VC-LTL:优雅地编译更轻量级的二进制文件
项目介绍
VC-LTL 是一个基于微软 Visual C++ 运行时库(MS VCRT)的开源 CRT 库,旨在减少程序的二进制文件大小,并摆脱对微软运行时 DLL 的依赖,如 msvcr120.dll、api-ms-win-crt-time-l1-1-0.dll 等。VC-LTL 最初是为 Dism++ 项目开发的专用运行时库,于 2017 年 3 月 6 日从 Dism++ 源代码中分离并开源。
在大型项目中,如果所有二进制文件都使用静态编译,会占用大量磁盘空间,并可能导致由于纤程本地存储(FLS)限制而崩溃。VC-LTL 通过使项目使用 Windows 内置的 msvcrt.dll,有效解决了 C 运行时部署问题和 FLS 限制问题,并显著减少了二进制文件的大小。
VC-LTL 完全免费,可用于商业用途。如果你在项目中使用了 VC-LTL,希望你能提及它,以便帮助更多人。
项目技术分析
工作原理
使用 VC-LTL 后,二进制文件将动态链接到 Windows 内置的 msvcrt.dll,从而减少二进制文件的大小。通常情况下,使用 VC-LTL 的项目可以正常使用 C 运行时和 STL。然而,VC-LTL 不支持 MFC 项目,因为支持 MFC 项目过于复杂。
使用 VC-LTL 后,C++ 源代码编译的二进制文件大小将减少约 30%,而纯 C 源代码编译的二进制文件大小将减少约 50%。
技术亮点
- 优雅的引用方式:只需添加一个属性表,即可享受极致的体积体验。
- 无缝使用最新 C/C++ 库:支持最新编译器和最新规范,如异常流防护(guard:cf)、静态对象线程安全初始化(threadSafeInit)等。
- 更好的兼容性:即使想兼容 Windows XP RTM,也可以安心使用新编译器。
- 完全开放代码:广泛接受用户意见,欢迎大家踊跃提交 PR,为 VC-LTL 添砖加瓦。
项目及技术应用场景
应用场景
VC-LTL 适用于需要减少二进制文件大小、简化运行时依赖的项目。特别适合以下场景:
- 大型项目:减少静态编译带来的磁盘空间占用和 FLS 限制问题。
- 嵌入式系统:减少对额外运行时 DLL 的依赖,简化部署。
- 性能敏感的应用:减少二进制文件大小,提高加载速度。
支持的开发工具和平台
- 开发工具:支持 Visual Studio 2015 及以上版本,包括 Clang with Microsoft CodeGen、Clang-LLVM 等。
- 构建工具:支持 Visual Studio、CMake、NMake、CL、QMake 等。
- 操作系统:支持 Windows XP 及以上版本,包括 Windows Server 2003 到 Windows Server 2019。
项目特点
主要特点
- 减少二进制文件大小:通过动态链接
msvcrt.dll,显著减少二进制文件大小。 - 简化运行时依赖:摆脱对微软运行时 DLL 的依赖,简化部署。
- 高兼容性:支持 Windows XP 及以上版本,即使在未安装补丁的环境中也能正常运行。
- 易于集成:通过 NuGet 或属性表轻松集成到现有项目中。
使用方法
VC-LTL 提供了多种集成方式,包括:
- Visual Studio:通过 NuGet 包管理器或属性表集成。
- CMake:通过
VC-LTL helper for cmake.cmake集成。 - NMake/CL:通过
VC-LTL helper for nmake.cmd集成。
常见问题
- 未共享到
msvcrt.dll:确保正确引用 VC-LTL,并检查生成日志。 - 无法解析外部符号
delete等:确保正确引入vc.lib和msvcrt_Platform.lib。 - 检测到
RuntimeLibrary的不匹配项:确保所有静态库都使用 VC-LTL 重新编译。
总结
VC-LTL 是一个强大且易于集成的开源 CRT 库,能够显著减少二进制文件大小,简化运行时依赖,并提供高兼容性。无论你是开发大型项目、嵌入式系统,还是性能敏感的应用,VC-LTL 都能为你带来显著的优化效果。立即尝试 VC-LTL,体验更轻量级的二进制文件编译吧!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01