golang字符串本质与原理详解

2024-04-02 19:04:59 573人浏览独家记忆

摘要

目录一、字符串的本质1.字符串的定义2.字符串的长度3.字符与符文二、字符串的原理1.字符串的解析2.字符串的拼接3.字符串的转换总结一、字符串的本质 1.字符串的定义 golang

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op为OADDSTR。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Op为OCALL，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。