![]()
我们有一个梦想，让每一名研发工程师拥有一台“超级”计算机。
作者：字节跳动终端技术——孙雄
大型工程的效率瓶颈
近年来，基于Devops流水线的研发流程，逐渐成为软件研发的行业标准。流水线的运行效率，决定了团队的研发效能。对大型项目来说，编译构建往往是流水线中耗时占比的大头。有些工程的编译时长超过30分钟，甚至达到几个小时。这样的性能，是非常糟糕的。
字节iOS大型项目的构建时长，大多控制在5分钟以内。这主要得益于内部的编译加速解决方案，它集分布式编译和分布式缓存为一体，本文将详细介绍它的工作原理。不过在这之前，我们先来分析一下大型项目的编译瓶颈和解决思路。
先说结论，机器性能不足和重复作业，是影响工程编译效率的两个最大因素，对此，可以采取分布式编译+编译缓存的方式，提升整体的性能。
分布式编译
工程的编译，往往可以拆解为可并行的编译子任务。以C系列语言(C, C++, ObjC)为例，项目中往往存在上千甚至上万的源代码文件(以 .c , .cc 或 .m 作为扩展名的文件)，每个编译子任务将源代码文件编译为目标文件(以 .o 作为扩展名的文件)，再整体链接成最终的可执行文件。
这些编译子任务可以并行执行，如下图所示：
![image.png]()
CPU的数量，决定了编译的并行度上限。个人电脑(PC)的CPU核心数通常在4～12之间，专用服务器可以达到24～96，但对于动辄上万文件的大型工程，CPU的数量还是显得不足。这时候，利用分布式编译的技术，可以得到一台“超级计算机”。
编译缓存
大型工程全量编译，需要处理几千甚至几万个编译子任务。但大多数子任务，之前已经编译过，如果我们能通过某种方式，直接获取编译产物，就可以大大节省时间。
建立一个中央仓库，存储编译子任务的产物，这些产物可以通过“任务摘要”来索引。这样每次遇到一个新任务，我们首先向中央仓库查询摘要，如果查询成功，直接下载编译产物，就省去了重复编译的动作。
上面提到的分布式编译和编译缓存，是提升大型项目编译效率的两大法宝，本文主要介绍字节跳动的分布式编译解决方案。
“超级”计算机
借助云计算，我们可以以组装的方式，得到一台“超级”计算机，如下图所示：
![image.png]()
这台“超级”计算机，由一台中心节点和若干台工作节点组成。中心节点负责生成和调度编译子任务，依照它们的执行顺序，将任务发送给空闲的工作节点来执行。这样整个系统的并行处理能力，取决于所有工作节点的CPU之和，性能比单机高出数倍，甚至数十倍。
像这样把任务分发给工作节点的方案，又称为分布式编译。分布式编译并不是新鲜的概念，2008年开源的distcc工具就提供了分布式编译的解决方案。Google在2017年提出的Remote Execution API，又从协议的角度规范了分布式编译和编译缓存的实现方式。
我们先看一下分布式编译的核心思路。
核心思路
核心思路很简单，本地计算出编译命令需要读的文件，把文件列表和编译命令，发给远端机器，执行编译命令。编译结束后，再请求拉取编译产物。
![image.png]()
其中，如何找到所需文件是关键。
背景知识——预处理
在介绍我们的做法之前，需要先补充一些编译原理相关的背景知识。
待编译的源文件，可以通过#include xx.h和 #import xx.h的方式，声明对某头文件的依赖。
编译器处理编译命令的第一阶段叫做“预处理”，该阶段的一个重要工作是头文件展开。假设入口文件main.m 中有一行为#import Car.h，编译器会遍历所有搜索路径，找到Car.h文件，并读取该文件内容，替换掉main.m中的#import Car.h行。其中搜索路径由编译命令中的 -I, -isystem 等参数给出
接下来，如果 Car.h 文件中有 #import 语句，编译器会重复上述动作，找到依赖的文件，读取内容，进行替换，直到把所有的 #import 语句全部展开。
因此，假设我们模拟预处理的过程，找到所有依赖的头文件，就可以将该任务发送到远端执行。
![image.png]()
重要引擎
由上述编译原理可知，依赖分析是实现分布式的前提。不仅如此，依赖分析也是性能的决定因素。
由于依赖分析只能在本地进行，计算资源是有限的。依赖分析的性能，决定了任务分发是否流畅，如果依赖分析过慢，会导致大量工作节点限制，任务分发出现瓶颈。
可以把依赖分析，理解为分布式编译的重要引擎。
依赖分析的实现并不复杂，编译器本身就提供了相关参数，以clang为例。-M 可以获取完整的编译依赖，而 -MM 则可以得到用户定义的依赖，相关参数解析如下：
-M,--dependencies
Like -MD, but also implies -E and writes to stdout by default
-MD,--write-dependencies
Write a depfile containing user and system headers
-MM,--user-dependencies
Like -MMD, but also implies -E and writes to stdout by default
-MMD,--write-user-dependencies
Write a depfile containing user headers
开源框架recc 直接使用了编译器能力。
这种方法的好处是开发简单，并且足够安全，但性能存在瓶颈。我们早期以头条项目测试的时候，通过编译器获取依赖，平均耗时在200毫秒左右。而单个文件的编译时长，大多在500毫秒～3000毫秒的区间内。依赖分析耗时占比太高，导致任务分发效率不够理想。
依赖分析时间过长，一方面由于编译器命令由独立进程执行，不同的编译任务之间无法复用缓存。另一方面，编译器的 -M 参数隐含了参数 -E，后者代表“预处理”，预处理阶段除了依赖分析，还做了不少其它工作，这部分工作我们可以优化掉。
Google的 goma 采用了自研的依赖分析模块，并且在Chromium和Android这两个大型项目上取得了非常好的结果。它在实现依赖分析的时候，借助常驻进程的架构优势，运用了大量缓存，索引等技巧，提高了中间数据的复用率。
在使用 goma加速内部iOS的项目的过程中，我们发现当编译任务依赖的Framework过多，或者依赖的hmap文件过大的情况下，性能会受到较大影响，于是，我们针对大型iOS项目的特点，在goma基础上进行了优化，最终可以以平均50ms的速度，完成编译任务依赖解析。
接下来，让我们一起看看goma在设计时运用了哪些技巧，以及我们针对iOS项目做了哪些优化。由于篇幅有限，本文只介绍比较有代表性的部分。
快速依赖分析
goma采用了依赖缓存和依赖分析结合的方案，如果之前在工作目录下进行过编译，下次使用时，可以直接使用依赖缓存，只有在缓存不命中的情况下，才进行依赖分析。
![image.png]()
依赖缓存
依赖缓存的核心原理是：检查相同编译参数对应的，上一次的依赖，如果依赖的文件都没变，即复用依赖关系。
其流程如下图所示：
![image.png]()
有人可能会有疑问，为什么可以检查上一次的依赖？如果这次引入了列表外的新文件，岂不是无法判断文件是否改变吗。
其实不然，引入新文件的前提是加入了新的#import 指令，它必然导致旧依赖列表中的某个文件发生改变，因此这种做法是相对安全的。
![]()
命中依赖缓存的话，可以在5毫秒以内得到编译命令的依赖文件列表，这是一个很理想的性能。
不过在实践中经常发现，即使文件修改了，依赖关系也大多是不变的，例如修改变量的值或增加一个类成员。如果我们能抓住这个特性，就可以大大增加缓存命中率。
忽略无关行
有些代码修改影响依赖，有些则不会，如果我们只考虑影响依赖的改动，就可以排除掉大量干扰因素。下面是两个例子，展示了有效改动和无效改动的区别。
- #include <foo.h>
+ #include <bar.h>
- int a = 2;
+ int a = 3;
除了前文提及的#include 和 #import ，还有如下语句可能造成缓存失效：#if, #else, #define, #ifdef, #ifndef, #include_next。
它们的共性是以# 开头，在预处理阶段会被编译器解析。这些指令统称为Directive，因此，我们只需缓存文件的Directive列表，当文件内容发生改变时，重新获取Direcitive列表，并和之前缓存的内容对比，如果列表不变，就可以认为该文件的改动不影响依赖关系。
依赖分析
深度优先分析
如果没命中依赖缓存或者关闭了该功能，就会进入依赖分析的阶段。
依赖分析采用深度优先搜索的算法，找到代码中所有的 #include 和 #import 对应的文件。需要注意的是，#if和#else这样的条件宏，也需要在预处理阶段解析。
深度优先采用文件栈 + 行指针的方式实现，如图所示：
![image.png]()
图中紫色部分是一个文件栈，栈中每一个元素都存放了文件相关的信息。每一个文件都对应一个Directive(预处理指令)列表，并维护一个指针，指向当前的Directive。
流程开始阶段，入口文件进栈，随后遍历入口文件的所有Directive，当读到 #include 或 #import 相关的 Directive 时，搜索依赖文件，并入栈。
此时，虽然入口文件还没有解析完，但按照规则应该优先解析新入栈的文件，所以需要通过指针维护入口文件当前读到的行号，以保证下次回到入口文件时，可以继续向下解析。
优化技巧
依赖分析的过程中，存在大量重复的操作，可以通过很多小技巧来优化这个过程。本文将介绍两个比较典型的小技巧。
倒排索引
依赖分析中最常见的操作在一堆备选目录中，找到对应名称的文件。
假设我们需要找到#import <A/A.h>语句中提到的A.h文件。命令行中有10个-I参数，分别指向10个不同的目录-Ifoo, -Ibar, ...，最朴素的方法是依次遍历这10个目录，拼接路径，尝试找到A.h文件。
这种方法当然可行，但是效率较低。对于大型项目，仅一条编译命令就可能涉及超过5000条#import语句，和超过50个头文件搜索路径。这意味着至少5000*50=25万次文件系统查找，时间开销非常大。
建立倒排索引，可以大大加快这个过程。其思路是预先遍历待搜索目录(directory)，找到目录下的文件和子目录(统称entry)，然后建立entry指向directory的倒排索引, 如下图所示：
![image.png]()
回到上面的问题，当我们搜索#import <A/A.h>时，首先需要找到foo, bar, taz三个目录里，哪个含有A子目录，根据倒排索引，可以快速定位到bar目录，而不需要从头开始遍历。
值得注意的是，objc工程普遍采用HeaderMap技术(即Xcode自动生成的.hmap文件)，提升编译时查找头文件的效率。HeaderMap本质上也是一种索引表，它建立了 Directive -> Path 的直接映射关系。我们在建倒排索引的时候，需要解析.hmap中的内容，并合并到倒排索引中。
跨任务缓存(针对iOS项目的优化)
不同的编译任务，可能存在相同的依赖文件。例如foo.m和bar.m可能都依赖了common.h文件，编译foo.m的时候已经找到了common.h, 编译bar.m的时候，是否不需要再找一次了呢？
很遗憾，大多数情况需要重新查找，因为不同命令的查找条件往往不一样。影响查找条件的参数有很多，例如-I, -isystem 影响头文件搜索路径，-F 影响Framework搜索路径。
不过，iOS项目往往可以复用之前的查找结果。
iOS项目通常采用Xcode + CocoaPods的研发模式，针对同一个Pod内源文件的编译命令，头文件搜索路径基本是一致的。利用这个特性，我们提供了跨任务的缓存加速方案。
我们对搜索路径列表整体做了一层hash，当两个命令的搜索路径相同时，对同名Directive的搜索结果一定相同。方案如下所示：
- 在对单条命令进行依赖解析之前，先提取搜索路径的特征值。
![image.png]()
2. 寻找头文件时，先查询缓存，如果查不到，在找到头文件后，将结果缓存。
![image.png]()
举一个具体的例子：
编译任务1：clang`` -c ``foo.m`` -IFoo -IBar -FCar
编译任务2：clang`` -c ``bar.m`` -IFoo -IBar -FCar
foo.m 和 bar.m 均包含行：#import common.h
假设编译任务1先执行，我们的做法应该是：
- 提取搜索目录列表为：
-IFoo -IBar -FCar
- 使用SHA-256算法计算摘要，对应的搜索摘要为：598cf1e...(仅展示前8位)
- 进行依赖分析，读到
foo.m依赖common.h的部分，遍历搜索目录，找到common.h的位置，假设在目录Bar下面。
- 写缓存，缓存用哈希表实现，key为
<598cf1e..., common.h>，value为Bar
- 执行编译任务2，再次遇到寻找
common.h的请求。
- 直接从缓存中查到
common.h在Bar目录下
索引缓存(针对iOS项目的优化)
建索引可以减少遍历目录寻找头文件的次数，是非常有效的优化方案。但是当头文件搜索目录过多，或者hmap过大时，建索引本身也需要几十毫秒的时间，对于性能要求十分严苛的依赖解析来说，这个时间还是略长。
所以我们想到，对索引本身是否可以做缓存呢？
按照跨任务缓存的思路，索引本身也是可以缓存的，只要两个任务的头文件搜索路径，以及hmap中的索引内容都一直，它们就可以共用一套索引。
具体的方案和跨任务缓存类似，本文就不详细展开了。通过对索引的缓存，我们将依赖分析的速度又提升了20毫秒左右。
总结
分布式编译和编译缓存是提升大型项目编译效率的两大法宝。本文主要介绍了字节跳动的分布式编译解决方案。
该方案核心部分采用了开源框架goma的代码，并在此基础上，针对iOS项目的特性，做了一定的优化。
分布式编译的核心思想是空间换时间，引入额外的机器，提升单次编译的CPU数量。分布式编译的效果，取决于中心节点分发任务的速度，任务的分发又取决于依赖的解析效率。
传统方案利用编译器的预处理来解析依赖，方法可行，但由于每次解析都要单独fork进程，数据难以复用，存在性能瓶颈。我们采用了开源框架goma的代码，并在此基础上，针对iOS项目的特性，做了一定的优化。
本文介绍了依赖解析的四种技巧，分别从消除噪音，索引，缓存三个角度进行了优化。编译优化的道路，任重而道远。感谢goma团队，提供了许多优秀的设计思路和技巧，我们也会在此方向持续研究，尽可能的把思路分享给大家。
# 关于字节终端技术团队
字节跳动终端技术团队(Client Infrastructure)是大前端基础技术的全球化研发团队（分别在北京、上海、杭州、深圳、广州、新加坡和美国山景城设有研发团队），负责整个字节跳动的大前端基础设施建设，提升公司全产品线的性能、稳定性和工程效率；支持的产品包括但不限于抖音、今日头条、西瓜视频、飞书、番茄小说等，在移动端、Web、Desktop等各终端都有深入研究。
就是现在！客户端／前端／服务端／端智能算法／测试开发 面向全球范围招聘！一起来用技术改变世界，感兴趣请联系bits-dev-better@bytedance.com。邮件主题：简历-姓名-求职意向-期望城市-电话。
MARS- TALK 04 期来啦！
2月24日晚 MARS TALK 直播间，我们邀请了火山引擎 APMPlus 和美篇的研发工程师，在线为大家分享「APMPlus 基于 Hprof 文件的 Java OOM 归因方案」及「美篇基于MARS-APMPlus 性能监控工具的优化实践」等技术干货。现在报名加入活动群 还有机会获得最新版VR一体机——Pico Neo3哦！
⏰ 直播时间：2月24日（周四） 20:00-21:30
💡 活动形式：线上直播
🙋 报名方式：扫码进群报名
![]()
作为开年首期MARS TALK，本次我们为大家准备了丰厚的奖品。除了Pico Neo3之外，还有罗技M720蓝牙鼠标、筋膜枪及字节周边礼品等你来拿。千万不要错过哟！
![]()
👉 点击这里，了解APMPlus
