C 语言结构体里的成员数组和指针

来源

单看这文章的标题,你可能会觉得好像没什么意思。你先别下这个结论,相信这篇文章会对你理解 C 语言有帮助。这篇文章产生的背景是在微博上,看到 @Laruence 同学出了一个关于 C 语言的题,微博链接。微博截图如下。我觉得好多人对这段代码的理解还不够深入,所以写下了这篇文章。

zero_array

为了方便你把代码 copy 过去编译和调试,我把代码列在下面:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
#include <stdio.h>
struct str{
    int len;
    char s[0];
};
struct foo {
    struct str *a;
};
int main(int argc, char** argv) {
    struct foo f={0};
    if (f.a->s) {
        printf( f.a->s);
    }
    return 0;
}

你编译一下上面的代码,在 VC++ 和 GCC 下都会在 14 行的 printf 处 crash 掉你的程序。@Laruence 说这个是个经典的坑,我觉得这怎么会是经典的坑呢?上面这代码,你一定会问,为什么 if 语句判断的不是 f.a?而是 f.a 里面的数组?写这样代码的人脑子里在想什么?还是用这样的代码来玩票?不管怎么样,看过原微博的回复,我个人觉得大家主要还是对 C 语言理解不深,如果这算坑的话,那么全都是坑。

接下来,你调试一下,或是你把 14 行的 printf 语句改成:

1
printf("%x\n", f.a->s);

你会看到程序不 crash 了。程序输出:4。 这下你知道了,访问 0x4 的内存地址,不 crash 才怪。于是,你一定会有如下的问题:

1)为什么不是 13 行 if 语句出错?f.a 被初始化为空了嘛,用空指针访问成员变量为什么不 crash?

2)为什么会访问到了 0x4 的地址?靠,4 是怎么出来的?

3)代码中的第 4 行,char s[0] 是个什么东西?零长度的数组?为什么要这样玩?

让我们从基础开始一点一点地来解释 C 语言中这些诡异的问题。

结构体中的成员

首先,我们需要知道——所谓变量,其实是内存地址的一个抽像名字罢了。在静态编译的程序中,所有的变量名都会在编译时被转成内存地址。机器是不知道我们取的名字的,只知道地址。

所以有了——栈内存区,堆内存区,静态内存区,常量内存区,我们代码中的所有变量都会被编译器预先放到这些内存区中。

有了上面这个基础,我们来看一下结构体中的成员的地址是什么?我们先简单化一下代码:

1
2
3
4
struct test{
    int i;
    char *p;
};

上面代码中,test 结构中 i 和 p 指针,在 C 的编译器中保存的是相对地址——也就是说,他们的地址是相对于 struct test 的实例的。如果我们有这样的代码:

1
struct test t;

我们用 gdb 跟进去,对于实例 t,我们可以看到:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# t实例中的p就是一个野指针
(gdb) p t
$1 = {i = 0, c = 0 '\000', d = 0 '\000', p = 0x4003e0 "1\355I\211\..."}
# 输出t的地址
(gdb) p &t
$2 = (struct test *) 0x7fffffffe5f0
#输出(t.i)的地址
(gdb) p &(t.i)
$3 = (char **) 0x7fffffffe5f0
#输出(t.p)的地址
(gdb) p &(t.p)
$4 = (char **) 0x7fffffffe5f4

我们可以看到,t.i 的地址和 t 的地址是一样的,t.p 的址址相对于 t 的地址多了个 4。说白了,t.i 其实就是 (&t + 0x0), t.p 的其实就是 (&t + 0x4)。0x0 和 0x4 这个偏移地址就是成员 i 和 p 在编译时就被编译器给 hard code 了的地址。于是,你就知道,不管结构体的实例是什么——访问其成员其实就是加成员的偏移量

下面我们来做个实验:

1
2
3
4
5
6
7
8
9
10
struct test{
    int i;
    short c;
    char *p;
};
int main(){
    struct test *pt=NULL;
    return 0;
}

编译后,我们用 gdb 调试一下,当初始化 pt 后,我们看看如下的调试:(我们可以看到就算是 pt 为 NULL,访问其中的成员时,其实就是在访问相对于 pt 的内址)

1
2
3
4
5
6
7
8
(gdb) p pt
$1 = (struct test *) 0x0
(gdb) p pt->i
Cannot access memory at address 0x0
(gdb) p pt->c
Cannot access memory at address 0x4
(gdb) p pt->p
Cannot access memory at address 0x8

注意:上面的 pt->p 的偏移之所以是 0x8 而不是 0x6,是因为内存对齐了(我在 64 位系统上)。关于内存对齐,可参看《深入理解 C 语言》一文。

好了,现在你知道为什么原题中会访问到了 0x4 的地址了吧,因为是相对地址。

相对地址有很好多处,其可以玩出一些有意思的编程技巧,比如把 C 搞出面向对象式的感觉来,你可以参看我正好 11 年前的文章《用 C 写面向对像的程序》(用指针类型强转的危险玩法——相对于 C++ 来说,C++ 编译器帮你管了继承和虚函数表,语义也清楚了很多)

指针和数组的差别

有了上面的基础后,你把源代码中的 struct str 结构体中的 char s[0]; 改成 char *s; 试试看,你会发现,在 13 行 if 条件的时候,程序因为 Cannot access memory 就直接挂掉了。为什么声明成 char s[0],程序会在 14 行挂掉,而声明成 char *s,程序会在 13 行挂掉呢?那么 char *s 和 char s[0] 有什么差别呢

在说明这个事之前,有必要看一下汇编代码,用 GDB 查看后发现:

  • 对于 char s[0] 来说,汇编代码用了 lea 指令,lea   0x04(%rax),   %rdx
  • 对于 char*s 来说,汇编代码用了 mov 指令,mov 0x04(%rax),   %rdx

lea 全称 load effective address,是把地址放进去,而 mov 则是把地址里的内容放进去。所以,就 crash 了。

从这里,我们可以看到,访问成员数组名其实得到的是数组的相对地址,而访问成员指针其实是相对地址里的内容(这和访问其它非指针或数组的变量是一样的)

换句话说,对于数组 char s[10] 来说,数组名 s 和 &s 都是一样的(不信你可以自己写个程序试试)。在我们这个例子中,也就是说,都表示了偏移后的地址。这样,如果我们访问 指针的地址(或是成员变量的地址),那么也就不会让程序挂掉了。

正如下面的代码,可以运行一点也不会 crash 掉(你汇编一下你会看到用的都是 lea 指令):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
struct test{
    int i;
    short c;
    char *p;
    char s[10];
};
int main(){
    struct test *pt=NULL;
    printf("&s = %x\n", pt->s); //等价于 printf("%x\n", &(pt->s) );
    printf("&i = %x\n", &pt->i); //因为操作符优先级,我没有写成&(pt->i)
    printf("&c = %x\n", &pt->c);
    printf("&p = %x\n", &pt->p);
    return 0;
}

看到这里,你觉得这能算坑吗?不要出什么事都去怪语言,大家要想想是不是问题出在自己身上。

关于零长度的数组

首先,我们要知道,0 长度的数组在 ISO C 和 C++ 的规格说明书中是不允许的。这也就是为什么在 VC++2012 下编译你会得到一个警告:“arning C4200: 使用了非标准扩展 : 结构 / 联合中的零大小数组”。

那么为什么 gcc 可以通过而连一个警告都没有?那是因为 gcc 为了预先支持 C99 的这种玩法,所以,让 “零长度数组” 这种玩法合法了。关于 GCC 对于这个事的文档在这里:“Arrays of Length Zero”,文档中给了一个例子(我改了一下,改成可以运行的了):

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
#include <stdlib.h>
#include <string.h>
struct line {
   int length;
   char contents[0]; // C99的玩法是:char contents[]; 没有指定数组长度
};
int main(){
    int this_length=10;
    struct line *thisline = (struct line *)
                     malloc (sizeof (struct line) + this_length);
    thisline->length = this_length;
    memset(thisline->contents, 'a', this_length);
    return 0;
}

上面这段代码的意思是:我想分配一个不定长的数组,于是我有一个结构体,其中有两个成员,一个是 length,代表数组的长度,一个是 contents,代码数组的内容。后面代码里的 this_length(长度是 10)代表是我想分配的数据的长度。(这看上去是不是像一个 C++ 的类?)这种玩法英文叫:Flexible Array,中文翻译叫:柔性数组。

我们来用 gdb 看一下:

1
2
3
4
5
6
7
8
(gdb) p thisline
$1 = (struct line *) 0x601010
(gdb) p *thisline
$2 = {length = 10, contents = 0x601010 "\n"}
(gdb) p thisline->contents
$3 = 0x601014 "aaaaaaaaaa"

我们可以看到:在输出 * thisline 时,我们发现其中的成员变量 contents 的地址居然和 thisline 是一样的(偏移量为 0x0??!!)。但是当我们输出 thisline->contents 的时候,你又发现 contents 的地址是被 offset 了 0x4 了的,内容也变成了 10 个‘a’。(我觉得这是一个 GDB 的 bug,VC++ 的调试器就能很好的显示)

我们继续,如果你 sizeof(char[0]) 或是 sizeof(int[0]) 之类的零长度数组,你会发现 sizeof 返回了 0,这就是说,零长度的数组是存在于结构体内的,但是不占结构体的 size。你可以简单的理解为一个没有内容的占位标识,直到我们给结构体分配了内存,这个占位标识才变成了一个有长度的数组。

看到这里,你会说,为什么要这样搞啊,把 contents 声明成一个指针,然后为它再分配一下内存不行么?就像下面一样。

1
2
3
4
5
6
7
8
9
10
11
12
13
struct line {
   int length;
   char *contents;
};
int main(){
    int this_length=10;
    struct line *thisline = (struct line *)malloc (sizeof (struct line));
    thisline->contents = (char*) malloc( sizeof(char) * this_length );
    thisline->length = this_length;
    memset(thisline->contents, 'a', this_length);
    return 0;
}

这不一样清楚吗?而且也没什么怪异难懂的东西。是的,这也是普遍的编程方式,代码是很清晰,也让人很容易理解。即然这样,那为什么要搞一个零长度的数组?有毛意义?!

这个事情出来的原因是——我们想给一个结构体内的数据分配一个连续的内存!这样做的意义有两个好处:

第一个意义是,方便内存释放。如果我们的代码是在一个给别人用的函数中,你在里面做了二次内存分配,并把整个结构体返回给用户。用户调用 free 可以释放结构体,但是用户并不知道这个结构体内的成员也需要 free,所以你不能指望用户来发现这个事。所以,如果我们把结构体的内存以及其成员要的内存一次性分配好了,并返回给用户一个结构体指针,用户做一次 free 就可以把所有的内存也给释放掉。(读到这里,你一定会觉得 C++ 的封闭中的析构函数会让这事容易和干净很多)

第二个原因是,这样有利于访问速度。连续的内存有益于提高访问速度,也有益于减少内存碎片。(其实,我个人觉得也没多高了,反正你跑不了要用做偏移量的加法来寻址)

我们来看看是怎么个连续的,用 gdb 的 x 命令来查看:(我们知道,用 struct line {} 中的那个 char contents[] 不占用结构体的内存,所以,struct line 就只有一个 int 成员,4 个字节,而我们还要为 contents[] 分配 10 个字节长度,所以,一共是 14 个字节)

1
2
3
(gdb) x /14b thisline
0x601010:       10      0       0       0       97      97      97      97
0x601018:       97      97      97      97      97      97

从上面的内存布局我们可以看到,前 4 个字节是 int length,后 10 个字节就是 char contents[]。

如果用指针的话,会变成这个样子:

1
2
3
4
5
6
(gdb) x /16b thisline
0x601010:       1       0       0       0       0       0       0       0
0x601018:       32      16      96      0       0       0       0       0
(gdb) x /10b this->contents
0x601020:       97      97      97      97      97      97      97      97
0x601028:       97      97

上面一共输出了四行内存,其中,

  • 第一行前四个字节是 int length,第一行的后四个字节是对齐。
  • 第二行是 char* contents,64 位系统指针 8 个长度,他的值是 0x20 0x10 0x60 也就是 0x601020。
  • 第三行和第四行是 char* contents 指向的内容。

从这里,我们看到,其中的差别——数组的原地就是内容,而指针的那里保存的是内容的地址

后记

好了,我的文章到这里就结束了。但是,请允许我再唠叨两句。

1)看过这篇文章,你觉得 C 复杂吗?我觉得并不简单。某些地方的复杂程度不亚于 C++。

2)那些学不好 C++ 的人一定是连 C 都学不好的人。连 C 都没学好,你们根本没有资格鄙视 C++。

3)当你们在说有坑的时候,你得问一下自己,是真有坑还是自己的学习能力上出了问题。

如果你觉得你的 C 语言还不错,欢迎你看看《C 语言的谜题》还有《谁说 C 语言很简单?》还有《语言的歧义》以及《深入理解 C 语言》一文。

(全文完)

发表评论

电子邮件地址不会被公开。 必填项已用*标注