LLVM架构简介

LLVM是什么

随着计算机技术的不断发展以及各种领域需求的增多，近几年来，许多编程语言如雨后春笋般出现，大多为了解决某一些特定领域的需求，比如说为JavaScript增加静态类型检查的TypeScript，为解决服务器端高并发的Golang，为解决内存安全和线程安全的Rust。

让我们设身处地地想象一下，如果我们想开发一门新的编译型的编程语言，有什么需要解决的问题呢？

怎样让我的编程语言能在尽可能多的平台上运行

我想让我的编程语言能够在Windows、macOS和Linux上都可以运行；我想让我的编程语言能够在Intel芯片、ARM芯片，乃至龙芯上都可以运行。
怎样让我的编程语言可以使用前人先进的技术

在编程语言发展的过程中，有许许多多成熟的技术。从汇编指令层面来看，简单地想给一个变量值置0，AMD64架构下可以用xor %eax, %eax异或自身，AArch64架构下可以用mov w0, wzr使用零寄存器；从算法层面来看，可以使用尾调用优化、CFI等。如果我不想重复造轮子，该如何复用这些技术呢？
怎样让我的编程语言在汇编层面实现「定制」

高级语言中的函数名，在汇编层面，我想让他换个名字；我想让C语言库能用它的调用约定来调用我的高级语言中的函数。

有的编程语言选择了使用C语言来解决这种问题，如早期的Haskell等。它们将使用自己语言的源代码编译成C代码，然后再在各个平台调用C编译器来生成可执行程序。为什么要选择C作为目标代码的语言呢？有几个原因：

绝大部分的操作系统都是由C和汇编语言写成，因此平台大多会提供一个C编译器可以使用，这样就解决了第一个问题
绝大部分的操作系统都会提供C语言的接口，以及C库。我们的编程语言因此可以很方便地调用相应的接口来实现更广泛的功能
C语言本身并没有笨重的运行时，代码很贴近底层，可以使用一定程度的定制

以上三个理由让许多的编程语言开发者选择将自己的语言编译成C代码。

然而，我们知道，一个平台最终运行的二进制可执行文件，实际上就是在运行与之等价的汇编代码。与汇编代码比起来，C语言还是太抽象了，我们希望能更灵活地操作一些更底层的部分。同时，我们也希望相应代码在各个平台能有和C语言一致，甚至比其更好的优化程度。

因此，LLVM出现后，成了一个更好的选择。我们可以从LLVM官网中看到：

The LLVM Core libraries provide a modern source- and target-independent optimizer, along with code generation support for many popular CPUs (as well as some less common ones!) These libraries are built around a well specified code representation known as the LLVM intermediate representation ("LLVM IR"). The LLVM Core libraries are well documented, and it is particularly easy to invent your own language (or port an existing compiler) to use LLVM as an optimizer and code generator.

简单地说，LLVM代替了C语言在现代语言编译器实现中的地位。我们可以将自己语言的源代码编译成LLVM中间代码（LLVM IR），然后由LLVM自己的后端对这个中间代码进行优化，并且编译到相应的平台的二进制程序。

LLVM的优点正好对应我们之前讲的三个问题：

LLVM后端支持的平台很多，我们不需要担心CPU、操作系统的问题

有一点需要指出的是，操作系统API的调用还是得由编程语言开发者自己实现，LLVM不负责这个。例如，编程语言的标准库中，打开一个文件，其底层实现在Linux中是否是open系统调用，在Windows中是否是CreateFile函数，这都得编程语言开发者自己实现。
LLVM后端的优化水平较高，我们只需要将代码编译成LLVM IR，就可以由LLVM后端作相应的优化

但我们需要知道一点，LLVM IR毕竟是更为底层的语言，在高级语言中的许多细节，都会在LLVM IR中丢失。因此，高级语言中能做的优化，还是得趁早做，把一大堆未经优化的LLVM IR丢给LLVM后端去优化，会严重拖慢编译时间，降低生成的二进制程序的性能。
LLVM IR本身比较贴近汇编语言，同时也提供了许多ABI层面的定制化功能

因为LLVM的优越性，除了LLVM自己研发的C编译器Clang，许多新的工程都选择了使用LLVM，我们可以在其官网看到使用LLVM的项目的列表，其中，最著名的就是Rust、Swift等语言了。

值得注意的是，实际上，上述的这个优化只能通过clang -S -emit-llvm -O3 test.c生成；如果对我们之前生成的test.ll使用opt test.ll -S --O3，是不会有变化的。这是因为在Clang的D28404这个修改中，默认给所有O0优化级别的函数增加optnone属性，会导致函数不会被优化。如果要使opt test.ll -S --O3正确运行，我们生成test.ll时需要使用

clang -cc1 -disable-O0-optnone -S -emit-llvm test.c

来生成。

LLVM后端生成汇编代码

LLVM后端帮我们做的最后一步，就是由LLVM IR生成汇编代码，这是由llc这个组件完成的。

我们可以用

llc test.ll

生成test.s：

	.text
	.file	"test.c"
	.globl	main                            # -- Begin function main
	.p2align	4, 0x90
	.type	main,@function
main:                                   # @main
	.cfi_startproc
# %bb.0:
	pushq	%rbp
	.cfi_def_cfa_offset 16
	.cfi_offset %rbp, -16
	movq	%rsp, %rbp
	.cfi_def_cfa_register %rbp
	movl	$0, -4(%rbp)
	xorl	%eax, %eax
	popq	%rbp
	.cfi_def_cfa %rsp, 8
	retq
.Lfunc_end0:
	.size	main, .Lfunc_end0-main
	.cfi_endproc
                                        # -- End function
	.ident	"Homebrew clang version 16.0.6"
	.section	".note.GNU-stack","",@progbits

这就回到了我们熟悉的汇编代码中。

有了汇编代码之后，我们就需要调用操作系统自带的汇编器、链接器，最终生成可执行程序。

LLVM IR

根据我们上面讲的，我们可以用以下步骤模拟一个基于LLVM后端的编译器的整体过程：

.c --frontend--> AST --frontend--> LLVM IR --LLVM opt--> LLVM IR --LLVM llc--> .s Assembly --OS Assembler--> .o --OS Linker--> executable

之所以说是「模拟」这一过程，是因为在真正的编译器中，必然是直接通过链接LLVM库的形式进行开发，上述的LLVM IR生成、优化、汇编代码生成，都是通过调用相应的函数来实现的，而非手动使用相应的程序来完成。

根据上述的步骤，我们可以发现，LLVM IR是连接编译器前端与LLVM后端的一个桥梁。同时，整个LLVM后端也是围绕着LLVM IR来进行的。所以，我的这个系列就是打算做成一个LLVM IR的入门级教程。

值得指出的一点是，在这一系列文章中，将不会介绍怎样通过LLVM的API来实现一个编译器（这个往往已经有了非常多的教程介绍），而是从LLVM IR的层面，让我们对LLVM有一个大致的认识，以方便我们之后真正实现编译器时，快速开发、调试相应的过程。

那么，LLVM IR究竟是什么呢？它的全称是LLVM Intermediate Representation，也就是LLVM的中间表示，我们可以在这篇LangRef中查看其所有信息。这看起来模糊不清的名字，也容易让人产生疑问。事实上，在我理解中，LLVM IR同时表示了三种东西：

内存中的LLVM IR
比特码形式的LLVM IR
可读形式的LLVM IR

内存中的LLVM IR是编译器作者最常接触的一个形式，也是其最本质的形式。当我们在内存中处理抽象语法树AST时，需要根据当前的项，生成对应的LLVM IR，这也就是编译器前端所做的事。我们的编译器前端可以用许多语言写，LLVM也为许多语言提供了Binding，但其本身还是用C++写的，所以这里就拿C++为例。

LLVM的C++接口在llvm/IR目录下提供了许多的头文件，如llvm/IR/Instructions.h等，我们可以使用其中的Value, Function, ReturnInst等等成千上万的类来完成我们的工作。也就是说，我们并不需要把AST变成一个个字符串，如ret i32 0等，而是需要将AST变成LLVM提供的IR类的实例，然后在内存中交给LLVM后端处理。

而比特码形式和可读形式则是将内存中的LLVM IR持久化的方法。比特码是采用特定格式的二进制序列，而可读形式的LLVM IR则是采用特定格式的human readable的代码。我们可以用

clang -S -emit-llvm test.c

生成可读形式的LLVM IR文件test.ll，采用

clang -c -emit-llvm test.c

生成比特码形式的LLVM IR文件test.bc，采用

llvm-as test.ll

将可读形式的test.ll转化为比特码test.bc，采用

llvm-dis test.bc

将比特码test.bc转化为可读形式的test.ll。

我这个系列，将主要介绍的是可读形式的LLVM IR的语法。

LLVM的下载与安装

我们可以直接在LLVM的官网上下载LLVM全部套件，但也可以去相应的系统包管理器中下载。对于国内用户而言，可以参考清华源的LLVM APT 软件仓库镜像使用帮助。

LLVM IR入门指南

LLVM架构简介

LLVM是什么

LLVM架构

前端的语法分析

前端生成中间代码

LLVM后端优化IR

LLVM后端生成汇编代码

LLVM IR

LLVM的下载与安装