隻要你和程式打交道，了解編譯器架構就會令你受益無窮——無論是分析程式效率，還是模拟新的處理器和作業系統。通過本文介紹，即使你對編譯器原本一知半解，也能開始用llvm，來完成有意思的工作。
<a target="_blank"></a>
llvm是一個好用、好玩，而且超前的系統語言（比如c和c++語言）編譯器。
當然，因為llvm實在太強大，你會聽到許多其他特性（它可以是個jit；支援了一大批非類c語言；還是app store上的一種新的釋出方式等等）。這些都是真的，不過就這篇文章而言，還是上面的定義更重要。
下面是一些讓llvm與衆不同的原因：
llvm的“中間表示”（ir）是一項大創新。llvm的程式表示方法真的“可讀”（如果你會讀彙編）。雖然看上去這沒什麼要緊，但要知道，其他編譯器的中間表示大多是種記憶體中的複雜資料結構，以至于很難寫出來，這讓其他編譯器既難懂又難以實作。
然而llvm并非如此。其架構遠比其他編譯器要子產品化得多。這種優點可能部分來自于它的最初實作者。
盡管llvm給我們這些狂熱的學術黑客提供了一種研究工具的選擇，它還是一款有大公司做背景的工業級編譯器。這意味着你不需要去在“強大的編譯器”和“可玩的編譯器”之間做妥協——不像你在java世界中必須在hotspot和jikes之間權衡那樣。
是，llvm是一款酷炫的編譯器，但是如果不做編譯器研究，還有什麼理由要管它？
答：隻要你和程式打交道，了解編譯器架構就會令你受益，而且從我個人經驗來看，非常有用。利用它，可以分析程式要多久一次來完成某項工作；改造程式，使其更适用于你的系統，或者模拟一個新的處理器架構或作業系統——隻需稍加改動，而不需要自己燒個晶片，或者寫個核心。對于計算機科學研究者來說，編譯器遠比他們想象中重要。建議你先試試llvm，而不用hack下面這些工具（除非你真有重要的理由）：
架構模拟器；
動态二進制分析工具，比如pin；
源代碼變換（簡單的比如sed，複雜一些的比如抽象文法樹的分析和序列化）；
修改核心來幹預系統調用；
任何和虛拟機管理程式相似的東西。
就算一個編譯器不能完美地适合你的任務，相比于從源碼到源碼的翻譯工作，它可以節省你九成精力。
下面是一些巧妙利用了llvm，而又不是在做編譯器的研究項目：
uiuc的virtual ghost，展示了你可以用編譯器來保護挂掉的系統核心中的程序。
uw的coredet利用llvm實作了多線程程式的确定性。
在我們的近似計算工作中，我們使用llvm流程來給程式注入錯誤資訊，以模仿一些易出錯的硬體。
重要的話說三遍：llvm不是隻用來實作編譯優化的！llvm不是隻用來實作編譯優化的！llvm不是隻用來實作編譯優化的！
llvm架構的主要組成部分如下（事實上也是所有現代編譯器架構）：
前端，流程（pass），後端
下面分别來解釋：
前端擷取你的源代碼然後将它轉變為某種中間表示。這種翻譯簡化了編譯器其他部分的工作，這樣它們就不需要面對比如c++源碼的所有複雜性了。作為一個豪邁人，你很可能不想再做這部分工作；可以不加改動地使用clang來完成。
“流程”将程式在中間表示之間互相變換。一般情況下，流程也用來優化代碼：流程輸出的（中間表示）程式和它輸入的（中間表示）程式相比在功能上完全相同，隻是在性能上得到改進。這部分通常是給你發揮的地方。你的研究工具可以通過觀察和修改編譯過程流中的ir來完成任務。
後端部分可以生成實際運作的機器碼。你幾乎肯定不想動這部分了。
雖然當今大多數編譯器都使用了這種架構，但是llvm有一點值得注意而與衆不同：整個過程中，程式都使用了同一種中間表示。在其他編譯器中，可能每一個流程産出的代碼都有一種獨特的格式。llvm在這一點上對hackers大為有利。我們不需要擔心我們的改動該插在哪個位置，隻要放在前後端之間某個地方就足夠了。
讓我們開幹吧。
首先需要安裝llvm。linux的諸發行版中一般已經裝好了llvm和clang的包，你直接用便是。但你還是需要确認一下機子裡的版本，是不是有所有你要用到的頭檔案。在os x系統中，和xcode一起安裝的llvm就不是那麼完整。還好，用cmake從源碼建構llvm也沒有多難。通常你隻需要建構llvm本身，因為你的系統提供的clang已經夠用（隻要版本是比對的，如果不是，你也可以自己建構clang）。
具體在os x上，brandon holt有一個不錯的指導文章。用homebrew也可以安裝llvm。
你需要對文檔有所了解。我找到了一些值得一看的連結：
使用llvm來完成高産研究通常意味着你要寫一些自定義流程。這一節會指導你建構和運作一個簡單的流程來變換你的程式。
<code>$ git clone [email protected]:sampsyo/llvm-pass-skeleton.git</code>
主要的工作都是在<code>skeleton/skeleton.cpp</code>中完成的。把它打開。這裡是我們的業務邏輯：
<code>virtual bool runonfunction(function &f) {</code>
<code>errs() << "i saw a function called " << f.getname() << "!\n";</code>
<code>return false;</code>
<code>}</code>
細節：
errs()是一個llvm提供的c++輸出流，我們可以用它來輸出到控制台。
函數傳回false說明它沒有改動函數f。之後，如果我們真的變換了程式，我們需要傳回一個true。
通過cmake來建構這個流程：
<code>$ cd llvm-pass-skeleton</code>
<code>$ mkdir build</code>
<code>$ cd build</code>
<code>$ cmake .. # generate the makefile.</code>
<code>$ make # actually build the pass.</code>
如果llvm沒有全局安裝,你需要告訴cmake llvm的位置.你可以把環境變量<code>llvm_dir</code>的值修改為通往<code>share/llvm/cmake/</code>的路徑。比如這是一個使用homebrew安裝llvm的例子：
<code>$ llvm_dir=/usr/local/opt/llvm/share/llvm/cmake cmake ..</code>
建構流程之後會産生一個庫檔案，你可以在<code>build/skeleton/libskeletonpass.so</code>或者類似的地方找到它，具體取決于你的平台。下一步我們載入這個庫來在真實的代碼中運作這個流程。
想要運作你的新流程，用<code>clang</code>編譯你的c代碼，同時加上一些奇怪的flag來指明你剛剛編譯好的庫檔案：
<code>$ clang -xclang -load -xclang build/skeleton/libskeletonpass.* something.c</code>
<code>i saw a function called main!</code>
<code>-xclang -load -xclang path/to/lib.so</code>這是你在clang中載入并激活你的流程所用的所有代碼。是以當你處理較大的項目的時候，你可以直接把這些參數加到makefile的cflags裡或者你建構系統的對應的地方。
恭喜你，你成功hack了一個編譯器！接下來，我們要擴充這個hello world水準的流程，來做一些好玩的事情。
想要使用llvm裡的程式，你需要知道一點中間表示的組織方法。
子產品（module），函數（function），代碼塊（basicblock），指令（instruction）
首先了解一下llvm程式中最重要的元件：
粗略地說，子產品表示了一個源檔案，或者學術一點講叫翻譯單元。其他所有東西都被包含在子產品之中。
最值得注意的是，子產品容納了函數，顧名思義，後者就是一段段被命名的可執行代碼。（在c++中，函數function和方法method都相應于llvm中的函數。）
除了聲明名字和參數之外，函數主要會做為代碼塊的容器。代碼塊和它在編譯器中的概念差不多，不過目前我們把它看做是一段連續的指令。
而說到指令，就是一條單獨的代碼指令。這一種抽象基本上和risc機器碼是類似的：比如一個指令可能是一次整數加法，可能是一次浮點數除法，也可能是向記憶體寫入。
大部分llvm中的内容——包括函數，代碼塊，指令——都是繼承了一個名為值的基類的c++類。值是可以用于計算的任何類型的資料，比如數或者記憶體位址。全局變量和常數（或者說字面值，立即數，比如5）都是值。
這是一個寫成人類可讀文本的llvm中間表示的指令的例子。
<code>%5 = add i32 %4, 2</code>
這個指令将兩個32位整數相加（可以通過類型<code>i32</code>推斷出來）。它将4号寄存器（寫作<code>%4</code>）中的數和字面值2（寫作<code>2</code>）求和，然後放到5号寄存器中。這就是為什麼我說llvm ir讀起來像是risc機器碼：我們甚至連術語都是一樣的，比如寄存器，不過我們在llvm裡有無限多個寄存器。
另外，如果你想看你自己程式的llvm ir，你可以直接使用clang：
<code>$ clang -emit-llvm -s -o - something.c</code>
讓我們回到我們正在做的llvm流程。我們可以檢視所有重要的ir對象，隻需要用一個普适而友善的方法：<code>dump()</code>。它會列印出人可讀的ir對象的表示。因為我們的流程是處理函數的，是以我們用它來疊代函數裡所有的代碼塊，然後是每個代碼塊的指令集。
<code>errs() << "function body:\n";</code>
<code>f.dump();</code>
<code>for (auto& b : f) {</code>
<code>errs() << "basic block:\n";</code>
<code>b.dump();</code>
<code>for (auto& i : b) {</code>
<code>errs() << "instruction: ";</code>
<code>i.dump();</code>
使用c++ 11裡的<code>auto</code>類型和foreach文法可以友善地在llvm ir的繼承結構裡探索。
如果你重新建構流程并通過它再跑程式，你可以看到很多ir被切分開輸出，正如我們周遊它那樣。
當你在找尋程式中的一些模式，并有選擇地修改它們時，llvm的魔力真正展現了出來。這裡是一個簡單的例子：把函數裡第一個二進制操作符（比如+，-）改成乘号。聽上去很有用對吧？
<code>if (auto* op = dyn_cast<binaryoperator>(&i)) {</code>
<code>// insert at the point where the instruction `op` appears.</code>
<code>irbuilder<> builder(op);</code>
<code></code>
<code>// make a multiply with the same operands as `op`.</code>
<code>value* lhs = op->getoperand(0);</code>
<code>value* rhs = op->getoperand(1);</code>
<code>value* mul = builder.createmul(lhs, rhs);</code>
<code>// everywhere the old instruction was used as an operand, use our</code>
<code>// new multiply instruction instead.</code>
<code>for (auto& u : op->uses()) {</code>
<code>user* user = u.getuser(); // a user is anything with operands.</code>
<code>user->setoperand(u.getoperandno(), mul);</code>
<code>// we modified the code.</code>
<code>return true;</code>
細節如下：
irbuilder用于構造代碼。它有一百萬種方法來建立任何你可能想要的指令。
為把新指令縫進代碼裡，我們需要找到所有它被使用的地方，然後當做一個參數換進我們的指令裡。回憶一下，每個指令都是一個值：在這裡，乘法指令被當做另一條指令裡的操作數，意味着乘積會成為被傳進來的參數。
我們其實應該移除舊的指令，不過簡明起見我把它略去了。
<code>#include <stdio.h></code>
<code>int main(int argc, const char** argv) {</code>
<code>int num;</code>
<code>scanf("%i", &num);</code>
<code>printf("%i\n", num + 2);</code>
<code>return 0;</code>
如果用普通的編譯器，這個程式的行為和代碼并沒有什麼差别；但我們的插件會讓它将輸入翻倍而不是加2。
<code>$ cc example.c</code>
<code>$ ./a.out</code>
<code>10</code>
<code>12</code>
<code>$ clang -xclang -load -xclang build/skeleton/libskeletonpass.so example.c</code>
<code>20</code>
很神奇吧！
<code>// get the function to call from our runtime library.</code>
<code>llvmcontext& ctx = f.getcontext();</code>
<code>constant* logfunc = f.getparent()->getorinsertfunction(</code>
<code>"logop", type::getvoidty(ctx), type::getint32ty(ctx), null</code>
<code>);</code>
<code>// insert *after* `op`.</code>
<code>builder.setinsertpoint(&b, ++builder.getinsertpoint());</code>
<code>// insert a call to our function.</code>
<code>value* args[] = {op};</code>
<code>builder.createcall(logfunc, args);</code>
<code>void logop(int i) {</code>
<code>printf("computed: %i\n", i);</code>
要運作這個程式，你需要連結你的運作時庫：
<code>$ cc -c rtlib.c</code>
<code>$ clang -xclang -load -xclang build/skeleton/libskeletonpass.so -c example.c</code>
<code>$ cc example.o rtlib.o</code>
<code>computed: 14</code>
<code>14</code>
如果你希望的話，你也可以在編譯成機器碼之前就縫合程式和運作時庫。llvm-link工具——你可以把它簡單看做ir層面的ld的等價工具，可以幫助你完成這項工作。
大部分工程最終是要和開發者進行互動的。你會希望有一套注記（annotations），來幫助你從程式裡傳遞資訊給llvm流程。這裡有一些構造注記系統的方法：
可以自由修改clang使它可以翻譯你的新文法。不過我不推薦這個。
我希望能在以後的文章裡展開讨論這些技術。
llvm非常龐大。下面是一些我沒講到的話題：
使用llvm中的一大批古典編譯器分析；
通過hack後端來生成任意的特殊機器指令（架構師們經常想這麼幹）；
本文來自雲栖社群合作夥伴“linux中國”，原文釋出日期：2015-08-23