百度360必应搜狗淘宝本站头条
当前位置:网站首页 > IT知识 > 正文

C++动态库和静态库全局变量初始化(插件开发)

liuian 2025-03-19 14:15 6 浏览

1. 先写好咱们的示例代码

// main.cpp
#include "Scheduler.h"

int main(int argc, char const *argv[])
{
    Scheduler::instance().run();
    return 0;
}
// runner.cpp
#include "Scheduler.h"

#include 


static struct Runner {
    Runner() {
        Scheduler::instance().register_function([]() {
            std::cout << "This is runner stdout.\n";
        });
    };
} register_runner;
// Scheduler.h
#pragma once

#include 
#include 

class Scheduler {
    public:
        static Scheduler& instance() {
            static Scheduler scheduler;
            return scheduler;
        }

        void register_function(std::function f) {
            runners.push_back(f);
        }

        void run() {
            for (auto& r : runners) {
                r();
            }
        }

    private:
        std::vector<std::function> runners;
        Scheduler() = default;
};

对以上代码做个说明:

Scheduler是一个调度器,它是单例模式;在main.cpp里会获取Scheduler的实例,然后调用运行,实例会调用已经注册好的运行器;在这个过程中main.cpp不知道运行器代码的存在,调度器也不知道有那些运行器。

程序期望在启动的时候,运行器自动注册到调度器中,主程序运行调度程序,调度程序运行所有已注册运行器。

Runner.cpp中的register_runner是一个静态全局变量,在Runner.cpp被加载的时候进行初始化,调用构造函数,把function注册到Scheduler。这种方式经常用于插件开发。

Makefile文件内容如下:

CXX = g++
CFLAGS = -std=c++17 -Wall

all: static dyn

static:
    $(CXX) $(CFLAGS) -c runner.cpp
    ar rcs runner.a runner.o
    $(CXX) $(CFLAGS) main.cpp -o main_static runner.a
    rm runner.a

dyn:
    $(CXX) $(CFLAGS) -fPIC -c runner.cpp
    $(CXX) -shared -o librunner.so runner.o
    $(CXX) $(CFLAGS) main.cpp -o main_dyn -L. -lrunner

clean:
    rm -f *.o *.a *.so main_static main_dyn main

编译成动态库和静态库的主要目的就是看看动态库和静态库之间有什么区别。

编译后执行:

./main_dyn       # 运行前修改配置LD_LIBRARY_PATH,加入当前路径
./main_static

按预期,都应该打印出:

This is runner stdout.

但是运行后并没有任何输出。

2. 检查问题出现在哪里?

查询资料后发现是链接器优化了代码,把没有用到的符号不进行链接,节省程序符号空间,Runner.a或Runner.so都没有被其它代码引用,所以被优化掉了,因为我们要做的是Runner初始化的时候注册函数,所以需要Runner.a[so]种的符号不论什么情况都需要被执行。修改Makefile如下:

CXX = g++
CFLAGS = -std=c++17 -Wall

all: static dyn

static:
    $(CXX) $(CFLAGS) -c runner.cpp
    ar rcs runner.a runner.o
    $(CXX) $(CFLAGS) main.cpp -o main_static -Wl,--whole-archive runner.a -Wl,--no-whole-archive
    rm runner.a

dyn:
    $(CXX) $(CFLAGS) -fPIC -c runner.cpp
    $(CXX) -shared -Wl,--no-as-needed -o librunner.so runner.o
    $(CXX) $(CFLAGS) main.cpp -o main_dyn -L. -Wl,--no-as-needed -lrunner

clean:
    rm -f *.o *.a *.so main_static main_dyn main

静态库需要增加编译参数-Wl,--whole-archive和-Wl,--no-whole-archive,而且它们必须成对出现,把需要的静态库放在它们中间。-Wl,--whole-archive告诉编译器就算符号没有被调用,也要全部打包进行编译;如果以上两个参数没有成对出现,编译会报错。

动态库需要增加编译参数-Wl,--no-as-needed,告诉编译器就算符号没有被调用,也要全部打包进行编译。

这样修改编译参数,进行编译后,运行没有问题。

3. 另外一个问题

main.cpp和Runner.cpp都包含了Scheduler.h,按正常理解,头文件会在两个.cpp文件中展开,为什么它们会得到同一个实例,而不是两个实例,链接器在这里面起了什么作用?经过一番查询,得到了下面结论:

编译过程分析

1. 预处理阶段 main.cpp 和 runner.cpp 都包含了 Scheduler.h 预处理器将头文件内容复制到两个源文件中

2. 编译阶段

编译器为每个源文件生成目标文件:

main.o: 包含对 Scheduler::instance() 的调用 包含静态局部变量的初始化代码

runner.o: 也包含对 Scheduler::instance() 的调用 也包含静态局部变量的初始化代码

3. 链接阶段(关键)

链接器在这里扮演了关键角色:

弱符号处理: 静态局部变量的实现使用了一个guard变量 这个guard变量被标记为弱符号(weak symbol) 链接器会将所有相同的弱符号合并为一个

符号解析:

.data.Scheduler::instance()::scheduler // 这是静态变量的存储

.bss.Scheduler::instance()::guard // 这是控制初始化的guard变量

地址绑定: 所有对 Scheduler::instance() 的调用被解析到同一个函数实现 该函数内部的静态变量被绑定到同一个内存位置

4. 结论

这种开发方式经常被用在插件开发中。总结一下在开发中经常可能会遇到的问题。

相关推荐

GANs为何引爆机器学习?这篇基于TensorFlow的实例教程为你解惑!

「机器人圈导览」:生成对抗网络无疑是机器学习领域近三年来最火爆的研究领域,相关论文层出不求,各种领域的应用层出不穷。那么,GAN到底如何实践?本文编译自Medium,该文作者以一朵玫瑰花为例,详细阐...

高丽大学等机构联合发布StarGAN:可自定义表情和面部特征

原文来源:arXiv、GitHub作者:YunjeyChoi、MinjeChoi、MunyoungKim、Jung-WooHa、SungKim、JaegulChoo「雷克世界」编译:嗯~...

TensorFlow和PyTorch相继发布最新版,有何变化

原文来源:GitHub「机器人圈」编译:嗯~阿童木呀、多啦A亮Tensorflow主要特征和改进在Tensorflow库中添加封装评估量。所添加的评估量列表如下:1.深度神经网络分类器(DNNCl...

「2022 年」崔庆才 Python3 爬虫教程 - 深度学习识别滑动验证码缺口

上一节我们使用OpenCV识别了图形验证码躯壳欧。这时候就有朋友可能会说了,现在深度学习不是对图像识别很准吗?那深度学习可以用在识别滑动验证码缺口位置吗?当然也是可以的,本节我们就来了解下使用深度...

20K star!搞定 LLM 微调的开源利器

LLM(大语言模型)微调一直都是老大难问题,不仅因为微调需要大量的计算资源,而且微调的方法也很多,要去尝试每种方法的效果,需要安装大量的第三方库和依赖,甚至要接入一些框架,可能在还没开始微调就已经因为...

大模型DeepSeek本地部署后如何进行自定义调整?

1.理解模型架构a)查看深度求索官方文档或提供的源代码文件,了解模型的结构、输入输出格式以及支持的功能。模型是否为预训练权重?如果是,可以在预训练的基础上进行微调(Fine-tuning)。是否需要...

因配置不当,约5000个AI模型与数据集在公网暴露

除了可访问机器学习模型外,暴露的数据还可能包括训练数据集、超参数,甚至是用于构建模型的原始数据。前情回顾·人工智能安全动态向ChatGPT植入恶意“长期记忆”,持续窃取用户输入数据多模态大语言模型的致...

基于pytorch的深度学习人员重识别

基于pytorch的深度学习人员重识别Torchreid是一个库。基于pytorch的深度学习人员重识别。特点:支持多GPU训练支持图像的人员重识别与视频的人员重识别端到端的训练与评估简单的re...

DeepSeek本地部署:轻松训练你的AI模型

引言:为什么选择本地部署?在AI技术飞速发展的今天,越来越多的企业和个人希望将AI技术应用于实际场景中。然而,对于一些对数据隐私和计算资源有特殊需求的用户来说,云端部署可能并不是最佳选择。此时,本地部...

谷歌今天又开源了,这次是Sketch-RNN

前不久,谷歌公布了一项最新技术,可以教机器画画。今天,谷歌开源了代码。在我们研究其代码之前,首先先按要求设置Magenta环境。(https://github.com/tensorflow/magen...

Tensorflow 使用预训练模型训练的完整流程

前面已经介绍了深度学习框架Tensorflow的图像的标注和训练数据的准备工作,本文介绍一下使用预训练模型完成训练并导出训练的模型。1.选择预训练模型1.1下载预训练模型首先需要在Tensorf...

30天大模型调优学习计划(30分钟训练大模型)

30天大模型调优学习计划,结合Unsloth和Lora进行大模型微调,掌握大模型基础知识和调优方法,熟练应用。第1周:基础入门目标:了解大模型基础并熟悉Unsloth等工具的基本使用。Day1:大模...

python爬取喜马拉雅音频,json参数解析

一.抓包分析json,获取加密方式1.抓包获取音频界面f12打开抓包工具,播放一个(非vip)视频,点击“媒体”单击打开可以复制URL,发现就是我们要的音频。复制“CKwRIJEEXn-cABa0Tg...

五、JSONPath使用(Python)(json数据python)

1.安装方法pipinstalljsonpath2.jsonpath与Xpath下面表格是jsonpath语法与Xpath的完整概述和比较。Xpathjsonpath概述/$根节点.@当前节点...

Python网络爬虫的时候json=就是让你少写个json.dumps()

大家好,我是皮皮。一、前言前几天在Python白银交流群【空翼】问了一个Python网络爬虫的问题,提问截图如下:登录请求地址是这个:二、实现过程这里【甯同学】给了一个提示,如下所示:估计很多小伙伴和...