Wie Raw-String-Literale in C# dekompilieren
Ein Raw-String-Literal, eine Verbatim-Zeichenkette und eine gewöhnliche Zeichenkette kompilieren alle zu ein und demselben ldstr in den #US-Heap. Hier sind die IL, die Benutzer-String-Bytes dahinter und wie Glass.NET entscheidet, welche Anführungsform es rekonstruiert.
Raw-String-Literale – die mit C# 11 eingeführte """..."""-Form – sehen so aus, als müssten sie irgendeine Spur in der kompilierten Assembly hinterlassen. Man kann JSON, SQL, einen regulären Ausdruck oder einen Dateipfad ganz ohne Escaping einfügen, die Einrückung wird einem abgenommen und die Zeilenumbrüche bleiben erhalten. Etwas so Raffiniertes muss doch in den Metadaten festgehalten werden, oder?
Nein. Ein Raw-String-Literal, eine altmodische Verbatim-Zeichenkette @"..." und eine gewöhnliche Zeichenkette "..." mit Escapes kompilieren alle zu exakt demselben: einer einzigen ldstr-Anweisung, die auf einen Eintrag im #US-Heap (Benutzer-Strings) zeigt. Die Dreifach-Anführungszeichen-Syntax, die Einrückungsregeln, die Behandlung der Zeilenumbrüche – all das läuft zur Kompilierzeit ab und erzeugt eine ganz gewöhnliche string-Konstante. Wenn die Bytes auf der Platte landen, ist nichts „Rohes“ mehr zu finden. Das macht Raw-String-Literale zu einer perfekten Linse für zwei Fragen, die ein Dekompiler beantworten muss: Wo leben String-Konstanten eigentlich? und Wenn die Quellform gelöscht wurde, welche Form soll man rekonstruieren? Dieser Artikel geht beide mit Glass.NET durch.
Wie der Quellcode aussieht
Hier ist eine Methode, die einen kleinen Textblock zurückgibt, der als gewöhnliche Zeichenkette eine Qual zu schreiben wäre: Er enthält einfache Anführungszeichen, doppelte Anführungszeichen, einen Backslash und Zeilenumbrüche:
static class Report
{
public static string Banner() => """
It's "ready".
Path: C:\tmp
""";
}
Zur Kompilierzeit passieren drei Dinge, und alle drei sind rein lexikalisch. Der Zeilenumbruch unmittelbar nach dem öffnenden """ wird entfernt, ebenso der Zeilenumbruch vor dem schließenden """. Der Leerraum links vom schließenden Begrenzer legt die gemeinsame Einrückung fest, die aus jeder Inhaltszeile entfernt wird – hier acht Leerzeichen, sodass der Inhalt bis zum linken Rand ausgerückt wird. Und innerhalb des Literals gibt es keinerlei Escape-Verarbeitung: Der Backslash in C:\tmp ist ein wörtlicher Backslash, und die Anführungszeichen sind wörtliche Anführungszeichen. Übrig bleibt ein einziger Zeichenkettenwert:
It's "ready".
Path: C:\tmp
Dieser Wert – eine string mit 25 Zeichen einschließlich eines eingebetteten \n – ist das Einzige, was der Compiler weiterträgt. Die """-Begrenzer haben ihre Aufgabe erfüllt und sind verschwunden.
In der IL gibt es nichts „Rohes“
Öffnet man die Methode in der IL-Ansicht von Glass, kollabiert das gesamte Feature zu einer einzigen Anweisung:
.method public hidebysig static string Banner () cil managed
{
.maxstack 8
IL_0000: ldstr "It's \"ready\".\nPath: C:\\tmp"
IL_0001: ret
}
ldstr lädt eine String-Konstante. Der Disassembler gibt sie mit Escapes im C-Stil aus – \", \n, \\ –, weil ein tokenisiertes Listing einen Wert so darstellt, aber diese Escapes sind die Darstellung des Disassemblers, nicht etwas, das in der Datei gespeichert ist. Schreibt man denselben identischen Text auf drei verschiedene Arten im Quellcode:
"It's \"ready\".\nPath: C:\\tmp" // plain, escaped
@"It's ""ready"".
Path: C:\tmp" // verbatim
"""
It's "ready".
Path: C:\tmp
""" // raw
…dann kompilieren alle drei zum gleichen ldstr, das auf den gleichen Heap-Eintrag zeigt. Die Wahl zwischen ihnen ist eine Lesbarkeitsentscheidung auf Quellcodeebene, die der Compiler auflöst und verwirft. Das ist die zentrale Tatsache für die Dekompilierung: Der Anführungsstil ist keine Metadate. Er lässt sich nicht wiederherstellen, nur neu wählen.
Wo die Zeichenkette wirklich lebt: der #US-Heap
Der Operand von ldstr ist ein Metadaten-Token, dessen höchstwertiges Byte 0x70 ist. Diese Tabellen-ID bedeutet Benutzer-String-Heap, und die drei niederwertigen Bytes sind ein Byte-Offset in den #US-Stream – einen der benannten Heaps der verwalteten Metadaten, neben #Strings (Bezeichner), #Blob (Signaturen und Konstanten) und #GUID. IL_0000: ldstr kodiert also in Wirklichkeit etwas wie ldstr 0x70000001, und 0x000001 ist die Stelle in #US, an der die Zeichen beginnen.
Der #US-Heap speichert jede Zeichenkette in einer kompakten, selbstbeschreibenden Form, die ECMA-335 definiert: ein komprimiertes Längenpräfix, dann die Zeichen als UTF-16 (Little-Endian, je zwei Bytes), dann ein einzelnes abschließendes Flag-Byte. Das Längenpräfix zählt die folgenden Bytes, also 2 × Zeichenanzahl + 1 – das +1 ist jenes abschließende Flag. Nimm eine winzige zweistellige Zeichenkette, A' (ein A und ein Apostroph), um jedes Byte zu sehen:
Die Bytes sind 05 41 00 27 00 01. Das führende 05 ist die komprimierte Länge: Es folgen fünf Bytes. 41 00 ist A in UTF-16LE, 27 00 ist der Apostroph. Das abschließende 01 ist das Flag: Die Runtime setzt es auf 1, wenn ein Zeichen außerhalb einer „einfachen“ Menge liegt – jedes Zeichen mit einem von null verschiedenen höherwertigen Byte oder eines einer Handvoll spezieller Codepunkte, darunter 0x27 (der Apostroph) und 0x2D (der Bindestrich). Unser Apostroph löst es aus, also ist das Flag 01. Eine reine ASCII-Zeichenkette wie "ready" trüge stattdessen ein 00-Flag. Die tatsächliche Banner-Zeichenkette folgt demselben Schema – komprimierte Länge, UTF-16-Zeichen einschließlich des Zeilenumbruchs 0x000A und ein 01-Flag wegen desselben Apostrophs –, nur länger.
Aus diesem Aufbau ergeben sich zwei Konsequenzen. Erstens: Zeichenketten in #US werden nach Wert dedupliziert, sodass derselbe wörtliche Text in zwei Methoden, in zwei verschiedenen Anführungsstilen geschrieben, zwei ldstr-Token ergibt, die auf einen einzigen Heap-Eintrag zeigen. Zweitens, und darum geht es hier: Der Heap bewahrt die Zeichen und nichts über die Syntax. Es gibt kein Bit, das sagt: „Das war ein Raw-String-Literal.“
Was Glass rekonstruiert – und wie es die Anführungsform wählt
Weil die Syntax verschwunden ist, stellt Glass kein Raw-String-Literal wieder her; es wählt eines neu. Es liest die Konstante aus dem Heap zurück und fragt, welche C#-Anführungsform genau diese Zeichen am lesbarsten darstellt. Die Logik folgt einer klaren Reihenfolge:
- Keine Zeilenumbrüche und keine unbequemen Zeichen → ein einfaches
"..."-Literal. - Backslashes, aber keine eingebetteten doppelten Anführungszeichen und keine Zeilenumbrüche → eine Verbatim-Zeichenkette
@"...", die das Verdoppeln jedes Backslashs vermeidet. - Eingebettete Zeilenumbrüche zusammen mit Anführungszeichen oder Backslashes → ein Raw-String-Literal, das keines von beiden escapen muss und die Zeilenstruktur direkt zeigt.
Unsere Banner-Zeichenkette trifft den letzten Fall – sie hat einen Zeilenumbruch, beide Arten von Anführungszeichen und einen Backslash –, also rekonstruiert Glass sie als die rohe Form, wählt einen Begrenzer von mindestens drei Anführungszeichen Länge (und länger, falls der Inhalt selbst eine Folge von """ enthielte) und rückt den Rumpf dann unter einem schließenden Begrenzer neu ein:
static class Report
{
public static string Banner() => """
It's "ready".
Path: C:\tmp
""";
}
Das ist derselbe Text, mit dem Sie angefangen haben, aber es lohnt sich, genau zu sein, was geschehen ist: Glass hat """ nicht aus der Datei gelesen, denn """ war nie in der Datei. Es hat die lesbarste Syntax rekonstruiert, die die gefundenen Bytes erzeugt. Schickt man diesen rekonstruierten Quellcode erneut durch den Compiler, erhält man ein byte-identisches ldstr in einen byte-identischen #US-Eintrag. Der Hin- und Rückweg ist auf der Ebene exakt, auf die es ankommt – dem Wert –, auch wenn die Oberflächensyntax eine neue, unabhängige Wahl ist.
Lesen Sie es selbst
Sie können jede Stufe davon in Glass von der Kommandozeile aus beobachten:
glass decompile Report.dll --type Report --member Banner
glass decompile Report.dll --type Report --member Banner --il
Der erste Befehl zeigt das rekonstruierte Raw-String-Literal; der zweite zeigt das einzelne ldstr dahinter. Öffnen Sie dann die Assembly in der Glass-Oberfläche, wechseln Sie zur Metadaten-Navigation und inspizieren Sie den #US-Heap direkt, um die längenpräfixierten UTF-16-Bytes und das abschließende Flag selbst zu sehen – der Apostroph, der dieses letzte Byte auf 01 kippt, ist die Art von Detail, die man erst glaubt, wenn man die rohen Bytes gesehen hat.
Glass.NET ist ein kostenloser .NET-Dekompiler zum Inspizieren von Assemblys, die Sie inspizieren dürfen – Ihre eigenen Builds, Ihre Abhängigkeiten und Drittanbieter-Binärdateien, die Sie analysieren dürfen. Raw-String-Literale sind eine kleine Erinnerung an eine große Wahrheit über die Dekompilierung: Ein Dekompiler rekonstruiert Bedeutung, nicht Tastenanschläge, und das Beste, was er tun kann – worauf Glass abzielt –, ist, den klarsten Quellcode zu rekonstruieren, der sich exakt zu dem zurückkompiliert, was er gelesen hat.
Nebula.NET testen
Härten Sie Ihren .NET-Code in wenigen Minuten — starten Sie mit der kostenlosen Edition.