本文发表于 3653 天前,其中的信息可能已经事过境迁
文章摘要

  Lua 5.3 已经发布好长时间了,可是因为 Lua For Windows 的 Lua 版本无法和官方保持一致,所以想尝试下编译 Lua 5.3 的源代码,因为作为一名合格的程序员,是应该要懂得编译原理的相关内容的啊(可是我真的没有学过编译原理啊!…..)。好了,那么今天博主将在文章中和大家分享自己编译 Lua 5.3的过程,希望能够对大家学习和使用 Lua 有些帮助吧!

  我们知道 Lua 由三部分组成,即

  • Lua 链接库
  • Lua 解释器
  • Lua 编译器

  因此,对于 Lua 源代码的编译主要就是编译 Lua 链接库、 Lua 解释器 和 Lua 编译器

编译 Lua 链接库

  • 使用 Visual Studio 创建一个 VC++ 项目,项目命名为 Lua53,项目类型为静态库、不设置预编译头。
  • 删除 Visual Studio 自动创建的 .cpp 文件及其对应的.h文件。
  • 将下载的 Lua 代码解压,将 src 目录下的全部文件拷贝到项目中,然后删除 lua.c、luac.c 和 lua.hpp 这三个文件。
  • 编译项目会得到一个 Lua53.lib 的文件,这就是我们编译得到的 Lua 链接库。

编译 Lua 解释器

  我们知道 Lua 解释器是一个可以直接运行Lua代码的可执行文件,因此

  • 在同一个解决方案下继续创建 VC++ 项目,项目命名为 Lua,项目类型为控制台应用程序、需设置预编译头。
  • 删除 Visual Studio 自动创建的 .cpp 文件及其对应的 .h 文件。
  • 将下载的 Lua 代码解压,将 src 目录下的全部文件拷贝到项目中,然后删除 luac.c 这个文件。
  • 设置当前项目依赖于 Lua53 项目
  • 编译项目会得到一个 Lua.exe 文件,这就是我们编译得到的 Lua 解释器。

  运行该程序,我们可以看到下面的结果:

Lua解释器程序 Lua解释器程序

  好了,现在我们来写一个简单的 Lua 程序:

io.write("Hello I get a powerful program language called Lua \n")
io.write(string.format("This Lua is %s and now is %s \n",_VERSION,os.date()))

  程序运行结果为:

Hello I get a powerful program language called Lua This Lua is Lua5.3 and now is 04/16/15 16:06:43

编译 Lua 编译器

  和Lua类似地,

  • 在同一个解决方案下继续创建 VC++ 项目,项目命名为 Lua,项目类型为控制台应用程序、需设置预编译头。
  • 删除 Visual Studio 自动创建的 .cpp 文件及其对应的 .h 文件。
  • 将下载的Lua代码解压,将 src 目录下的全部文件拷贝到项目中,然后删除 lua.c 这个文件。
  • 设置当前项目依赖于 Lua53 项目
  • 编译项目会得到一个 Luac.exe 文件,这就是我们编译得到的 Lua 解释器。

  使用 Lua 编译器需要在环境变量中增加对 Lua 编译器路径地引用,比如 Luac.exe 放在 D:\Program Files\Lua\build\ 这个目录下,就在 PATH 这个变量中增加:

D:\Program Files\Lua\build;

  因为每个人的 Lua 编译器存放的位置都不同,所以这个就不再赘述了。

  好了,今天的内容就是这样了。

链接

赞赏博主
相关推荐 随便逛逛
Semantic Kernel × MCP:智能体的上下文增强探索 本文深入探讨了 MCP(模型上下文协议),由 Anthropic 设计的开放协议,它如同 AI 领域的 USB 接口,旨在通过统一接口解决大模型连接不同数据源和工具的问题。文章详细介绍了 MCP 的架构、核心角色、工作原理以及如何与 Semantic Kernel 集成,为 .NET 开发者提供高效接入社区 MCP 服务器的方法,减少重复性平台对接工作。此外,还展示了 MCP 在操作浏览器、访问文件系统等场景中的应用效果,并探讨了其局限性及未来发展方向。在 AI 技术快速发展的背景下,MCP 的出现为实现 AI 模型的 “万物互联” 提供了可能,值得开发者关注与探索。
基于 K-Means 聚类分析实现人脸照片的快速分类 本文介绍了使用 K-Means 聚类算法对人脸照片进行自动分类的方法,解决了 “脸盲症” 问题。通过 Dlib 提取人脸特征向量,并利用 Scikit-Learn 的 K-Means 聚类分析,能够快速将大量人脸照片按人物进行分类。文章详细讲解了 K-Means 算法的原理、K 值确定方法,以及如何使用 PCA 降维和 Matplotlib 可视化聚类结果。该技术方案帮助用户高效地整理和管理照片,避免了人工分类的繁琐过程。尽管 K-Means 算法简单高效,但其对簇数和初始中心的选择较为敏感,可能不适用于噪声数据和非凸形簇,建议在实际应用中结合 DBSCAN 等算法以提高聚类效果。
评论 隐私政策