【C语言】__attribute__((packed))与#pragma pack

1、简介

        在 C 语言中,自动对齐是指编译器会根据不同的数据类型自动调整它们在内存中的位置,确保它们按照特定的字节边界存储。这种做法可以让处理器更高效地读取和存储数据。

        举个例子,像 int 这样的 4 字节数据通常会被对齐到 4 字节的边界上。如果前面有一个较小的数据类型,比如 1 字节的 char,编译器可能会在它后面插入一些填充字节,让接下来的 int 保持在 4 字节边界上。虽然这样可以加快处理器的访问速度,但同时也会增加结构体的总大小,浪费一些内存。

2、自动对齐

#include <stdio.h>
#include <stdint.h>typedef struct 
{uint32_t field1;  // 4 字节uint8_t field2;   // 1 字节
} struct_type1;typedef struct 
{uint16_t field3;  // 2 字节uint8_t field4;   // 1 字节
} struct_type2;int main(void)
{printf("struct_type1 sizeof: %lu bytes\n", sizeof(struct_type1));printf("struct_type2 sizeof: %lu bytes\n", sizeof(struct_type2));return 0;
}
  • struct_type1:结构体 struct_type1 的第一个成员是 uint32_t 类型,它占用 4 字节。因此,系统会按照 4 字节的对齐规则为结构体对齐,uint8_t field2 后会有 3 个填充字节,最终 struct_type1 的总大小为 8 字节。
  • struct_type2:结构体 struct_type2 的第一个成员是 uint16_t 类型,它占用 2 字节。系统将按照 2 字节的对齐规则对结构体对齐,最终 struct_type2 的大小为 4 字节。

3、取消自动对齐

如果我们不希望结构体成员被系统自动对齐,我们可以使用 __attribute__((packed)) 关键字。这会取消编译器的自动对齐行为,紧密排列结构体的成员,从而减少结构体的内存占用。

#include <stdio.h>
#include <stdint.h>typedef struct 
{uint32_t field1;  // 4 字节uint8_t field2;   // 1 字节
} __attribute__((packed)) packed_struct1;typedef struct 
{uint16_t field3;  // 2 字节uint8_t field4;   // 1 字节
} __attribute__((packed)) packed_struct2;int main(void)
{printf("packed_struct1 sizeof: %lu bytes\n", sizeof(packed_struct1));printf("packed_struct2 sizeof: %lu bytes\n", sizeof(packed_struct2));return 0;
}
  • packed_struct1:由于使用了 __attribute__((packed)),结构体成员会紧密排列,不插入任何填充字节,最终 packed_struct1 的大小为 5 字节。
  • packed_struct2:同样使用了 __attribute__((packed)),结构体成员紧密排列,大小为 3 字节。

4、#pragma pack()

除了 __attribute__((packed)) 之外,还有一种更灵活的方式可以控制结构体的对齐方式,那就是使用 #pragma pack 指令。通过 #pragma pack(1),我们可以指定接下来定义的所有结构体都取消自动对齐,直到遇到新的 #pragma pack() 指令为止。这样可以在需要多个结构体取消自动对齐的场景下简化代码。

#include <stdio.h>
#include <stdint.h>#pragma pack()  // 恢复默认对齐
typedef struct {uint32_t fieldA;  // 4 字节uint8_t fieldB;   // 1 字节
} structA;#pragma pack(1)  // 强制 1 字节对齐
typedef struct {uint32_t fieldC;  // 4 字节uint8_t fieldD;   // 1 字节
} structB;typedef struct {uint32_t fieldE;  // 4 字节uint8_t fieldF;   // 1 字节
} structC;#pragma pack()  // 恢复默认对齐
typedef struct {uint32_t fieldG;  // 4 字节uint8_t fieldH;   // 1 字节
} structD;int main(void)
{printf("sizeof structA: %lu bytes\n", sizeof(structA));printf("sizeof structB: %lu bytes\n", sizeof(structB));printf("sizeof structC: %lu bytes\n", sizeof(structC));printf("sizeof structD: %lu bytes\n", sizeof(structD));return 0;
}
  • structA:默认对齐方式,uint8_t fieldB 后会有 3 个填充字节,结构体大小为 8 字节。
  • structB:使用 #pragma pack(1) 取消对齐,结构体大小为 5 字节。
  • structC:由于继承了 #pragma pack(1) 的对齐方式,结构体大小同样为 5 字节。
  • structD:通过 #pragma pack() 恢复了默认对齐,结构体大小为 8 字节。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/54936.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

讯飞星火编排创建智能体学习(二)决策节点

目录 概述 决策节点 文生图节点 连接节点 测试结果 概述 在上一篇博文讯飞星火编排创建智能体学习&#xff08;一&#xff09;最简单的智能体构建-CSDN博客&#xff0c;我介绍了编排创作智能体&#xff0c;这篇来介绍一下“决策节点”。 决策节点 在编排创作智能体中&…

MQTT.fx 1.7.1使用说明篇(OneNET-MQTT-API调试)

&#xff08;代码完美实现&#xff09;stm32 新版 onenet mqtt物联网(保姆级教程) &#xff08;代码完美实现&#xff09;stm32 新版 onenet mqtt物联网(保姆级教程)https://blog.csdn.net/Wang2869902214/article/details/142501323 MQTT.fx 1.7.1使用教程 下载地址 MQ…

巧用switch-case消除条件判断

shigen坚持更新文章的博客写手&#xff0c;记录成长&#xff0c;分享认知&#xff0c;留住感动。个人IP&#xff1a;shigen 在之前的文章中&#xff0c;我们有提交消除if-else代码的方法&#xff1a; 结合HashMap与Java 8的Function和Optional消除ifelse判断巧用枚举消除逻辑判…

一文上手SpringSecuirty【六】

自定义认证流程完成之后,前端收到了后端生成的token,那么在之后的所有请求当前,都必须携带token.作为服务器来说,得验证这个token,是否合法. 一、验证token是否合法 1.1 OncePerRequestFilter过滤器 OncePerRequestFilter是 Spring 框架中的一个过滤器&#xff0c;用于确保在…

抖音支付回调验签 go 版本

序言 最近在做抖音小程序支付&#xff0c;由于抖音开放平台的文档写的较为简陋&#xff0c;让人踩了不少坑&#xff0c;在这里整理一下做小程序支付的整个过程&#xff0c;以通用交易系统为例子。 准备条件 1&#xff09;申请小程序&#xff0c;开通支付功能 这里需要明确你小…

鸿蒙开发(NEXT/API 12)【硬件(传感器开发)】传感器服务

使用场景 Sensor Service Kit&#xff08;传感器服务&#xff09;使应用程序能够从传感器获取原始数据&#xff0c;并提供振感控制能力。 Sensor&#xff08;传感器&#xff09;模块是应用访问底层硬件传感器的一种设备抽象概念。开发者可根据传感器提供的相关接口订阅传感器…

Mitsuba 渲染基础

Mitsuba 渲染基础 0. Abstract1. 安装 Mitsuba21.1 下载 Mitsuba2 源码1.2 选择后端 (variants)1.3 编译 2. [Mitsuba2PointCloudRenderer](https://github.com/tolgabirdal/Mitsuba2PointCloudRenderer)2.1 Mitsuba2 渲染 XML2.2 Scene 场景的 XML 文件格式2.2.1 chair.npy to…

Comfyui 学习笔记2

在潜空间放大&#xff0c;三种方法&#xff1a;NNLatentUpscale、Upscale Latent、Upscale Latent&#xff0c;其中只有NNLatentUpscale自带模型优化&#xff0c;其他两种需要KSample重新绘画&#xff0c;NNLatentUpscale后也可以接KSmaple。 像素空间放大&#xff0c;同理&am…

大模型推理任务Nvidia GPU选型指南

大型语言模型 (LLM)&#xff08;如 GPT-4、BERT 和其他基于 Transformer 的模型&#xff09;彻底改变了 AI 格局。这些模型需要大量计算资源来进行训练和推理。选择合适的 GPU 进行 LLM 推理可以极大地影响性能、成本效益和可扩展性。 在本文中&#xff0c;我们将探索最适合 L…

Spring的热部署工具和数据库密码加盐操作

1.布置热部署 引言&#xff1a;在程序运行起来后&#xff0c;如果我们对代码进行了修改&#xff0c;需要重新测试修改后的程序&#xff0c;就得重新启动程序&#xff0c;这样很麻烦。于是引入热部署之后&#xff0c;我们就不需要重新启动程序&#xff0c;会自动更正。 1.配置po…

牛顿迭代法求解x 的平方根

牛顿迭代法是一种可以用来快速求解函数零点的方法。 为了叙述方便&#xff0c;我们用 C C C表示待求出平方根的那个整数。显然&#xff0c; C C C的平方根就是函数 f ( x ) x c − C f(x)x^c-C f(x)xc−C 的零点。 牛顿迭代法的本质是借助泰勒级数&#xff0c;从初始值开始快…

前端大模型入门:使用Transformers.js手搓纯网页版RAG(二)- qwen1.5-0.5B - 纯前端不调接口

书接上文&#xff0c;本文完了RAG的后半部分&#xff0c;在浏览器运行qwen1.5-0.5B实现了增强搜索全流程。但受限于浏览器和模型性能&#xff0c;仅适合于研究、离线和高隐私场景&#xff0c;但对前端小伙伴来说大模型也不是那么遥不可及了&#xff0c;附带全部代码&#xff0c…

【深度学习】(5)--搭建卷积神经网络

文章目录 搭建卷积神经网络一、数据预处理1. 下载数据集2. 创建DataLoader&#xff08;数据加载器&#xff09; 二、搭建神经网络三、训练数据四、优化模型 总结 搭建卷积神经网络 一、数据预处理 1. 下载数据集 在PyTorch中&#xff0c;有许多封装了很多与图像相关的模型、…

vue3 通过 axios + jsonp 实现根据公网 ip, 查询天气信息

前提 安装 axios 的 jsonp 适配器。 pnpm install pingtou/axios-jsonp 简单使用说明&#xff1a;当与后端约定的请求 callback 参数名称不为为 callback 时&#xff0c;可修改。一般无需添加。 1. 获取当前电脑 ip 和城市信息 请求地址&#xff1a; https://whois.pconl…

Linux之我不会

一、常用命令 1.系统管理 1.1 systemctl start | stop | restart | status 服务名 案例实操 1 查看防火墙状态 systemctl status firewalld2 停止防火墙服务 systemctl stop firewalld3 启动防火墙服务 systemctl start firewalld4 重启防火墙服务 systemctl restart f…

【Canvas与诗词】秋夕.杜牧(银烛秋光冷画屏......)

【成图】 【代码】 <!DOCTYPE html> <html lang"utf-8"> <meta http-equiv"Content-Type" content"text/html; charsetutf-8"/> <head><title>金六边形外圈绿色底录杜牧秋夕诗</title><style type"…

【电商搜索】现代工业级电商搜索技术-Facebook语义搜索技术QueSearch

【电商搜索】现代工业级电商搜索技术-Facebook语义搜索技术Que2Search 目录 文章目录 【电商搜索】现代工业级电商搜索技术-Facebook语义搜索技术Que2Search目录0. 论文信息1. 研究背景&#xff1a;2. 技术背景和发展历史&#xff1a;3. 算法建模3.1 模型架构3.1.1 双塔与分类 …

NLP:BERT的介绍

1. BERT 1.1 Transformer Transformer架构是一种基于自注意力机制(self-attention)的神经网络架构&#xff0c;它代替了以前流行的循环神经网络和长短期记忆网络&#xff0c;已经应用到多个自然语言处理方向。   Transformer架构由两个主要部分组成&#xff1a;编码器(Encod…

【HarmonyOS】应用引用media中的字符串资源如何拼接字符串

【HarmonyOS】应用引用media中的字符串资源如何拼接字符串 一、问题背景&#xff1a; 鸿蒙应用中使用字符串资源加载&#xff0c;一般文本放置在resoutces-base-element-string.json字符串配置文件中。便于国际化的处理。当然小项目一般直接引用字符串&#xff0c;不需要加载s…

python爬虫:从12306网站获取火车站信息

代码逻辑 初始化 (init 方法)&#xff1a; 设置请求头信息。设置车站版本号。 同步车站信息 (synchronization 方法)&#xff1a; 发送GET请求获取车站信息。返回服务器响应的文本。 提取信息 (extract 方法)&#xff1a; 从服务器响应中提取车站信息字符串。去掉字符串末尾的…