简介
C/C++ 代码在变成可执行文件之前需要经历预处理、编译、汇编以及链接这几个步骤，最终生成的可执行文件包含了能够被系统处理的机器码。可执行文件必须按照特定的格式进行组织才能被系统加载、执行，所以可执行文件是特定于操作系统的。对于 Linux 来说是 ELF(Executable Linkable Format) 格式的文件，Windows 是 PE(Portable) 格式。对于 Java 代码，编译生成的 Class 文件也是有着特定的格式，才能被 JVM 执行。
一个程序一般由多个文件组成，文件之间会有变量和函数的引用，每个文件各自编译生成中间文件后必须经过链接才能生成最终的可执行文件。根据链接方式的不同可以分为静态链接和动态链接，静态链接是在链接期间重定位所有的符号引用，而动态链接则是在装载或者执行期间进行。
本文主要分析 Linux 下 ELF 文件的格式以及静态链接的过程。
目标文件的格式
源代码被编译生成的文件叫做目标，目标文件与可执行文件的格式是类似的，只是还没有经历链接，其中包含的有些地址还没有被调整。
目标文件中包含机器码、数据、符号表以及调试信息等，这些属性按照不同的段（Section ） 进行存储。段就是一定长度的的区域，不同的属性放在不同名字的段，具体如下所示：
c_code_storage.jpg
可以看出，代码放在了名为 .text 的段，变量 global_init_var 和 static_var 放在了名为 .data 的段，变量 global_uninit_var 和 static_var 放在名为 .bss 的段。.bss 段存放的是未初始化的全局变量和局部静态变量。
上图的 EFL 文件除了几个段，还有文件头(File Header)，其中包含了文件是否可执行、是静态链接还是动态链接以及目标硬件、操作系统等信息，还包括一个段表，段表是一个数组结构，描述了文件中各个段在文件中的偏移位置及段的属性等。用 readelf -h 可以读取上面代码编译后目标文件的头信息，如下图：
elf_header.png
从上图可以看到，其中包含了文件的魔数(Magic) 、字长(class)、CPU 类型等信息，如果是可执行文件，还包括程序的入口地址。Start of section headers 的值是段表的偏移量。
目标文件中除了上面介绍的代码段和数据段，还有很多其它段，readelf -S 命令可以查看段表的信息，如下图：
elf_sections.png
可以看出，上面的目标文件总共有 12 个段，第一个为无效段，实际上是 11 个段。其中有字符串表 .strtab、符号表 .symtab 以及注释信息 .comment 等。还有一个段是 .rela.txt 段，这个是重定位表，在静态链接过程中需要用到。
静态链接
在了解了 ELF 文件的结构之后，接下来介绍静态链接的过程。以下面的代码为例：
/* a.c */
extern int shared;
int main()
{
int a = 100;
swap(&a, &shared);
}
/* b.c */
int shared = 1;
void swap(int *a, int *b)
{
*a ^= *b ^= *a ^= *b;
}
在上面的代码中，b.c 定义了全局符号，分别是变量 shared 和函数 swap，a.c 定义了一个全局符号 main。在 a.c 中引用了 b.c 里面的 shared 和 swap。用 gcc -c -fno-stack-protector a.c b.c 编译这两个文件之后（-fno-stack-protector 是关闭堆栈保护功能），生成了两个目标文件 a.o 和 b.o，下一步就是要把这两个文件链接在一起，形成最终的可执行文件。
空间与地址分配
静态链接的第一步是把多个目标文件进行合并，一般采用相似段合并的方式。通过扫描所有的输入目标文件，并且获得它们各个段的长度、属性和位置，并且将输入目标文件中的符号表中所有的符号定义和符号引用收集起来，统一放到一个全局符号表。多个目标文件合并后如下图所示：
obj_merge.jpg
符号地址的确定
利用上一步收集到的数据，进行符号解析与重定位、调整代码中的地址等。利用命令 ld a.o b.o -e main -o ab 将 a.o 和 b.o 链接（-e main 是将 main 函数作为程序的入口)，生成可执行文件 ab。链接前后段的地址信息如下所示：
a.o_b.o_ab_address.png
上图是 a.o、b.o 以及链接后的 ab 的地址信息。其中 Size 是段的大小，VMA 是虚拟地址。对于 a.o 和 b.o 的 .text 段来说，大小分别是 0000002c 和 0000004b， 加起来正好是 ab 的 .text 段的大小 00000077。另外， a.o 和 b.o 的 VMA 都是 00000000，此时它们还没有分配地址，而在 ab 中，地址变为 00000000004000e8，这就是分配的虚拟地址，当 ab 被加载到内存中后， .text 段的起始地址便是这个。
段的地址被确定后，内部函数和变量的地址也就确定了，因为在每个段内，符号的表示是一个相对于段起始位置的偏移量。当段的起始位置被确定后，每个符号只要在偏移量的基础上加上这个起始位置的地址就行。但是对于引用的外部符号来说，它们的地址还不得知，需要经过符号解析和重定位的过程。
符号解析与重定位
在 a.c 中引用了变量 shared 和函数 swap ，单独编译 a.c 的时候并不知道 b.c 这个文件，所以在 a.o 中，用到 shared 的地方用 0 地址代替，等到链接阶段，能够确定这个变量的地址了，再把地址进行调整。
这里的问题是链接器如何知道哪些指令需要被调整呢？这就用到上面提到过的重定位表，命令 objdump -r a.o 可以查看 a.o 中的重定位表，如下图：
relocation_table.png
每一个需要被重定位的地方叫做一个重定位入口，可以看到，a.o 中需要重定位的两个符号 shared 和 swap。将重定位入口的地址进行修正，才能完成链接过程，最终生成的可执行文件便可以被系统正常运行。
总结
代码从文本形式到最终的可执行文件需要经历多个过程，其中链接主要做的是多个目标文件的合并以及符号的解析与重定位，最终生成特定格式的可执行文件。本文大概地介绍了 ELF 文件的结构和静态链接的主要步骤，更详细的内容可以查看相关书籍深入了解。
参考
- 《程序员的自我修养：链接、装载与库》
- 《深入理解计算机系统》
网友评论