C语言结构体里的成员数组和指针

C语言结构体里的成员数组和指针

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:

#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:

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:

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:

struct test t;

我们用gdb跟进去,对于实例t,我们可以看到:

# 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:

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)

(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):

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):

#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:

(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。

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)

(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:

(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)

(转载本站文章请注明作者和出处 酷 壳 – CoolShell ,请勿用于任何商业用途)

好烂啊有点差凑合看看还不错很精彩 (116 人打了分,平均分: 4.65 )
Loading...

C语言结构体里的成员数组和指针》的相关评论

  1. 这是昨天晚上熬夜写出来的不,太牛了。

    理解透了确实是基础问题,使用数组的时候相当于去地址,使用指针的话,指针保存的是地址,等于要去指针的内容。

  2. 顶一个。
    对于使用0地址访问结构体成员的使用方式之前还是遇到过的:
    #define OFFSET(type, f) ((int)&(((type*)0)->f))
    还是第一次遇到0长度数组的情况,涨姿势啦

  3. 第二条‘提高速度’,使用数组可以提高spactial locality,一次分配比两次分配,在cache的命中率上应该好很多。

  4. 这句“t.p 的其实就是 (&t + 0×4)”有点小问题。对于结构体而言,取地址后的偏移是以结构体大小为移动单位的,所以这句其实应该这样写会不会更加准确? t.p 的地址其实就是 ((size_t)&t + 0×4)。呵呵,有点吹毛求疵了。

  5. liqiyu :
    第二条‘提高速度’,使用数组可以提高spactial locality,一次分配比两次分配,在cache的命中率上应该好很多。

    同感,这个是 cpu cache 的问题,而不是指针的问题。连续访存,可以减少 cache miss ,对需要频繁访存的应用来说,性能会提升得比较明显。

  6. 膜拜下耗子哥。
    想请问下如果想深入了解C语言的特性,应该去看什么资料呢?

  7. 数组的原地就是内容,而指针的那里保存的是内容的地址。这个是核心。就这一句话,如果没有上面的分析,也不是好理解,单看上面的内容没有这句话的注解,也不是很容易理解。

  8. $2 = {length = 10, contents = 0x601010 “\n”} 应该是 $2 = {length = 10, contents = 0x601014 “\n”}

  9. 原来叫做柔性数组, 一直找不到相关资料. 以前琢磨过http://t.cn/8sxhqv8, 猜测和性能有关系

  10. 人家写“C语言的经典的坑”也好,你陈浩写这么一大篇也好,结果都是为了把新手吓跑,高端黑啊 (开玩笑的)

  11. “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”

    我觉得这句话后半句存在一定的误解。“访问成员指针其实是相对地址里的内容”,这个内容其实还是个地址。

    就像经典的在函数参数内传入一级指针,然后在函数体内分配内存一样,函数返回后这个指针并没有返回分配的空间;当传入二级指针后,则可以正确分配内存。

    void allocate_mem(char *ptr)
    {
      // 这里已经将之前传进来的指针的值又覆盖了,而不是在原来指针的位置总放入分配的地址
      ptr = new char[10];
    }
    
    void allocate_mem(char **ptr)
    {
      // 二级指针是传值进来的,但是里面的内容和原来是一样的(即一级指针的地址)
      // 传进来之前可能是:char **ptr = new char*;
      *ptr = new char[10];
    }

    传地址实际上还是pass-by-value,只不过这个value不是一般的value,而是指针里面的地址而已。

    一个指针ptr有三个值:其本身的位置&ptr,其指向的地址ptr,其指向地址里的值*ptr。按地址传递实际是把ptr,copy一份到函数的形参中。

  12. 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

    (gdb) p pt->p 这里少了取地址符号。

  13. 本来以为这块基本理解了,但是看皓哥的文章还是能获取新的认识.赞!

  14. 个人觉得这句才是关键:
    struct foo f={0};
    C的编译器允许将一个结构体指向 0x0 的位置却不警告(假如0改为1,则编译会就会有warning出来).

  15. 还有个疑问,将代码修改一下,使用if (f.a->len),代码在if处core了,这个是因为访问了非法地址。
    但是如果是if (&(f.a->len)),就在printf处core了,改成if ((int)&(f.a->len)),就直接跳过if,程序正常结束啦。
    这个地方有啥玄机?

  16. 小秦 :
    个人觉得这句才是关键:
    struct foo f={0};
    C的编译器允许将一个结构体指向 0×0 的位置却不警告(假如0改为1,则编译会就会有warning出来).

    这个是结构体的初始化赋值方式….

  17. 说点题外话,我来介绍C99一个坑吧,叫Variable-length array:http://en.wikipedia.org/wiki/Variable-length_array,它的语义是这样的

    float read_and_process(int n)
    {
        float vals[n];
     
        for (int i = 0; i < n; i++)
            vals[i] = read_val();
        return process(vals, n);
    }

    可是在维基下面有这么一句话“One problem that may be hidden by a language’s support for VLAs is that of the underlying memory allocation: in environments where there is a clear distinction between a heap and a stack, it may not be clear which, if any, of those will store the VLA”也就是说同一个语义不同编译器有不同的实现,比如GCC是栈分配的,用SIZE_MAX限制大小。而微软用堆分配的,居然隐藏了“库函数”调用:
    _malloca:http://msdn.microsoft.com/en-us/library/5471dc8s.aspx
    _freea:http://msdn.microsoft.com/en-us/library/k8984a8h.aspx

    我很不解为啥C99标准会允许同一个语义存在不一致的实现,而且这种实现还是隐藏的很深,像alloca虽然未纳入标准,起码还是个显示调用,由用户控制逻辑和运行。而_malloca和_freea简直是“库函数”级别,居然允许作为语义实现。令我怀疑这还是“干净的”“可移植性的”“对汇编很薄的胶合层的”C语言吗?感觉有向C++演变的趋势。我个人对C99的部分标准执保留意见,但我的担忧是如果碰上这种代码,这种“未定义”的行为会让程序运行变得琢磨不透,让开发人员平添许多心智负担。

  18. 其实就一个新的东西,那就是使用零长度的数组作为占位符,使得可以在后来的初始化中分配连续的内存,方便数组内容的取值和释放一整体的内存。

  19. 那就是if 判断地址与内容的区别啊 , 跟博主这篇内容一直在说的相呼应,if (f.a->len) 使用的是 mov 指令,而取地址操作使用的应该是 lea 指令,而你把地址强转为 int 类型后,因为 int 的偏移地址为 0x0 所以 int 的值也是 0, 故 if 条件判断为假 直接忽略 if body 的内容。@aoyaya

  20. 看了这个又巩固一些,幸亏之前有看过零长度数组的代码,不然真的会有点纠结

  21. aoyaya :
    还有个疑问,将代码修改一下,使用if (f.a->len),代码在if处core了,这个是因为访问了非法地址。
    但是如果是if (&(f.a->len)),就在printf处core了,改成if ((int)&(f.a->len)),就直接跳过if,程序正常结束啦。
    这个地方有啥玄机?

    那就是if 判断地址与内容的区别啊 , 跟博主这篇内容一直在说的相呼应,if (f.a->len) 使用的是 mov 指令,意思是要把结构体中的len内容取出来做真假判断,而if (&(f.a->len))取地址操作使用的应该是 lea 指令,即取得 len 在结构体中的位置,而你把地址强转为 int 类型后,因为 int 的偏移地址为 0×0 所以 int 的值也是 0, 故 if 条件判断为假 直接忽略 if body 的内容。

  22. 背景知识两句话能说清的,不要这么复杂:

    1. 结构体成员说明了结构体内部的结构(相对首地址的偏移)。->是一种指针运算(加偏移)
    2. 0长的数组可以用于表示一个位置(数组的首地址或偏移)。这里0并不神秘,任何其它常数都有一样的含义,区别只是在计算内存大小,0比较简单。

    解释问题只有一句话:如果有int a[3];,a表示&a[0],不表示a[0];对应到题目中,f.a->s表示&(f.a->s[0]),谁还认为会crash?

  23. I kind of getting the feeling that the real reason is hindered by unnecessary using of zero-length array. In fact, the real reason could be better illustrated by using one ordinary array, say `char s[10]`.

  24. 感觉说明的顺序有点问题。直接把最后关于0长度数组的内容放到最前面就清楚了,哪有那么多事……

  25. 其实是很简单的事啊。所以说应该先学汇编,再学C,了解C语言是如何简化汇编的,而不是C的某语句是什么意思。

  26. 耗子叔叔非常牛叉啊,学到了很多!搞懂了其实上面的代码不是非常简单吗!!!
    struct foo f={0};这里f.a指向了内存里面的0地址,这个地址是受保护的,直接访问肯定挂掉啊。
    char s[0]在if里面访问f.a->s是访问的地址肯定没问题,在printf里面是访问内容挂掉
    如果将char s[0]改成char *s不论是在if还是printf里面都是访问的内容那么在if处就会挂掉

  27. 挑个刺儿,“对于数组 char s[10]来说,数组名 s 和 &s 都是一样的”。s和&s对于汇编来说是一样的,但对C本身来说不完全一样,不是同一个类型,可以用sizeof运算符鉴别。
    除此之外,绝对的好文。

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注