编译器构造：模拟器，汇编与反汇编

前言：

这个秋季，三碗饭会开始更新自己在秋季课程的笔记，主要包括Introduction to ML，可能还会有Complier Construction 以及 Computer Graphics.

本文将介绍Complier Construction中关于模拟器，汇编以及反汇编的知识，在下一章我们会从0写一个简易模拟器，以及汇编，反汇编程序。这门课如果没有兴趣，会非常无聊非常无聊，当然我一开始也觉得挺无聊的，毕竟搞AI Agent比这个有意思多，但我还是会尽量以简单的描述（避免复杂的解释），以及有意思的例子去讲这些知识。

前言

在浏览博客的时候看到一个挺有意思的思考，我们什么时候会需要去写编译器，或者反编译程序？

当然我要修学分写作业必须写lol

其他呢？

（1）有一种情况，你从网站下载了一个自动清理桌面的exe文件，通过工具分析，你知道这个文件的是用C写的，你觉得这个exe文件其实功能挺不错，但有些缺点，比如自动扫描磁盘效率低，你也找不到这个文件主人，于是你想修改这个文件，于是你用一个反编译工具把这个程序从EXE反编译为其原来汇编语言的伪代码（无法得到一模一样的源代码），这样你就可以对源代码进行修改和完善，然后再重新编译成EXE。

（2）第2个就比较"刑"，我第一次听到也挺感兴趣。有一些软件你下载了运行需要注册，输入序列号才能使用。因为exe是CPU才能看懂的机器代码，这时候你就可以用到反编译技术，将其翻译为我们能看懂的汇编语言，然后你在代码中寻找判断是否注册的语句，进行修改就可以免费使用。相信大家或多或少在生活学习中有遇到这些情况。

1：编译器和反编译器

（1）编译器（Compiler）

编译器的核心用途就是把高级语言（C、Java、Haskell 等）翻译成机器可以执行的低级语言（汇编、目标文件、机器码）。典型场景：

我们自己写程序需要执行，所以要编译。

操作系统内核、驱动程序、数据库等系统级软件，都依赖高效的编译器。

（2）反编译（Decompiler）与反汇编（Disassembler）

反汇编：机器码 → 汇编。工具如 objdump，这是最常见的，因为机器码和汇编是一一对应的。

反编译：机器码 → 高级语言。比如 IDA Pro、Ghidra，结果往往不如源代码整洁，因为编译优化会丢失很多语义。

2：一个C++程序是如何运行的？

2.1 总体流程

源代码.cpp 预处理器编译器汇编器链接器可执行文件

2.2 预处理阶段

源代码预处理器头文件.h 宏定义预处理后的代码

示例：

cpp 复制代码

// 输入
#include <iostream>
#define MAX 100
int main() { return MAX; }

// 输出
// iostream内容展开
int main() { return 100; }

2.3 编译阶段

预处理后代码词法分析语法分析语义分析中间代码汇编代码

示例：

cpp 复制代码

// 输入
int add(int a, int b) {
    return a + b;
}

// 输出（汇编代码）
add:
    push rbp
    mov  rbp, rsp
    mov  eax, edi
    add  eax, esi
    pop  rbp
    ret

2.4 汇编阶段

汇编代码汇编器目标文件.o

目标文件内容：

复制代码

二进制格式：
+-------------+
| ELF头       |
+-------------+
| 代码段      |
+-------------+
| 数据段      |
+-------------+
| 重定位信息  |
+-------------+

2.5 链接阶段

目标文件1.o 链接器目标文件2.o 库文件.lib 可执行文件

2.6 内存布局

高地址栈区 ... 堆区 BSS段数据段代码段低地址

2.7 运行时状态

程序加载创建进程分配内存初始化数据执行main

内存使用示例：

cpp 复制代码

int main() {
    int x = 10;        // 栈区
    int* p = new int;  // 堆区
    static int y = 20; // 数据段
    return 0;
}

2.8 执行过程

取指令解码执行存储结果

复制代码

这就是C++程序从源代码到运行的主要阶段。每个阶段都有其特定的任务和输出，共同协作完成程序的构建和执行。
看不懂也没关系，我们后面将一一来介绍。

3. 预处理

3.1 移除注释

cpp 复制代码

// 输入代码
int main() {
    // 这是一个注释
    int x = 1;  /* 这也是注释 */
    return x;
}

// 预处理后
int main() {
    
    int x = 1;  
    return x;
}

3.2 头文件处理

找到include 没有include 源文件检查#include 打开头文件递归处理替换内容完成

示例：

cpp 复制代码

// 输入代码
#include <iostream>
#include "myheader.h"

// 预处理后（展开的头文件内容）
namespace std { ... }  // iostream的内容
class MyClass { ... } // myheader.h的内容

3.3 宏定义处理

源代码宏定义收集宏展开替换结果

示例：

cpp 复制代码

// 输入代码
#define MAX 100
#define SQUARE(x) ((x) * (x))
int value = SQUARE(MAX);

// 预处理后
int value = ((100) * (100));

3.4 条件编译

条件为真条件为假源代码检查条件保留代码移除代码结果代码

示例：

cpp 复制代码

// 输入代码
#ifdef DEBUG
    void log(const char* msg) { printf("%s\n", msg); }
#else
    void log(const char* msg) {}
#endif

// 预处理后（如果DEBUG未定义）
void log(const char* msg) {}

4: 编译阶段

4.1 词法分析（Lexical Analysis）

源代码分词器标记流符号表

源代码 → Source Code

分词器 → Lexer

标记流 → Token Stream

符号表 → Symbol Table

示例1

cpp 复制代码

int main() {
    int x = 42;
    return x;
}

对应的Token Stream：

复制代码

[
Token[0]:  {type: KEYWORD,    lexeme: "int",    line: 1, col: 1}
Token[1]:  {type: IDENTIFIER, lexeme: "main",   line: 1, col: 5}
Token[2]:  {type: SYMBOL,     lexeme: "(",      line: 1, col: 9}
Token[3]:  {type: SYMBOL,     lexeme: ")",      line: 1, col: 10}
Token[4]:  {type: SYMBOL,     lexeme: "{",      line: 1, col: 12}
Token[5]:  {type: KEYWORD,    lexeme: "int",    line: 2, col: 5}
Token[6]:  {type: IDENTIFIER, lexeme: "x",      line: 2, col: 9}
Token[7]:  {type: OPERATOR,   lexeme: "=",      line: 2, col: 11}
Token[8]:  {type: NUMBER,     lexeme: "42",     line: 2, col: 13}
Token[9]:  {type: SYMBOL,     lexeme: ";",      line: 2, col: 15}
Token[10]: {type: KEYWORD,    lexeme: "return", line: 3, col: 5}
Token[11]: {type: IDENTIFIER, lexeme: "x",      line: 3, col: 12}
Token[12]: {type: SYMBOL,     lexeme: ";",      line: 3, col: 13}
Token[13]: {type: SYMBOL,     lexeme: "}",      line: 4, col: 1}
]

词法分析器（Lexer）会把源代码切分成一连串 Token（记号）。

每个 Token 一般包含：

type：类型（比如关键字、标识符、运算符等）

lexeme：原始文本（代码里具体的字符串）

line/col：出现在源代码里的行号和列号

4.2 语法分析（Syntax Analysis）

标记流语法分析器语法树错误处理

语法树示例

Program FunctionDeclaration:main ReturnType:int Body Declaration Return Type:int Variable:x Value:42 Variable:x

函数声明识别：
- Token[0-4]：识别出函数声明的开始
- 通过Token类型和词素构建FunctionDeclaration节点
变量声明识别：
- Token[5-9]：识别出变量声明
- 构建VariableDeclaration节点及其子节点
返回语句识别：
- Token[10-12]：识别出return语句
- 构建ReturnStatement节点
作用域结束识别：
- Token[13]：识别出函数体结束

5. 语义分析（Semantic Analysis）

语法树类型检查作用域分析符号解析语义树

5.1 检查项目

类型检查：

cpp 复制代码

int x = "hello";  // 错误：类型不匹配
int y = 42;       // 正确：类型匹配

作用域检查：

cpp 复制代码

void func() {
    int x = 1;
    {
        int x = 2;  // 合法：新作用域
        int y = x;  // 使用内层x
    }
    int y = x;      // 使用外层x
}

符号解析：

cpp 复制代码

int func() {
    return x;  // 错误：x未定义
}

6. 中间代码生成（IR Generation）

工作流程

语义树 IR生成器优化器中间代码

示例

cpp 复制代码

// 源代码
int x = a + b * c;

// 中间代码
t1 = b * c    // 临时变量t1存储b*c的结果
t2 = a + t1   // 临时变量t2存储最终结果
x = t2        // 将结果赋值给x

7. 目标代码生成（Code Generation）

优化后的IR 指令选择寄存器分配指令调度目标代码

示例

cpp 复制代码

// 中间代码
t1 = b * c
t2 = a + t1
x = t2

// x86汇编代码
mov eax, [b]    ; 加载b到eax
imul eax, [c]   ; 乘以c
add eax, [a]    ; 加上a
mov [x], eax    ; 存储结果到x