LEB128相關知識

LEB128相關知識

介紹

LEB128(little endian base 128)是一種變長的整數壓縮編碼形式，它是出自於DWARF debug file format。在Android的Dalvik Executable format中使用該編碼用於表示32位整數。由於32位整數佔用固定的4個字節，可能大多數整數並不需要4個字節，最高几個字節可能爲0（正數）或者爲1（負數），該編碼就是不保存最高位的這些字節。

原理

LEB128的表現形式都是一樣的，如下面表格所示，由於是little endian，因此是從低字節到高字節。每個字節中的最高bit是標識信息，1表示還有後續字節，0表示結束，後面7bits是有效數據。將多個字節的該7bits從低到高組合起來就是所表示的整數。
LEB128分成有符號數和無符號數兩種分別進行處理，不過，只是在編碼和解碼過程有些不同。

低地址	+1	+2	+3	+4
0 xxxxxxx
1 xxxxxxx	0 xxxxxxx
1 xxxxxxx	1 xxxxxxx	0 xxxxxxx
1 xxxxxxx	1 xxxxxxx	1 xxxxxxx	0 xxxxxxx
1 xxxxxxx	1 xxxxxxx	1 xxxxxxx	1 xxxxxxx	0 xxxxxxx

無符號整數

將無符號整數寫成二進制形式，從低位到高位7個bits爲一個整體組合成一個字節，在該字節最高位填入上述所說的標識信息。

下面以10000爲例，編碼過程：

二進制形式爲	10 0111 0001 0000
以7bits爲整體	1001110 0010000
添加標識組合成新的字節(從後往前，即低bits到高bits）	01001110(0x4E) 10010000(0x90) (最高位標識設置爲0，表示沒有後續字節)
LEB128 則爲	0x90 0x4F (小端存放)

解碼過程：

LEB128	0x90 0x4E
二進制形式	10010000 01001110
去掉標識信息	0010000（低7bits) 1001110（高7bits）
組合的結果爲	10011100010000 （10000）

編碼代碼爲：

    void EncodeULEB128(unsigned int value, unsigned char *leb128_buffer)
    {
        int pos = 0;
        while (value != 0) {
            leb128_buffer[pos++] = value & 0x7F | 0x80; //每個字節標識信息都設爲1
            value >>= 7;
        }
        if (pos > 0)
            leb128_buffer[pos-1] &= 0x7F;  //將最後一個字節的標識信息設爲0
    }

解碼代碼爲：

    void DecodeULEB128(unsigned char *leb128_buffer, unsigned int *value)
    {
        int pos = 0;
        int offset = 0;
        while (buffer[pos] != 0) {
            *value |= ( (buffer[pos] & 0x7F) << offset ); //從低到高將 bits 合併到一起
            offset += 7;
            if (buffer[pos] & 0x80 == 0)
                break;
            pos += 1; 
        }
    }

有符號數

有符號數分成了正數和負數，在計算機的存儲中都是以補碼存儲，正數和上述無符號數一樣的處理，負數的處理會有些區別，以-10000爲例說明，

編碼過程：

二進制補碼	11111111 11111111 11111100 00011000（可以看出最高兩字節都是符號擴展的1）
以7bits爲整體	1111 1111111 1111111 1111000 0011000
添加標識信息組合新的字節(從後往前，即低bits到高bits）	01111000 10011000（此處結束條件不像上面那麼明顯，若前面和該7bits的最高位都爲1時停止）
LEB128則爲	0x98 0x78

解碼過程：

LEB128	0x98 0x78
二進制形式	10011000 01111000
去掉標識信息	0011000 1111000 (若最後一個字節中7bits的最高位爲1，則前面需要符號擴展都添加1）
組合結果	11111111 11111111 1111100 00011000 (-10000)

編碼代碼爲：

    void EncodeLEB128(int value, unsigned char *buffer)
    {
        int pos = 0;
        int more = 1;
        while (more) {
            unsigned char byte = value & 0x7F;
            value >>= 7;
            if ( ((value == 0) && (byte & 0x40) == 0) ||  //正數
                ((value == -1) && (byte & 0x40) != 0) ) //負數
                more = 0;
            if (more != 0)
                byte != 0x80;
            buffer[pos++] = byte;
        }
    }

編碼代碼爲：

    void DecodeLEB128(unsigned char *buffer, int *value)
    {
        int pos = 0;
        int offset = 0;
        unsigned char byte = buffer[pos++];

        while (byte >= 0x80) {
            *value |= (byte & 0x7f) << offset;
            offset += 7;
            byte = buffer[pos++];
        }
        if (byte & 0x40)
            *value |= -(1 << offset);
    }

總結

LEB128的理解難點是在有符號數上，編碼結束條件不像無符號數那麼明顯（value等於0），分兩種情況：
1. 若爲正數，7bits中的最高位爲0 並且 value == 0結束，value ==0 表示高字節沒有數據，而7bits最高位爲0用於表示是正數，用於解碼；
2. 若爲負數，7bits中的最高位爲1 並且 value == -1結束， value == -1表示高字節都是符號擴展出來的1， 7bits最高位爲1用於表示是負數，在解碼時高位填充1。

參考

https://en.wikipedia.org/wiki/LEB128

http://llvm.org/docs/doxygen/html/LEB128_8h_source.html