从二进制到HelloWorld

引言

这个内容是从二进制到HelloWorld，介绍二进制代码是如何变成我们的程序的。

我们都知道任何文件，无论是代码、文本还是音频、图片等等，这些文件最终都会储存为由1和0组成的序列。

首先我会介绍这些是如何用二进制表示的。然后，我会介绍计算机的主要组成，这个是为第三部分做准备的。计算机最主要的功能是做计算，因此光表示数据还不够，还得执行指令。第三部分就是介绍二进制序列是怎样变成程序的。

信息的二进制表示

首先是整数，整数可以分成两种，一种是没有符号的，一种是有符号的（不过，Java只支持有符号数）。首先回顾下十进制，它其实是利用一种加权求和的思想在里面，无符号的整数的表示同样是这样，就是我们熟知的二进制。有符号的整数是用补码表示的，它也是一个加权求和，只不过权值不一样，它第一位相当于符号位，它是加的一个负权值。这个就是两种整数的区别。

然后是小数，首先想到的就是沿用整数加权求和的思想，然后小数点左边部分的权重是2的正幂，小数点右边部分的权重自然而然就是2的负幂。不过这种定点表示方法，表示的范围太小，不好用。

浮点数现在都是按照统一的标准进行编码的。浮点数写成类似与科学记数法那样的写法，只不过是指数的底是二进制的。以 float 为例，它是由三部分组成，第一部分是符号位，第二部分是指数部分，第三部分是小数部分。指数部分是无符号数减去127，float 是8位的指数部分，可以表示 0-255，减去127之后就是 -127到128，这样它最大就可以表示2^128左右。小数部分就是一个正常的加权求和。这三个部分通过运算就得到了最终的数值。double 类型的数据也是一样的，只不过第二部分和第三部分占用了更多的位数。注意这三部分和它的表示并不是一一对应的。

浮点数为了让数据的表示连贯起来，又设置了规格化的值、非规格化的值和特殊值三类，这里就仔细不说明了。刚刚看到了，由于此时小数点是可以移动的，因此它表示的范围就很大。

再就是字符，字符很清晰了，就是用的ASCII码表示的。然后我们的汉字是用Unicode表示的 。（更多详情参考资料：）

表示了字符、整数和浮点数，其他的数据类型就都可以表示出来了。就比如说图片类型的数据，一般来说图片是有像素点组成，每个像素的颜色可以通过红绿蓝合成，记录每个像素点三种颜色的深浅值就可以表示出一张图片了。（当然有些是CMYK，对应青、品红、黄、黑四种颜色），然后对不同的压缩算法有不同的拓展名，像无损压缩的PNG格式和有损压缩的JPG格式。

计算机的主要组成

计算机最主要的功能是做计算，因此光表示数据还不够，还得执行指令，下面就进入到了代码的表示了。在介绍机器指令之前，先介绍下计算机的几个硬件。计算机可以简化为CPU、内存和I/O设备，I/O设备就是你的鼠标键盘、硬盘和网络这些。

首先看下内存，程序和数据在工作时是放在内存里的。在软件层面， 可以把内存看作是一个很大的数组，里面装着从硬盘加载进来的代码、堆、共享库还有栈和内核。堆是可以变大小的，在C++中动态分配的指针就放在里面。栈是实现函数调用的，函数调用时，它会把返回的地址和局部变量存放在内存中的栈中，当函数返回的时候就把数据给清掉。栈的空间一般比较小，32位的Windows一个程序栈只有1M，如果写了一个递归，这个函数递归的过深，就会发生栈溢出错误。

再看CPU。CPU里面有程序计数器，简称PC，程序计数器就是一个大小为一个字的存储区域，32位的机器就是32个比特位，64位的机器就是64个比特位，里面放着某个指令的地址，处理器就不断的执行PC指向的指令，然后更新PC，让他指向下一条指令。接下来，看一下寄存器文件，它是CPU内部的储存设备，可以理解为一个临时存放数据的空间。算术/逻辑单元ALU就是做运算的。例如我们要计算 a+b ，就是先把 a 和 b 的值放在寄存器中，然后把这两个值放在ALU中做运算，做完运算的值返回到寄存器或内存里面。

指令集就相当于是一个字典，它给出了处理器能处理的所有指令。每一个指令对应着一个二进制的序列。这是Intel的开发手册，给出了指令的描述和对应的二进制代码。

不同系列的处理器有不同的指令集。目前有两大指令集家族，第一个是复杂指令集（CISC）的x86-64，一个是精简指令集（RISC）的ARM。复杂指令集就相当于C++，写起来比较麻烦但是效率很高，在个人电脑上用的比较多，精简指令集相当于是python，写起来和方便，但是效率比较低，现在手机上一般都用的是Arm的指令集。x86-64的前身是IA32，由Intel公司提出。后来，计算机工业从32位迁移到64位，Intel想使用精简指令集就提出了IA64，不过IA64完全不兼容IA32，这时候AMD搞偷袭，提出兼容IA32的复杂指令集x86-64，后来IA64反响不好就用了AMD的x86-64。

程序的机器级表示

好了，现在就正式介绍代码的二进制表示了。

顺序结构很简单，有直接对应的指令，像赋值就是 mov 指令，做加法就是 add 指令。例如这一段程序

代码语言：javascript代码运行次数：0运行复制

 int main(){
     int x = 3;
     x = x + 1;
 }

机器码是

代码语言：javascript代码运行次数：0运行复制

 0000000000000000 <main>:
    0:   55                      push   %rbp
    1:   48 89 e5                mov    %rsp,%rbp
    4:   48 83 ec 30             sub    $0x30,%rsp
    8:   e8 00 00 00 00          callq  d <main+0xd>
    d:   c7 45 fc 03 00 00 00    movl   $0x3,-0x4(%rbp)
   14:   b8 00 00 00 00          mov    $0x0,%eax
   19:   48 83 c4 30             add    $0x30,%rsp
   1d:   5d                      pop    %rbp
   1e:   c3                      retq

其中最左侧是指令在内存中的位置，程序计数器里面的值就是这个位置。中间部分就是机器码的十六进制表示，最右边就是机器码的文本表示。这段代码的2-5行和8-11行都是函数调用的代码，不用管他，实际上就两句 movl 0x3,-0x4(%rbp) 和 mov 0x0,%eax ，第一句可以看出来编译器对代码进行了优化，第二局是默认的 return 0。

判断结构和循环结构利用了比较 cmp 和跳转 jmp 指令。把上面的例子拓展一下

代码语言：javascript代码运行次数：0运行复制

 int main(){
     int x = 4;
     if (x < 10){
         x = x + 1;
     }
 }

机器码是

代码语言：javascript代码运行次数：0运行复制

 0000000000000000 <main>:
    0:   55                      push   %rbp
    1:   48 89 e5                mov    %rsp,%rbp
    4:   48 83 ec 30             sub    $0x30,%rsp
    8:   e8 00 00 00 00          callq  d <main+0xd>
    d:   c7 45 fc 04 00 00 00    movl   $0x4,-0x4(%rbp)      
   14:   83 7d fc 09             cmpl   $0x9,-0x4(%rbp)      
   18:   7f 04                   jg     1e <main+0x1e>       
   1a:   83 45 fc 01             addl   $0x1,-0x4(%rbp)      
   1e:   b8 00 00 00 00          mov    $0x0,%eax
   23:   48 83 c4 30             add    $0x30,%rsp
   27:   5d                      pop    %rbp
   28:   c3                      retq

第7行的代码先对 x 和 9 进行了比较，把比较结果存起来，然后第八行上面的结果进行判断，大于 greater 的化就跳转到 1e ，就是 return 0，小于的化就加 1

循环结构和也是一样的，只不过它会跳转到判断的上方。当 x < 10 时，程序会一遍又一遍循环，到机器码，他会一边又一遍从第7行执行到第10行。

代码语言：javascript代码运行次数：0运行复制

 int main(){
     int x = 4;
     while (x < 10){
         x = x + 1;
     }
 }

机器码是

代码语言：javascript代码运行次数：0运行复制

 0000000000000000 <main>:
    0:   55                      push   %rbp
    1:   48 89 e5                mov    %rsp,%rbp
    4:   48 83 ec 30             sub    $0x30,%rsp
    8:   e8 00 00 00 00          callq  d <main+0xd>
    d:   c7 45 fc 04 00 00 00    movl   $0x4,-0x4(%rbp)      
   14:   83 7d fc 09             cmpl   $0x9,-0x4(%rbp)
   18:   7f 06                   jg     20 <main+0x20>       
   1a:   83 45 fc 01             addl   $0x1,-0x4(%rbp)      
   1e:   eb f4                   jmp    14 <main+0x14>
   20:   b8 00 00 00 00          mov    $0x0,%eax
   25:   48 83 c4 30             add    $0x30,%rsp
   29:   5d                      pop    %rbp
   2a:   c3                      retq

有了选择、判断和循环，程序就可以写出来了。

现在，编译器帮助我们生成机器码，我们使用 C 、C++ 和 Python 这样的高级语言，虽然不用直接接触到这些机器码，不过这些内容对代码调试、理解栈溢出、代码执行的效率等等都比较关键。

2020@Fu_Qingchen

本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。 原始发表：2021-01-15 ，如有侵权请联系 cloudcommunity@tencent 删除前往查看计算机内存数据程序二进制