Lua的设计与实现——基础数据类型（字符串）

Lua的设计与实现——基础数据类型（字符串）

出自书籍：李创.Lua设计与实现[M].北京.人民邮电出版社.2017:186.

这次介绍Lua内部字符串的实现原理。首先将概述Lua的实现原理，看看其中设计者主要考虑哪些情况，然后带着这些问题结合具体的代码进行分析。

概述

C语言并不像C++那样，自带处理字符串类型的库，这导致有非常多的C语言库都自己实现了一个处理字符串的类型和相关的API。一般来说，要表示一个字符串，核心就是以下两个数据。

• 字符串长度。
• 指向存放字符串内存数据的指针。

当然，Lua自己的字符串类型的实现也没有绕过这两个核心内容。只不过，Lua在这方面显然考虑了更多东西。

在Lua中，字符串实际上是被内化（internalization）的一种数据。怎么理解“内化”的含义呢？简单来说，每个存放Lua字符串的变量，实际上存放的并不是一份字符串数据的副本，而是这份字符串数据的引用。在这个理念下，每当新创建一个字符串时，首先都会去检查当前系统中是否已经有一份相同的字符串数据了。如果存在的话就直接复用，将引用指向这个已经存在的字符串数据，否则就重新创建一份新的字符串数据。

因此，字符串在Lua中是一个不可变的数据，改变一个字符串变量的数据并不会影响原来的字符串的数据。比如，在下面的代码中：

a = "1"
a = a.."2"

第一行代码创建了一个变量a，指向字符串“1”，而在第二行代码中，我们使用…字符串连接符，将变量a后面连接了字符串”2“。第二行代码对变量a的重新修改，并没有影响第一行代码的字符串”1“。换言之，此时系统中存在两个字符串：”1“和”12“。这个变化如图3-1所示。

图3-1 字符串内化示意图

而前面生成的字符串”1“，如果其他地方没有引用它的话，将在GC阶段被回收。

这里可以看到，为了实现内化，在Lua虚拟机中必然要有一个全局的地方存放当前系统中的所有字符串，以便在新创建字符串时，先到这里来查找是否已经存在同样的字符串。Lua虚拟机使用一个散列桶来管理字符串，这一点来后面再展开讨论。

Lua在字符串实现上使用内化这种方案的优点在于，进行字符串数据的比较和查找操作时，性能会提升不少，因为这两个操作的核心都是字符串的比较。传统的字符串比较算法是根据字符串长度逐位来进行对比，这个时间复杂度与字符串长度线性相关；而内化之后，在已知字符串散列值的情况下，只需要一次整数的比较即可。这个实现还有另外一大好处，那就是空间优化，多份相同的字符串在整个系统中只存在一份副本。Lua是一个在设计之初就把性能、资源占用等放在重要位置的语言，这里再一次得到体现。

当然，这个实现并不是完全没有缺陷的。以前面描述的创建字符串的过程来说，在创建一个新的字符串时，首先会检查系统中是否有相同的数据，只有不存在的情况下才创建，这与直接创建字符串相比，多一次查找过程。好在在Lua的实现中，查找一个字符串的操作消耗并不算大。

整理一下上面的描述，主要有以下几点。

• 在Lua虚拟机中存在一个全局的数据区，用来存放当前系统中的所有字符串。
• 同一个字符串数据，在Lua虚拟机中只可能有一份副本，一个字符串一旦创建，将是不可变更的。
• 变量存放