第一個 C 語言編譯器是怎樣編寫的？

首先向C語言之父Dennis Ritchie致敬！ 

 

當今幾乎全部的實用的編譯器/解釋器（如下統稱編譯器）都是用C語言編寫的，有一些語言好比Clojure,Jython等是基於JVM或者說是用Java實現的，IronPython等是基於.NET實現的，可是Java和C#等自己也要依靠C/C++來實現，等因而間接調用了C。因此衡量某種高級語言的可移植性其實就是在討論ANSI/ISO C的移植性。

C語言是很低級的語言，不少方面都近似於彙編語言，在《Intel 32位彙編語言程序設計》一書中，甚至介紹了手工把簡單的C語言翻譯成彙編的方法。對於編譯器這種系統軟件，用C語言來編寫是很天然不過的，即便是像Python這樣的高級語言依然在底層依賴於C語言（舉Python的例子是由於Intel的黑客正在嘗試讓Python不須要操做系統就能運行——其實是免去了BIOS上的一次性C代碼）。如今的學生，學過編譯原理後，只要有點編程能力的均可以實現一個功能簡單的類C語言編譯器。

但是問題來了，不知道你有沒有想過，你們都用C語言或基於C語言的語言來寫編譯器，那麼世界上第一個C語言編譯器又是怎麼編寫的呢？這不是一個「雞和蛋」的問題……

仍是讓咱們回顧一下C語言歷史：1970年Tomphson和Ritchie在BCPL（一種解釋型語言）的基礎上開發了B語言，1973年又在B語言的基礎上成功開發出瞭如今的C語言。在C語言被用做系統編程語言以前，Tomphson也用過B語言編寫過操做系統。可見在C語言實現之前，B語言已經能夠投入實用了。所以第一個C語言編譯器的原型徹底多是用B語言或者混合B語言與PDP彙編語言編寫的。咱們如今都知道，B語言的執行效率比較低，可是若是所有用匯編語言來編寫，不只開發週期長、維護難度大，更可怕的是失去了高級程序設計語言必需的移植性。因此早期的C語言編譯器就採起了一個取巧的辦法：先用匯編語言編寫一個C語言的一個子集的編譯器，再經過這個子集去遞推完成完整的C語言編譯器。詳細的過程以下：

先創造一個只有C語言最基本功能的子集，記做C0語言，C0語言已經足夠簡單了，能夠直接用匯編語言編寫出C0的編譯器。依靠C0已有的功能，設計比C0複雜，但仍然不完整的C語言的又一個子集C1語言，其中C0屬於C1，C1屬於C，用C0開發出C1語言的編譯器。在C1的基礎上設計C語言的又一個子集C2語言，C2語言比C1複雜，可是仍然不是完整的C語言，開發出C2語言的編譯器……如此直到CN，CN已經足夠強大了，這時候就足夠開發出完整的C語言編譯器的實現了。至於這裏的N是多少，這取決於你的目標語言（這裏是C語言）的複雜程度和程序員的編程能力——簡單地說，若是到了某個子集階段，能夠很方便地利用現有功能實現C語言時，那麼你就找到N了。下面的圖說明了這個抽象過程：

那麼這種大膽的子集簡化的方法，是怎麼實現的，又有什麼理論依據呢？先介紹一個概念，「自編譯」Self-Compile，也就是對於某些具備明顯自舉性質的強類型（所謂強類型就是程序中的每一個變量必須聲明類型後才能使用，好比C語言，相反有些腳本語言則根本沒有類型這一說法）編程語言，能夠藉助它們的一個有限小子集，經過有限次數的遞推來實現對它們自身的表述，這樣的語言有C、Pascal、Ada等等，至於爲何能夠自編譯，能夠參見清華大學出版社的《編譯原理》，書中實現了一個Pascal的子集的編譯器。總之，已經有計算機科學家證實了，C語言理論上是能夠經過上面說的CVM的方法實現完整的編譯器的，那麼其實是怎樣作到簡化的呢？這張圖是否是有點熟悉？對了就是在講虛擬機的時候見到過，不過這裏是CVM（C Language Virtual Machine），每種語言都是在每一個虛擬層上能夠獨立實現編譯的，而且除了C語言外，每一層的輸出都將做爲下一層的輸入（最後一層的輸出就是應用程序了），這和滾雪球是一個道理。用手（彙編語言）把一小把雪結合在一塊兒，一點點地滾下去就造成了一個大雪球，這大概就是所謂的0生1，1生C，C生萬物吧？

下面是C99的關鍵字： 

 

仔細看看，其實其中有不少關鍵字是爲了幫助編譯器進行優化的，還有一些是用來限定變量、函數的做用域、連接性或者生存週期（函數沒有）的，這些在編譯器實現的早期根本沒必要加上，因而能夠去掉auto, restrict, extern, volatile, const, sizeof, static, inline, register, typedef，這樣就造成了C的子集，C3語言，C3語言的關鍵字以下： 

 

再想想，發現C3中其實有不少類型和類型修飾符是沒有必要一次性都加上去的，好比三種整型，只要實現int就好了，所以進一步去掉這些關鍵詞，它們是：unsigned, float, short, char(char 是 int), signed, _Bool, _Complex, _Imaginary, long，這樣就造成了咱們的C2語言，C2語言關鍵字以下：

 

繼續思考，即便是隻有18個關鍵字的C2語言，依然有不少高級的地方，好比基於基本數據類型的複合數據結構，另外咱們的關鍵字表中是沒有寫運算符的，在C語言中的複合賦值運算符->、運算符的++、– 等過於靈活的表達方式此時也能夠徹底刪除掉，所以能夠去掉的關鍵字有：enum, struct, union，這樣咱們能夠獲得C1語言的關鍵字： 

接近完美了，不過最後一步手筆天然要大一點。這個時候數組和指針也要去掉了，另外C1語言其實仍然有很大的冗雜度，好比控制循環和分支的都有多種表述方法，其實均可簡化成一種，具體的來講，循環語句有while循環，do…while循環和for循環，只須要保留while循環就夠了；分支語句又有if…{}, if…{}…else, if…{}…else if…, switch，這四種形式，它們均可以經過兩個以上的if…{}來實現，所以只須要保留if,…{}就夠了。但是再一想，所謂的分支和循環不過是條件跳轉語句罷了，函數調用語句也不過是一個壓棧和跳轉語句罷了，所以只須要goto（未限制的goto）。所以大膽去掉全部結構化關鍵字，連函數也沒有，獲得的C0語言關鍵字以下：

 

只有5個關鍵字，已經徹底能夠用匯編語言快速的實現了。經過逆向分析咱們還原了第一個C語言編譯器的編寫過程，也感覺到了前輩科學家們的智慧和勤勞！咱們都不過是巨人肩膀上的灰塵罷了！0生1，1生C，C生萬物，實在巧妙！