golang字符串本质与原理详解

2022-11-13 11:11:47 字符串 详解 本质

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——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。

到此这篇关于golang字符串本质与原理详解的文章就介绍到这了,更多相关golang字符串 内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!

相关文章