字符串的本质

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)。

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

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)))// 4count := 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'

字符串的原理

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.gofunc (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}

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：

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]: 1030

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:

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]: 1031

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。

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]: 1032

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。

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]: 1033

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。

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]: 1034

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 := "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]: 1035

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。

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]: 1036

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。

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