus:
  add rsi, rdi
  mov rax, rsi
  ret

main:
  mov rdi, 3
  mov rsi, 4
  call plus
  ret

第 1 行是指定汇编语法的指令。第 2 行以 .globl 开头，它告诉汇编器：plus 和 main 这两个函数不是只在文件作用域内可见，而是从整个程序都可以看到的函数。这里暂时可以忽略它。

首先看 main。在 C 中，main 带着实参调用了 plus。在汇编层面，有一个约定：第一个参数放入 RDI 寄存器，第二个参数放入 RSI 寄存器。所以 main 的前两行正是按这个约定设置了值。

call 是调用函数的指令。具体来说，call 会执行下面两件事。

• 把 call 下一条指令的地址压入栈中；在这个例子中，下一条指令是 ret
• 跳转到作为 call 参数给出的地址

因此，当 call 指令执行后，CPU 会开始执行 plus 函数。

接着看 plus 函数。plus 函数中有三条指令。

add 是执行加法的指令。在这个例子中，RSI 寄存器和 RDI 寄存器相加，结果写入 RSI 寄存器。x86-64 的整数运算指令通常只能接收两个寄存器，因此结果会以覆盖第一个参数寄存器的方式保存。

约定规定，函数返回值要放入 RAX。因此，我们希望把加法结果放入 RAX，需要把值从 RSI 复制到 RAX。这里使用 mov 指令完成这件事。mov 是 move 的缩写，但它实际上并不是移动数据，而只是复制数据。

plus 函数最后调用 ret，从函数返回。具体来说，ret 会执行下面两件事。

• 从栈中弹出一个地址
• 跳转到该地址

也就是说，ret 会把 call 所做的事情还原，并恢复调用者函数的执行。这样，call 和 ret 被定义为一对相互配合的指令。

从 plus 返回后所在的位置，是 main 中的 ret 指令。在原来的 C 代码中，plus 的返回值会直接作为 main 的返回值。这里 plus 的返回值已经放在 RAX 中，所以只要直接从 main 返回，就可以把它原样作为 main 的返回值。

本章小结

本章概要说明了计算机内部如何工作，以及 C 编译器应该做什么。

看到汇编语言和机器码时，它们看起来像是一团与 C 相去甚远的杂乱数据。但实际看下来，很多读者也许会觉得，它们其实相当直接地反映了 C 的结构。

本书还几乎没有说明具体机器码，所以 objdump 显示出的汇编代码中每条指令是什么意思，读者现在应该还不清楚。

不过，应该已经能想象到：一条条指令本身并没有做什么特别复杂的事情。在本章阶段，只要能获得这种感觉就足够了。

下面用条目总结本章要点。

• CPU 通过读写内存来推进程序的执行。
• CPU 执行的程序，以及该程序处理的数据，都存放在内存中。CPU 从内存中依次读取机器码指令，并执行这些指令。
• CPU 中有称为寄存器的小型存储区域，许多机器码都定义为寄存器之间的操作。
• 汇编语言是把机器码改写成人类容易阅读的语言；C 编译器通常输出汇编语言。
• C 的函数在汇编语言中也会成为函数。
• 函数调用通过栈来实现。