程序编译为何失败?

简介:

完美的程序不会是一次就写成功的,都要经过反复编译、调试、修改。调试过程可能会花费大量的时间,如果了解了常见编译错误发生的原因,这有助于节省时间,提高开发效率。

Google、香港科技大学和内布拉斯加大学的研究人员分析了1.8万Google工程师在2012年11月到2013年7月之间的超过2600万次编译,分析出了编译失败的常见原因、修复所花费的时间等。

下图显示了这些数据收集的过程。

image

1. 编译失败率与编译次数、开发者经验无关

研究人员推测,编译次数越多,出错的几率也就越大。但是实际数据显示,这两者之间没有相关性。

研究人员还推测,有经验的开发者出错率会比较低,但事实也并非如此。

2. 绝大多数编译失败与依赖有关

image

大约65%的Java编译错误被认为跟依赖有关,比如编译器无法找到一个符号(这是最常见编译错误,占所有编译错误的43%),或者是包不存在。

在C++编译中,大约53%的编译错误跟依赖相关,最常见的错误是使用了未声明的标识符和不存在的类变量。

3. C++代码编译更容易出错

下图是编译错误率(x轴)对应的开发者人数(y轴)。

image

研究发现,C++代码的构建失败率为38.4%,而Java为28.5%。此外,在C++编译中发生语法错误比Java更频繁,但是C++编译错误会得到更快的解决。

研究人员认为,造成这种差异的原因是Java开发一般使用IDE,这有助于减少一些简单的语法错误,但IDE生成的代码在一定程度上也增加了解决编译错误的难度。

相关文章
|
Ubuntu Unix Linux
Linux系统之rename命令的基本使用
Linux系统之rename命令的基本使用
659 41
|
机器学习/深度学习 存储 自然语言处理
简单聊一聊大模型微调技术-LoRA
LoRA(Low-Rank Adaptation)是一种用于减少大模型微调中参数数量和计算资源的技术。通过引入低秩分解,LoRA 仅更新少量参数,从而显著降低显存消耗和计算需求。适用于大规模预训练模型的微调、跨领域迁移学习、低资源设备部署和多任务学习等场景。例如,在微调 BERT 模型时,LoRA 可以仅调整约 0.1% 的参数,保持与全量微调相近的性能。
2609 0
|
3月前
|
监控 Linux 测试技术
C++零拷贝网络编程实战:从理论到生产环境的性能优化之路
🌟 蒋星熠Jaxonic,技术宇宙中的星际旅人。深耕C++与零拷贝网络编程,从sendfile到DPDK,实战优化服务器性能,毫秒级响应、CPU降60%。分享架构思维,共探代码星辰大海!
|
9月前
|
BI Windows
目前企业用得比较多的AD域管理工具是什么?
随着互联网发展,传统工作习惯已无法满足高效需求。企业AD域管理中,人工处理方式效率低下,而AD域管理工具成为优选。ManageEngine卓豪ADManager Plus是一款广受青睐的AD域管理软件,具备高效事件处理能力、强大的报表生成功能及批量用户管理等优势。
247 1
|
编译器 Linux 开发者
.so文件反编译
【6月更文挑战第22天】.so文件反编译
986 56
|
人工智能 安全 图形学
【AI落地应用实战】篡改检测技术前沿探索——从基于检测分割到大模型
在数字化洪流席卷全球的当下,视觉内容已成为信息交流与传播的核心媒介,然而,随着PS技术和AIGC技术的飞速发展,图像篡改给视觉内容安全带来了前所未有的挑战。 本文将探讨篡改检测技术的现实挑战,分享篡改检测技术前沿和最新应用成果。
SDL基础使用04(SDL_image与SDL_mixer扩展库)
本文介绍了如何使用SDL_image和SDL_mixer扩展库在SDL项目中加载和显示图片以及播放音频文件。
711 1
|
监控 数据可视化 搜索推荐
淘宝 API 接口的实际应用案例
淘宝API接口在电商领域扮演着重要角色,支持多种应用场景。一是助力电商数据分析公司获取商品详情,分析市场趋势、竞品及提出产品改进建议。二是支持商品比价网站收集价格信息,帮助消费者高效比价。三是赋能营销工具开发商实现自动化营销,提升客户转化率。四是协助跨境电商平台引进热门商品并进行本地化处理。最后,支持数据可视化工具展示销售趋势,辅助商家决策。
|
运维 安全 测试技术
【答案】2023年国赛信息安全管理与评估正式赛答案-模块3 CTF
【答案】2023年国赛信息安全管理与评估正式赛答案-模块3 CTF
【答案】2023年国赛信息安全管理与评估正式赛答案-模块3 CTF
|
机器学习/深度学习 自然语言处理 开发者
Python中实现简单文本分类器
【8月更文挑战第31天】本文将通过一个简明的教程,展示如何在Python环境下利用scikit-learn库构建一个简单的文本分类器。我们将从数据准备开始,逐步介绍文本预处理、特征提取、模型训练及评估过程,并附上代码示例。无论你是机器学习新手还是希望巩固知识的开发者,这篇文章都将提供有价值的实践指导。