杂记连载之gcc

该篇整理出了与gcc编译器相关的一些内容,希望大家对将源文件编译成可执行文件的过程及编译过程的一些细节有所了解。

①gcc的编译过程分为预处理(Pre-Processing)、编译(Compiling)、汇编(Assembling)、链接(Linking)四个阶段。gcc需要调用预处理程序cpp,由它负责展开在源文件中定义的宏,并向其中插入“#include”语句所包含的内容;接着,gcc会调用ccl和as将处理后的源代码编译成目标代码;最后,gcc会调用链接程序ld,把生成的目标代码链接成一个可执行程序。

以下将说明与各阶段有关的编译选项及一般生成文件的后缀名。

-E

Preprocess only; donot compile, assemble or link

-S

Compile only, do notassemble or link. The output is in the form of an assembler code file for eachnonassembler input file specified.

-c

Compile and assemble,but do not link

-o <file>

Place the output into<file>

.a为后缀的文件,是由目标文件构成的档案库文件(静态库)。静态库指编译链接时,把库文件的代码全部加入到可执行文件中。可使用ar打包生成,如ar -cr libtest.a test.o

.i为后缀的文件,是已经预处理过的C源代码文件;

.ii为后缀的文件,是已经预处理过的C++源代码文件;

.o为后缀的文件,是编译后的目标文件;

以hello.c为例,可生成各阶段的文件进行查看。

预处理gcc –E hello.c –o hello.i

编译gcc –S hello.i –o hello.s

汇编gcc –c hello.s –o hello.o

生成可执行文件gcc hello.o –o hello

②gcc的一些选项。

gcc的优化选项:

-Ox(大写O)使用优化选项,X的值为空、0、1、2、3,0为不优化,优化的目的是减少代码空间和提高执行效率等。

-O or –O1

Optimize.Optimizingcompilation takes somewhat more time, and a lot more memory for a largefunction.

With -O, the compilertries to reduce code size and execution time, without performing anyoptimizations that take a great deal of compilation time.

-O2

Optimize even more.GCC performs nearly all supported optimizations that do not involve aspace-speed tradeoff. As compared to -O, this option increases both compilationtime and the performance of the generated code.

-O0

Reduce compilationtime and make debugging produce the expected results. This is the default.

-Os

Optimize for size. -Osenables all -O2 optimizations that do not typically increase code size. It alsoperforms further optimizations designed to reduce code size.

-L参数指定库文件所在的目录,-l参数用来指定程序要链接的库。

-DMARCO 以字符串"1"定义MARCRO宏

-DMARCO=DEFN 以字符串DEFN定义MARCRO宏

-UMARCO 取消MACRO宏定义

-s

Remove all symbol tableand relocation information from the executable.

③这些选项与makefile的目标依赖关系有关。

-M 生成文件关联的信息。包含目标文件所依赖的所有源代码你可以用gcc -M hello.c

-MM 与上面的那个一样,但是它将忽略由#include造成的标准库头文件依赖关系。

-MD 与-M相同,将输出导入到.d的文件里面

-MMD 与-MM相同,将输出导入到.d的文件里面

使用-MM选项一般会生成如

snippet.o:snippet.c defs.h(自定义头文件)

的依赖关系,而在makefile中可以使用这一依赖关系进行目标的生成。通常的作法是,使用-MMD生成不包含标准库头文件的依赖关系.d文件,然后在makefile中使用include包含这一.d文件。

SRCS = foo.c bar.c

include $(SRCS:.c=.d)

上述语句中的"$(SRCS:.c=.d)"中的".c=.d"的意思是做一个替换,把变量$(SRCS)所有[.c]的字串都替换成[.d]。

④与静态库与动态库相关:

gcc -shared -fPIC -olibtest.so test1.o test2.o

-shared选项通知链接器生成共享库,而不是生成普通的可执行文件。-fPIC表明生成与位置无关的目标。

如果库的版本有静态和动态两个版本,除非明确指定链接静态版本,链接器会选择共享库版本进行链接。使用-L选项指明路径(静态和动态版本不在同目录)或-static选项。

gcc -static -o appapp.o -L. -ltest

指明链接时使用静态库版本。

gcc -ltest -o snippetsnippet.c //出现undefined refrence错误

gcc -o snippetsnippet.c -ltest //错误,要指明路径或cp到/lib/目录

gcc -o sniipetsnippet.c -L. -ltest //正确


注意库链接的顺序:

gcc -o snippetlibtest.a snippet.c //错误

gcc -o snippetsnippet.c libtest.a //正确 

对于gcc中的某些选项、生成的可执行文件及动态链接机制,则需要结合linux下的ELF(Executableand Linking Format 可执行和链接格式)文件格式进行理解。

 

内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值