单目录下多文件 makefile编写

简介: makefile很久就接触过了,但是一直没怎么深入的去学习和总结;在项目中我也只是看看makefile或者修改部分语句,全部自己动手写的话还真没有;知识在于沉淀,这句说的非常好,所以现在把自己理解的东西,记录下来,以便后面查阅;         这篇blog要分享的是在单目录下多文件的makefile编写,首先说明当前目录下有多少文件:fun.

 makefile很久就接触过了,但是一直没怎么深入的去学习和总结;在项目中我也只是看看makefile或者修改部分语句,全部自己动手写的话还真没有;知识在于沉淀,这句说的非常好,所以现在把自己理解的东西,记录下来,以便后面查阅;

        这篇blog要分享的是在单目录下多文件的makefile编写,首先说明当前目录下有多少文件:fun.h   fun.c  main.c  makefile;其中*.c 文件都要依赖 *.h文件;

        首先常规编译:

        预处理期:gcc  -E  -o fun.i  fun.c   

        编译阶段:gcc  -S  -o fun.s fun.i   

        汇编阶段: gcc  -c  -o fun.o fun.s   

        链接阶段:gcc   -o main  fun.o  main.o

       这就是gcc的各个编译阶段(头文件在当前目录下,会直接搜索到),下面用makefile来编译下;

第一版的makefile:

 

[cpp]  view plain copy
 
  1. CC = gcc   
  2. CFLAGS = -g -Wall  
  3. objects = main.o fun.o  
  4.   
  5. main:main.o fun.o   
  6.     $(CC) -o main main.o fun.o  
  7.   
  8. main.o:main.c  
  9.     $(CC) $(CFLAGS) -c main.c -o main.o  
  10.   
  11. fun.o:fun.c   
  12.     $(CC)  $(CFLAGS) -c fun.c -o fun.o  
  13.   
  14. clean:  
  15.     rm -rf $(objects) main  

 

        上面第一版就是根据gcc命令行凑成的,第二版将会使用makefile的自动推导功能;

        比如:fun.o:fun.c

$(CC)  $(CFLAGS) -c fun.c -o fun.o

        当已知目的文件为 fun.o时,makefile会自动推导出依赖文件为fun.c并且编译规则也会自动推导,所以只需要注明依赖的头文件就可以;可以利用makefile自动推导特点简化为:fun.o:fun.h就可以了;

第二版makefile

 

[cpp]  view plain copy
 
  1. CC = gcc   
  2. CFLAGS = -g -Wall  
  3. objects = main.o fun.o  
  4.   
  5. main:$(objects)  
  6.     $(CC) -o main $(objects)  
  7.   
  8. main.o:fun.h  
  9.   
  10. fun.o:fun.h  
  11.   
  12. clean:  
  13.     rm -rf $(objects) main  

 

 

        其实上面的makefile已经写的非常简洁了,如果还需要简单的话可以再简化些:

 

[cpp]  view plain copy
 
  1. CC = gcc   
  2. CFLAGS = -g -Wall  
  3. objects = main.o fun.o  
  4.   
  5. main:$(objects)  
  6.   
  7. #$(objects):fun.h  //可以有,也可以没有  
  8.   
  9. PHONY:clean  
  10. clean:  
  11.     rm -rf $(objects) main  

        其中.PHONY是用来说明后面的名称不是一个文件,主要用来区分同名文件(如果有一个文件名为clean文件,那么clean:下的规则就会无效);

 

        转载请注明作者和原文出处,原文地址:http://blog.csdn.net/yuzhihui_no1/article/details/44808441

 

        若有不正确之处,望大家指正,共同学习!谢谢!!!

目录
相关文章
|
1天前
|
弹性计算 关系型数据库 微服务
基于 Docker 与 Kubernetes(K3s)的微服务:阿里云生产环境扩容实践
在微服务架构中,如何实现“稳定扩容”与“成本可控”是企业面临的核心挑战。本文结合 Python FastAPI 微服务实战,详解如何基于阿里云基础设施,利用 Docker 封装服务、K3s 实现容器编排,构建生产级微服务架构。内容涵盖容器构建、集群部署、自动扩缩容、可观测性等关键环节,适配阿里云资源特性与服务生态,助力企业打造低成本、高可靠、易扩展的微服务解决方案。
1063 0
|
10天前
|
人工智能 运维 安全
|
1天前
|
弹性计算 Kubernetes jenkins
如何在 ECS/EKS 集群中有效使用 Jenkins
本文探讨了如何将 Jenkins 与 AWS ECS 和 EKS 集群集成,以构建高效、灵活且具备自动扩缩容能力的 CI/CD 流水线,提升软件交付效率并优化资源成本。
245 0
|
8天前
|
人工智能 异构计算
敬请锁定《C位面对面》,洞察通用计算如何在AI时代持续赋能企业创新,助力业务发展!
敬请锁定《C位面对面》,洞察通用计算如何在AI时代持续赋能企业创新,助力业务发展!
|
9天前
|
人工智能 测试技术 API
智能体(AI Agent)搭建全攻略:从概念到实践的终极指南
在人工智能浪潮中,智能体(AI Agent)正成为变革性技术。它们具备自主决策、环境感知、任务执行等能力,广泛应用于日常任务与商业流程。本文详解智能体概念、架构及七步搭建指南,助你打造专属智能体,迎接智能自动化新时代。
|
9天前
|
机器学习/深度学习 人工智能 自然语言处理
B站开源IndexTTS2,用极致表现力颠覆听觉体验
在语音合成技术不断演进的背景下,早期版本的IndexTTS虽然在多场景应用中展现出良好的表现,但在情感表达的细腻度与时长控制的精准性方面仍存在提升空间。为了解决这些问题,并进一步推动零样本语音合成在实际场景中的落地能力,B站语音团队对模型架构与训练策略进行了深度优化,推出了全新一代语音合成模型——IndexTTS2 。
738 23