512 बाइट में बना C compiler SectorC

 (xorvoid.com)
2 पॉइंट द्वारा GN⁺ 2026-02-08 | 1 टिप्पणियां | WhatsApp पर शेयर करें
  • x86-16 assembly में लिखा गया SectorC एक अति-लघु C compiler है जो x86 मशीन के boot sector (512 bytes) के भीतर समा जाता है, और C language के एक subset को इस स्तर तक सपोर्ट करता है कि उससे वास्तव में चलने वाले प्रोग्राम लिखे जा सकते हैं
  • इसमें global variables, functions, if/while statements, operators, pointer dereference, comments, inline assembly आदि शामिल हैं, इसलिए न्यूनतम संरचना के साथ भी पूरा प्रोग्राम चलाया जा सकता है
  • tokenizer को सरल बनाने के लिए whitespace-based tokenization और atoi() hash का उपयोग करते हुए Barely C language डिज़ाइन की गई, जिसने मौजूदा C syntax को बनाए रखते हुए आकार को चरम स्तर तक घटा दिया
  • code optimization प्रक्रिया में jump removal, call fusion, 8-bit offset का उपयोग, stosw/lodsw का इस्तेमाल जैसी कई assembly-स्तर की compression techniques लागू की गईं, जिससे आकार 468 bytes से घटकर 303 bytes हो गया
  • नतीजतन, 512 bytes के भीतर tokenizer, parser, code generator, runtime सभी को समेटने वाला एक पूर्ण C compiler तैयार किया गया, जो software minimization का एक चरम उदाहरण दिखाता है

SectorC का अवलोकन

  • SectorC एक x86-16 assembly में लिखा गया C compiler है, जो पूरी तरह 512-byte boot sector के भीतर फिट हो जाता है
    • GitHub repository: xorvoid/sectorc
    • समर्थित भाषा C का ऐसा subset है जिसमें वास्तविक प्रोग्राम लिखे जा सकते हैं
  • समर्थित features में global variables, functions, control statements (if/while), कई operators, pointer dereference, inline assembly, comments शामिल हैं
  • उदाहरण के तौर पर VGA mode में sine-wave animation ड्रॉ करने वाला code दिया गया है

डिज़ाइन पृष्ठभूमि और approach

  • पारंपरिक C tokenizer इतना बड़ा होता है कि उसे 512 bytes में समाना लगभग असंभव है, इसलिए language structure को ही सरल बनाना पड़ा
  • Big Insight #1: Forth language की तरह spaces से अलग किए गए token structure को अपनाकर “Barely C” नाम की एक variant language डिज़ाइन की गई
    • उदाहरण: int(main)(){while(!done){ जैसे syntax को एक ही “mega token” की तरह प्रोसेस किया जाता है
    • फिर भी मौजूदा C compilers इसे वैध C code के रूप में पहचान सकते हैं
  • Big Insight #2: atoi() function को hash function की तरह इस्तेमाल कर tokens को numbers में बदला गया
    • integer literals, keywords, identifiers सभी को atoi() के परिणाम के रूप में संभाला जाता है
    • identifiers तक 64K array के index के जरिए पहुंचा जाता है

Barely C implementation

  • पहला implementation 468 bytes का था, जिसमें atoi-आधारित tokens के साथ recursive descent parser संरचना अपनाई गई
    • symbol table के बिना 64K segment तक hash values के जरिए सीधे पहुंच बनाई गई
    • code generation में OTCC शैली के अनुसार ax register को result storage के रूप में इस्तेमाल किया गया
  • बाद में byte-threaded code प्रयोग के जरिए Forth-जैसी संरचना आज़माई गई, लेकिन 512 bytes के भीतर यह उल्टा अधिक अप्रभावी साबित हुई और इसे छोड़ दिया गया

code minimization techniques

  • फिर सीधी संरचना पर लौटकर आकार 468 bytes → 303 bytes तक घटाया गया
    • jump removal (fall-through), tail-call, call fusion, stosw/lodsw का उपयोग, 8-bit jump offset बनाए रखना जैसी techniques इस्तेमाल की गईं
  • इससे 207 bytes की खाली जगह मिली, जिसमें अतिरिक्त features जोड़े गए

पूर्ण C feature विस्तार

  • अतिरिक्त 200 bytes के साथ पूर्ण C syntax support हासिल किया गया
    • nested if/while blocks, कई तरह के *binary operators (+, -, , &, |, ^, <<, >>, ==, !=, <, >, <=, >=)
    • function definitions और recursive calls, inline assembly (asm), single-line और multi-line comments का support
    • operator table (binary_oper_tbl) के जरिए हर operator को 4 bytes में परिभाषित किया गया, और 14 operators को 56 bytes में संभाला गया

grammar संरचना

  • पूरी grammar program, var_decl, func_decl, statement, expr आदि से बनी है
  • // और /* */ comments दोनों का support है
  • grammar definition का टेक्स्ट स्वयं 704 bytes का है, जो वास्तविक implementation से भी बड़ा है

inline assembly और runtime

  • asm syntax के जरिए x86-16 machine code को सीधे insert किया जा सकता है
    • I/O processing के लिए यह एक आवश्यक feature है
  • runtime (rt/) C में लिखी गई दो files से बना है
    • rt/lib.c: inline assembly-आधारित library routines
    • rt/_start.c: program entry point _start()

उदाहरण प्रोग्राम

  • examples/hello.c: टेक्स्ट को सीधे 0xB8000 memory में output करता है
  • examples/sinwave.c: VGA mode 0x13 में sine-wave animation दिखाता है
  • examples/twinkle.c: PC speaker पर “Twinkle Twinkle Little Star” बजाता है (sound warning सहित)

निष्कर्ष

  • SectorC एक अति-लघु C compiler है जिसने असंभव लगने वाले लक्ष्य को सच कर दिखाया,
    और यह software minimization तथा रचनात्मक language design का एक चरम उदाहरण पेश करता है
  • लेख का अंत मज़ाकिया “हमने क्या सीखा” विकल्पों के साथ होता है,
    जो असंभव को चुनौती देने की मानसिकता और software simplification के मूल्य को व्यंग्यात्मक ढंग से रेखांकित करता है

संबंधित पढ़ाई

1 टिप्पणियां

 
GN⁺ 2026-02-08
Hacker News प्रतिक्रियाएँ
  • अगर ऐसी implementation 1980 के दशक में मौजूद होती, तो शायद C standard में यह नियम बन गया होता कि अगर अलग-अलग token एक ही 16-bit value पर hash collision करें, तो undefined behavior (UB) होगा
    2000 के दशक के optimizing compilers शायद ऐसे token को बस no-op मानकर optimize कर देते 😉
    • “तुमने -wTokenHashCollision option चालू ही नहीं किया! तुम्हारी अज्ञानता की वजह से UB हुआ है. Spec बिल्कुल साफ है!” जैसी मज़ाकिया प्रतिक्रिया भी आई
    • यह इतना वास्तविक लगा कि हँसी छूट गई. LMAO
  • यह हाल ही में मेरे बनाए X86-16 boot sector C compiler जैसा लगता है
    boot sector game बनाना सच में nostalgia जगाने वाला जादुई अनुभव है. उन दिनों की याद आ जाती है जब programming सच में मज़ेदार लगती थी
    अफ़सोस है कि आज के AI दौर में ऐसे projects की बहुत कम क़द्र होती है
    मेरे project का link
    • हाँ, लेकिन पोस्ट में जो है वह पूरा C नहीं, बल्कि 512 bytes में समाने वाला C-जैसी भाषा का compiler है
      तुम्हारे project में शायद boot sector के लिए code generate करने का option है.
      दोनों दिलचस्प हैं, लेकिन समानता बस ‘boot sector’, ‘C’, और ‘compiler’ तक ही है
    • “जब programming सच में मज़ेदार थी” वाली बात से सहमत हूँ, लेकिन अब ज़्यादा लोग वही चीज़ें कर सकते हैं
      इसलिए कभी-कभी लगता है कि अब मैं ख़ास नहीं रहा
  • ऐसे projects याद दिलाते हैं कि modern development hardware से कितना दूर चला गया है
    हम abstraction पर abstraction चढ़ाते जा रहे हैं, यहाँ तक कि “Hello World” चलाने के लिए भी 200MB के node_modules चाहिए
    और दूसरी तरफ़ कोई 512 bytes में C compiler ठूँस देता है
    यह ज़रूरी नहीं कि सबको boot sector code लिखना चाहिए, लेकिन ऐसे projects पढ़ना सच में विनम्र बना देने वाला अनुभव है. इसका शैक्षिक मूल्य भी बहुत बड़ा है
  • शायद मैं इसी project का लेखक हूँ. इसे बनाना सच में बहुत मज़ेदार था!
    • कमाल है. मैं भी एक minimal C compiler बना रहा हूँ, लेकिन उसे boot sector में फिट करने के बजाय 8-bit systems को target कर रहा हूँ
      यह project अच्छी तरह दिखाता है कि C की मुख्य संरचना कितनी सरल है.
      यह भी रोचक है कि C, B language से विकसित हुई, और B खुद Fortran के एक संक्षिप्त रूप से निकली थी
    • सोचता हूँ कि if, while, for को साधारण goto routine में बदलने पर यह कितना और छोटा हो सकता है
      आख़िर assembly में अंततः jmp ही तो होता है.
      और “choose your own adventure” नहीं, “chose your own adventure” होना चाहिए :)
      मुझे minimalism बहुत पसंद है
    • यह compiler, या ‘barely-C’ का विचार, bootstrapping chain में भी काम आ सकता है
      यानी किसी बहुत छोटे platform-specific binary से शुरू करके धीरे-धीरे ज़्यादा जटिल tools और compilers बनाए जाएँ
      उदाहरण के लिए mishmashvm और tcc_bootstrap_alt projects देखे जा सकते हैं
  • यह एक खूबसूरत project है. बस शीर्षक में 2023 जल्दी जोड़ देना बेहतर होगा
    उस समय की चर्चा यहाँ हुई थी
    • धन्यवाद! macro expansion version के लिए इसे
      SectorC: A C Compiler in 512 bytes - link - मई 2023 (80 comments) जैसा व्यवस्थित किया जा सकता है
  • दिलचस्प है कि इसकी तुलना कल HN पर आए उस Claude-बने 100,000-line C compiler से की जाए, जो 2 हफ़्तों में 20,000 डॉलर में बना था
    • तुलना मज़ेदार है, लेकिन वह Linux kernel compile कर सकता है और कई architectures के लिए code generate कर सकता है
      जबकि यह project C का सिर्फ़ एक हिस्सा ही संभाल सकता है
      यानी यह पूर्ण C compiler से ज़्यादा C के subset के लिए compiler है.
      इस compiler से compile होने वाला code असली C compiler से भी compile हो जाएगा, लेकिन उल्टा सही नहीं है
  • token hashing का इस्तेमाल करके छद्म symbol table बनाने का तरीका बहुत elegant है
    • मैंने भी पहले एक test tool के parser में केवल symbol hash values से identifiers संभाले थे
      उम्मीद है कि मैंने इतने symbol इस्तेमाल नहीं किए होंगे कि 32-bit collision हो जाए
    • मैं भी यही सोच रहा था. hashing token trick बहुत शानदार है
      वैसे 0x01e0~0x01fd के बीच 21 bytes की खाली जगह बची हुई है. शायद उसमें कुछ और डाला जा सकता है ;)
  • “atoi() सामान्य text पर एक खराब hash function की तरह काम करता है” वाली बात दिलचस्प लगी
    लेकिन मेरी याद के अनुसार atoi() को invalid input पर 0 लौटाने के लिए define किया गया था
  • boot sector compiler में काफ़ी रुचि दिख रही है
    Linux पर चलाते समय qemu invocation में coreaudio की जगह alsa कर देना चाहिए
    इसके लिए मैंने GitHub पर एक pull request डाला है. अगर लेखक को मेरी verbose shell script style ठीक लगी, तो शायद merge हो जाए
  • यह सच में शानदार पोस्ट थी! इससे मुझे अपना पुराना boot sector OS याद आ गया
    अब शायद उसमें एक C compiler जोड़ने का समय आ गया है
    मेरे OS project का link