网络编程
位置:首页>> 网络编程>> Go语言>> golang字符串本质与原理详解

golang字符串本质与原理详解

作者:?  发布时间:2024-04-28 09:16:19 

标签:golang,字符串,本质,原理

一、字符串的本质

1.字符串的定义

golang中的字符(character)串指的是所有8比特位字节字符串的集合,通常(非必须)是UTF-8 编码的文本。 字符串可以为空,但不能是nil。 字符串在编译时即确定了长度,值是不可变的。

// go/src/builtin/builtin.go
// string is the set of all strings of 8-bit bytes, conventionally but not
// necessarily representing UTF-8-encoded text. A string may be empty, but
// not nil. Values of string type are immutable.
type string string

字符串在本质上是一串字符数组,每个字符在存储时都对应了一个或多个整数,整数是多少取决于字符集的编码方式。

s := "golang"
for i := 0; i < len(s); i++ {
 fmt.Printf("s[%v]: %v\n",i, s[i])
}
// s[0]: 103
// s[1]: 111
// s[2]: 108
// s[3]: 97
// s[4]: 110
// s[5]: 103

字符串在编译时类型为string,在运行时其类型定义为一个结构体,位于reflect包中:

// go/src/reflect/value.go
// StringHeader is the runtime representation of a string.
// ...
type StringHeader struct {
   Data uintptr
   Len  int
}

根据运行时字符串的定义可知,在程序运行的过程中,字符串存储了长度(Len)及指向实际数据的指针(Data)。

2.字符串的长度

golang中所有文件都采用utf8编码,字符常量也使用utf8编码字符集。1个英文字母占1个字节长度,一个中文占3个字节长度。go中对字符串取长度len(s)指的是字节长度,而不是字符个数,这与动态语言如python中的表现有所差别。如:

print(len("go语言"))
# 4
s := "go语言"
fmt.Printf("len(s): %v\n", len(s))
// len(s): 8

3.字符与符文

go中存在一个特殊类型&mdash;&mdash;符文类型(rune),用来表示和区分字符串中的字符。rune的本质是int32。字符串符文的个数往往才比较符合我们直观感受上的字符串长度。要计算字符串符文长度,可以先将字符串转为[]rune类型,或者利用标准库中的utf8.RuneCountInString()函数。

s := "go语言"
fmt.Println(len([]rune(s)))
// 4
count := utf8.RuneCountInString(s)
fmt.Println(count)
// 4

当用range遍历字符串时,遍历的就不再是单字节,而是单个符文rune

s := "go语言"
for _, r := range s {
   fmt.Printf("rune: %v  string: %#U\n", r, r)
}
// rune: 103  unicode: U+0067 'g'
// rune: 111  unicode: U+006F 'o'
// rune: 35821  unicode: U+8BED '语'
// rune: 35328  unicode: U+8A00 '言'

二、字符串的原理

1.字符串的解析

golang在词法解析阶段,通过扫描源代码,将双引号和反引号开头的内容分别识别为标准字符串和原始字符串:

// go/src/cmd/compile/internal/syntax/scanner.go
func (s *scanner) next() {
   ...
   switch s.ch {
   ...
   case '"':
       s.stdString()

case '`':
       s.rawString()
 ...

然后,不断的扫描下一个字符,直到遇到另一个双引号和反引号即结束扫描。并通过string(s.segment())将解析到的字节转换为字符串,同时通过setLlit()方法将扫描到的内容类型(kind)标记为StringLit

func (s *scanner) stdString() {
   ok := true
   s.nextch()

for {
       if s.ch == '"' {
           s.nextch()
           break
       }
       ...
       s.nextch()
   }

s.setLit(StringLit, ok)
}
func (s *scanner) rawString() {
   ok := true
   s.nextch()

for {
       if s.ch == '`' {
           s.nextch()
           break
       }
       ...
       s.nextch()
   }

s.setLit(StringLit, ok)
}
// setLit sets the scanner state for a recognized _Literal token.
func (s *scanner) setLit(kind LitKind, ok bool) {
   s.nlsemi = true
   s.tok = _Literal
   s.lit = string(s.segment())
   s.bad = !ok
   s.kind = kind
}

2.字符串的拼接

字符串可以通过+进行拼接:

s := "go" + "lang"

在编译阶段构建抽象语法树时,等号右边的"go"+"lang"会被解析为一个字符串相加的表达式(AddStringExpr)节点,该表达式的操作opOADDSTR。相加的各部分字符串被解析为节点Node列表,并赋给表达式的List字段:

// go/src/cmd/compile/internal/ir/expr.go
// An AddStringExpr is a string concatenation Expr[0] + Exprs[1] + ... + Expr[len(Expr)-1].
type AddStringExpr struct {
   miniExpr
   List     Nodes
   Prealloc *Name
}
func NewAddStringExpr(pos src.XPos, list []Node) *AddStringExpr {
   n := &AddStringExpr{}
   n.pos = pos
   n.op = OADDSTR
   n.List = list
   return n
}

在构建抽象语法树时,会遍历整个语法树的表达式,在遍历的过程中,识别到操作Op的类型为OADDSTR,则会调用walkAddString对字符串加法表达式进行进一步处理:

// go/src/cmd/compile/internal/walk/expr.go
func walkExpr(n ir.Node, init *ir.Nodes) ir.Node {
   ...
   n = walkExpr1(n, init)
   ...
   return n
}
func walkExpr1(n ir.Node, init *ir.Nodes) ir.Node {
   switch n.Op() {
   ...
   case ir.OADDSTR:
       return walkAddString(n.(*ir.AddStringExpr), init)
   ...
   }
   ...
}

walkAddString首先计算相加的字符串的个数c,如果相加的字符串个数小于2,则会报错。接下来会对相加的字符串字节长度求和,如果字符串总字节长度小于32,则会通过stackBufAddr()在栈空间开辟一块32字节的缓存空间。否则会在堆区开辟一个足够大的内存空间,用于存储多个字符串。

// go/src/cmd/compile/internal/walk/walk.go
const tmpstringbufsize = 32
// go/src/cmd/compile/internal/walk/expr.go
func walkAddString(n *ir.AddStringExpr, init *ir.Nodes) ir.Node {
   c := len(n.List)
   if c < 2 {
           base.Fatalf("walkAddString count %d too small", c)
   }
   buf := typecheck.NodNil()
   if n.Esc() == ir.EscNone {
       sz := int64(0)
       for _, n1 := range n.List {
           if n1.Op() == ir.OLITERAL {
               sz += int64(len(ir.StringVal(n1)))
           }
       }
       // Don't allocate the buffer if the result won't fit.
       if sz < tmpstringbufsize {
           // Create temporary buffer for result string on stack.
           buf = stackBufAddr(tmpstringbufsize, types.Types[types.TUINT8])
           }
}
// build list of string arguments
args := []ir.Node{buf}
for _, n2 := range n.List {
           args = append(args, typecheck.Conv(n2, types.Types[types.TSTRING]))
}
var fn string
if c <= 5 {
           // small numbers of strings use direct runtime helpers.
           // note: order.expr knows this cutoff too.
           fn = fmt.Sprintf("concatstring%d", c)
} else {
           // large numbers of strings are passed to the runtime as a slice.
           fn = "concatstrings"

t := types.NewSlice(types.Types[types.TSTRING])
           // args[1:] to skip buf arg
           slice := ir.NewCompLitExpr(base.Pos, ir.OCOMPLIT, t, args[1:])
           slice.Prealloc = n.Prealloc
           args = []ir.Node{buf, slice}
           slice.SetEsc(ir.EscNone)
}

cat := typecheck.LookupRuntime(fn)
r := ir.NewCallExpr(base.Pos, ir.OCALL, cat, nil)
r.Args = args
r1 := typecheck.Expr(r)
r1 = walkExpr(r1, init)
r1.SetType(n.Type())
return r1
}

如果用于相加的字符串个数小于等于5个,则会调用运行时的字符串拼接concatstring1-concatstring5函数。否则调用运行时的concatstrings函数,并将字符串通过切片slice的形式传入。类型检查中的typecheck.LookupRuntime(fn)方法查找到运行时的字符串拼接函数后,将其构建为一个调用表达式,操作OpOCALL,最后遍历调用表达式完成调用。concatstring1-concatstring5中的每一个调用最终都会调用concatstrings函数。

// go/src/runtime/string.go
const tmpStringBufSize = 32
type tmpBuf [tmpStringBufSize]byte
func concatstring2(buf *tmpBuf, a0, a1 string) string {
   return concatstrings(buf, []string{a0, a1})
}
func concatstring3(buf *tmpBuf, a0, a1, a2 string) string {
   return concatstrings(buf, []string{a0, a1, a2})
}
func concatstring4(buf *tmpBuf, a0, a1, a2, a3 string) string {
   return concatstrings(buf, []string{a0, a1, a2, a3})
}
func concatstring5(buf *tmpBuf, a0, a1, a2, a3, a4 string) string {
   return concatstrings(buf, []string{a0, a1, a2, a3, a4})
}

concatstring1-concatstring5已经存在一个32字节的临时缓存空间供其使用, 并通过slicebytetostringtmp函数将该缓存空间的首地址作为字符串的地址,字节长度作为字符串的长度。如果待拼接字符串的长度大于32字节,则会调用rawstring函数,该函数会在堆区为字符串分配存储空间, 并且将该存储空间的地址指向字符串。由此可以看出,字符串的底层是字节切片,且指向同一片内存区域。在分配好存储空间、完成指针指向等工作后,待拼接的字符串切片会被一个一个地通过内存拷贝copy(b,x)到分配好的存储空间b上。

// concatstrings implements a Go string concatenation x+y+z+...
func concatstrings(buf *tmpBuf, a []string) string {
   ...
   l := 0

for i, x := range a {
       ...
       n := len(x)
       ...
       l += n
       ...
   }
   s, b := rawstringtmp(buf, l)
   for _, x := range a {
       copy(b, x)
       b = b[len(x):]
   }
   return s
}
func rawstringtmp(buf *tmpBuf, l int) (s string, b []byte) {
   if buf != nil && l <= len(buf) {
       b = buf[:l]
       s = slicebytetostringtmp(&b[0], len(b))
   } else {
       s, b = rawstring(l)
   }
   return
}

func slicebytetostringtmp(ptr *byte, n int) (str string) {
   ...
   stringStructOf(&str).str = unsafe.Pointer(ptr)
   stringStructOf(&str).len = n
   return
}
// rawstring allocates storage for a new string. The returned
// string and byte slice both refer to the same storage.
func rawstring(size int) (s string, b []byte) {
   p := mallocgc(uintptr(size), nil, false)

stringStructOf(&s).str = p
   stringStructOf(&s).len = size

*(*slice)(unsafe.Pointer(&b)) = slice{p, size, size}

return
}

type stringStruct struct {
   str unsafe.Pointer
   len int
}
func stringStructOf(sp *string) *stringStruct {
   return (*stringStruct)(unsafe.Pointer(sp))
}

3.字符串的转换

尽管字符串的底层是字节数组, 但字节数组与字符串的相互转换并不是简单的指针引用,而是涉及了内存复制。当字符串大于32字节时,还需要申请堆内存。

s := "go语言"
b := []byte(s) // stringtoslicebyte
ss := string(b) // slicebytetostring

当字符串转换为字节切片时,需要调用stringtoslicebyte函数,当字符串小于32字节时,可以直接使用缓存buf,但是当字节长度大于等于32时,rawbyteslice函数需要向堆区申请足够的内存空间,然后通过内存复制将字符串拷贝到目标地址。

// go/src/runtime/string.go
func stringtoslicebyte(buf *tmpBuf, s string) []byte {
   var b []byte
   if buf != nil && len(s) <= len(buf) {
       *buf = tmpBuf{}
       b = buf[:len(s)]
   } else {
       b = rawbyteslice(len(s))
   }
   copy(b, s)
   return b
}
func rawbyteslice(size int) (b []byte) {
   cap := roundupsize(uintptr(size))
   p := mallocgc(cap, nil, false)
   if cap != uintptr(size) {
       memclrNoHeapPointers(add(p, uintptr(size)), cap-uintptr(size))
   }

*(*slice)(unsafe.Pointer(&b)) = slice{p, size, int(cap)}
   return
}
func slicebytetostring(buf *tmpBuf, ptr *byte, n int) (str string) {
   ...
   var p unsafe.Pointer
   if buf != nil && n <= len(buf) {
       p = unsafe.Pointer(buf)
   } else {
       p = mallocgc(uintptr(n), nil, false)
   }
   stringStructOf(&str).str = p
   stringStructOf(&str).len = n
   memmove(p, unsafe.Pointer(ptr), uintptr(n))
   return
}

字节切片转换为字符串时,原理同上。因此字符串和切片的转换涉及内存拷贝,在一些密集转换的场景中,需要评估转换带来的性能损耗。

总结

  • 字符串常量存储在静态存储区,其内容不可以被改变。

  • 字符串的本质是字符数组,底层是字节数组,且与字符串指向同一个内存地址。

  • 字符串的长度是字节长度,要获取直观长度,需要先转换为符文数组,或者通过utf8标准库的方法进行处理。

  • 字符串通过扫描源代码的双引号和反引号进行解析。

  • 字符串常量的拼接发生在编译时,且根据拼接字符串的个数调用了对应的运行时拼接函数。

  • 字符串变量的拼接发生在运行时。

  • 无论是字符串的拼接还是转换,当字符串长度小于32字节时,可以直接使用栈区32字节的缓存,反之,需要向堆区申请足够的存储空间。

  • 字符串与字节数组的相互转换并不是无损的指针引用,涉及到了内存复制。在转换密集的场景需要考虑转换的性能和空间损耗。

来源:https://juejin.cn/post/7101029097626664968

0
投稿

猜你喜欢

手机版 网络编程 asp之家 www.aspxhome.com