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！

當今幾乎所有的實用的編譯器/直譯器（以下統稱編譯器）都是用C語言編寫的，有一些語言比如 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，但是 Java 和 C# 等本身也要依靠C/C++來實現，等於是間接呼叫了C。所以衡量某種高階語言的可移植性其實就是在討論 ANSI/ISO C 的移植性。

C 語言是很低階的語言，很多方面都近似於組合語言，在《Intel 32 位組合語言程式設計》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體，用C語言來編寫是很自然不過的，即使是像 Python 這樣的高階語言依然在底層依賴於C語言（舉 Python 的例子是因為 Intel 的黑客正在嘗試讓 Python 不需要作業系統就能執行——實際上是免去了 BIOS 上的一次性C程式碼）。現在的學生，學過編譯原理後，只要有點程式設計能力的都可以實現一個功能簡單的類C語言編譯器。

可是問題來了，不知道你有沒有想過，大家都用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……

還是讓我們回顧一下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了現在的C語言。在C語言被用作系統程式語言之前，Tomphson 也用過B語言編寫過作業系統。可見在C語言實現以前，B語言已經可以投入實用了。因此第一個C語言編譯器的原型完全可能是用B語言或者混合B語言與 PDP 組合語言編寫的。我們現在都知道，B語言的執行效率比較低，但是如果全部用匯編語言來編寫，不僅開發週期長、維護難度大，更可怕的是失去了高階程式設計語言必需的移植性。所以早期的C語言編譯器就採取了一個取巧的辦法：先用匯編語言編寫一個C語言的一個子集的編譯器，再通過這個子集去遞推完成完整的C語言編譯器。詳細的過程如下：

先創造一個只有C語言最基本功能的子集，記作 C0 語言，C0 語言已經足夠簡單了，可以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，但是仍然不是完整的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。至於這裡的N是多少，這取決於你的目標語言（這裡是C語言）的複雜程度和程式設計師的程式設計能力——簡單地說，如果到了某個子集階段，可以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，也就是對於某些具有明顯自舉性質的強型別（所謂強型別就是程式中的每個變數必須宣告型別後才能使用，比如C語言，相反有些指令碼語言則根本沒有型別這一說法）程式語言，可以藉助它們的一個有限小子集，通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，至於為什麼可以自編譯，可以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，已經有電腦科學家證明了，C語言理論上是可以通過上面說的 CVM 的方法實現完整的編譯器的，那麼實際上是怎樣做到簡化的呢？這張圖是不是有點熟悉？對了就是在講虛擬機器的時候見到過，不過這裡是 CVM（C Language Virtual Machine），每種語言都是在每個虛擬層上可以獨立實現編譯的，並且除了C語言外，每一層的輸出都將作為下一層的輸入（最後一層的輸出就是應用程式了），這和滾雪球是一個道理。用手（組合語言）把一小把雪結合在一起，一點點地滾下去就形成了一個大雪球，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，其實其中有很多關鍵字是為了幫助編譯器進行優化的，還有一些是用來限定變數、函式的作用域、連結性或者生存週期（函式沒有）的，這些在編譯器實現的早期根本不必加上，於是可以去掉 auto, restrict, extern, Volatile, const, sizeof, static, inline, register, typedef，這樣就形成了C的子集，C3 語言，C3 語言的關鍵字如下：

再想一想，發現 C3 中其實有很多型別和型別修飾符是沒有必要一次性都加上去的，比如三種整型，只要實現 int 就行了，因此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，這樣就形成了我們的 C2 語言，C2 語言關鍵字如下：

繼續思考，即使是隻有 18 個關鍵字的 C2 語言，依然有很多高階的地方，比如基於基本資料型別的複合資料結構，另外我們的關鍵字表中是沒有寫運算子的，在C語言中的複合賦值運算子->、運算子的++、– 等過於靈活的表達方式此時也可以完全刪除掉，因此可以去掉的關鍵字有：enum, struct, union，這樣我們可以得到 C1 語言的關鍵字：

接近完美了，不過最後一步手筆自然要大一點。這個時候陣列和指標也要去掉了，另外 C1 語言其實仍然有很大的冗雜度，比如控制迴圈和分支的都有多種表述方法，其實都可簡化成一種，具體的來說，迴圈語句有 while 迴圈，do…while 迴圈和 for 迴圈，只需要保留 while 迴圈就夠了；分支語句又有 if…{}， if…{}…else, if…{}…else if…， switch，這四種形式，它們都可以通過兩個以上的 if…{} 來實現，因此只需要保留 if,…{} 就夠了。可是再一想，所謂的分支和迴圈不過是條件跳轉語句罷了，函式呼叫語句也不過是一個壓棧和跳轉語句罷了，因此只需要 goto（未限制的 goto）。因此大膽去掉所有結構化關鍵字，連函式也沒有，得到的 C0 語言關鍵字如下：

只有 5 個關鍵字，已經完全可以用匯編語言快速的實現了。通過逆向分析我們還原了第一個C語言編譯器的編寫過程，也感受到了前輩科學家們的智慧和勤勞！我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！