使用Jupyter测试并行运算与GPU运算，所以配置并使用了C++作为运行内核，这个帖子的主题就是cling内核的使用入门。主要包含：
    1. 内核安装与配置；
    2. Cling的交互式编程方式；
    3. 交互式编程的动态库调用方式；

---

C++内核安装与配置

• 在JupyterLab中支持的C++内核与Jupyter Notebook一样的安装，就是安装Cling交互式C++编程工具。

• Cling的安装方式有两种：

  1. 源代码安装
  2. 预编译二进制安装

源代码安装

• 请参考12:cling的安装: https://www.jianshu.com/p/95c4616fedd7

二进制安装

1. 下载二进制安装文件：https://root.cern.ch/download/cling/

cling的二进制安装文件下载页面截图

2. 设置cling的路径
   • 因为JupyterLab也是调用命令行实现交互式执行代码，所以需要能找到cling的命令行程序。在系统或者用户配置文件中设置：
     • export PATH="cling的路径": ${PATH}
     • 用户配置文件一般都在用户HOME主目录下的：.bash_profile文件。
     • 配置好以后，要么重启，要么使用 .（source命令）命令重新加载一下即可。

cling的PATH配置

3. 安装cling到JupyterLab
   • 这个安装很简单，JupyterLab本身提供工具安装内核；安转的官方参考地址：https://github.com/root-project/cling/tree/master/tools/Jupyter
   1. 步骤1：切换到cling下载后的解压目录：cd ${JupyterLab_HOME}/share/cling/Jupyter/kernel$
   2. 步骤2：使用pip的文件安装方式安装相关模块到Python：pip install -e .
   3. 步骤3：配置cling的不同C++内核到JupyterLab环境：jupyter-kernelspec install cling-cpp17
      • 其中提供哪些版本，可以到cling的kernel目录下查看。（一般支持C11，C14，C17）

Cling支持的C++版本

• 如果完成以上操作后，可以启动JupyterLab了
  • jupyter lab

人见人爱的JupyterLab界面

交互式C++编程与非交互式编程

1. 非交互式编程就是传统的编写源代码，然后预编译、编译、链接生成执行文件，最后执行。

   • 非交互式C++的执行总是从main函数开始

2. 交互式编程是目前高级语言差不多都支持的编程模式了，Javascript，Python，Go，Swift，R，Matlab都支持交互式编程。

   • 交互式C++，有三个方面需要与非交互式编程区分开来。
     1. 代码不能与头文件引入混和在一起。
     2. main函数不在自动作为入口调用，而是及时直接执行。
     3. 不能重复定义：函数与变量。

JupyterLab运行C++语句例子

• 注意：
  1. 头文件与语句分开，可以尝试混合在一起执行看看错误效果。
  2. 没有main函数的概念了。

#include <iostream> 

std::cout << "Hi,JupyterLab交互式C++编程！" << std::endl;

Hi,JupyterLab交互式C++编程！

(std::basic_ostream &) @0x7fff96461760

JupyterLab调用C++函数例子

• 注意：
  1. 函数不能重复定义；

1. 函数定义

int add(int num_added, int num_add){
    std::cout << "加法执行！" << std::endl;
    return num_added + num_add;
}

2. 函数调用

std::cout << add(45, 55) << std::endl;

加法执行！
100

(std::basic_ostream &) @0x7fff96461760

头文件与动态库

• 编程的两板斧：

  1. 语法
  2. 库调用

• 所以C++编程常见的就是各种库调用，一般标准库编译器自动加载，但是用户的so/dll lib库就需要用户自己处理：

  1. 传统的非交互式编程通过命令行的-I -L -l三个选项参数处理；
  2. 交互式编程就使用C++标准中的代码动态调用机制解决；
     • 预处理扩展指令：#progam来处理，其中的cling的扩展就是：@pragma cling 扩展指令

动态库准备

1. 代码-h文件

#ifndef FUNC_H
#define FUNC_H
int cv_add(int na, int nb);
#endif

2. 代码-cpp

#include "func.h"

int cv_add(int na, int nb){
    return na + nb;
}

3. 动态库编译
   • 其中的Makefile中的tab键，需要设置下，否则使用4个空白代替。
     • [Settings] -> [Text Editor Indentation] -> [Indent with Tab]

• Makefile脚本

G++     =g++
SOURCES =func.cpp
LIBARGS =-fPIC --shared
LIBNAME =libfunc.so
main:$(SOURCES)
    $(G++) $(LIBARGS) $(SOURCES)  -o $(LIBNAME)

• 执行编译脚本
  • make main

编译后的动态库

调用动态库

1. 头文件引入
   • 这个需要单独引入的，如果有路径，请带上路径，我们例子中是src。
     • 与可以使用pragma指定头文件路径。
   • 头文件引入函数声明，解决C++强类型的语法要求，任何identifier都需要定义。

#include "./src/func.h"

2. 使用动态库
   1. 使用pragma预处理指令；
   2. 调用库函数；

#pragma cling add_library_path("./src")
#pragma cling load("func")

std::cout << cv_add(155, 245) << std::endl;

400

(std::basic_ostream &) @0x7fff96461760

3. gragma预处理指令的三种使用方式
   1. #pragma cling add_include_path("include_directory")
      • 设置头文件目录
   2. #pragma cling add_library_path("library_directory")
      • 设置lib库文件目录
   3. #pragma cling load("libname")
      • 设置lib库名

• 注意：
  • pragma在不同的编译器，这个扩展是不一样的。可以参考对应编译器的文档获取。

终端转义序列支持测试

• 实际上Mac与Unix/Linux支持转义序列的，在Jupyter中也支持的很好,下面是转义序列的例子（使用bash指令）：

bash命令行的转义序列使用

转义序列的例子

std::cout << "\033[31mHello\033[0m" << std::endl;

�[31mHello�[0m

(std::basic_ostream &) @0x7fff96461760

std::cout << "\033[34;41mWorld\033[0m" << std::endl;

�[34;41mWorld�[0m

(std::basic_ostream &) @0x7fff96461760

---

附录

1. 转义序列可以参考我的一个帖子：
   • 02.ANSI/VT100终端控制转义序列：https://www.jianshu.com/p/a7f22e71b5af
   • 03.在linux终端中修改窗体标题：https://www.jianshu.com/p/e1af426b1a04