23 KiB
27｜增加更丰富的类型第2步：如何支持字符串？
你好，我是宫文学。
今天我们继续来丰富我们语言的类型体系，让它能够支持字符串。字符串是我们在程序里最常用的数据类型之一。每一门高级语言，都需要对字符串类型的数据提供充分的支持。
但是，跟我们前面讨论过的整型和浮点型数据不同，在CPU层面并没有直接支持字符串运算的指令。所以，相比我们前面讲过的这两类数据类型，要让语言支持字符串，我们需要做更多的工作才可以。
那么，在这一节课里，我们就看看要支持字符串类型的话，我们语言需要做哪些工作。在这个过程中，我们会接触到对象内存布局、内置函数（Intrinsics），以及字符串、字面量的表示等知识点。
首先，我们来分析一下，在这种情况下，我们的编译器和运行时需要完成哪些任务，然后我们再依次完成它们就可以了。
任务分析
你可以看到，在一些强调易用性的脚本语言里，字符串常常作为内置的数据类型，并拥有更高优先级的支持。比如，在JavaScript里，你可以用+号连接字符串，并且，其他数据类型和字符串连接时，也会自动转换成字符串。这比在Java、C等语言使用字符串更方便。
为了支持字符串类型，实现最基础的字符串操作功能，我们就需要解决下面这几个技术问题：
第一，如何在语言内部表示一个字符串？
在像JavaScript、Java、Go和C#这样的高级语言中，所有的数据类型可以分为两大类。一类是CPU在底层就支持的，就像整数和浮点数，我们一般叫做基础类型（Primitive Type）或者叫做值类型（Value Type）。
这些类型可以直接表示为指令的操作数，在赋值、传参的时候，也是直接传递值。比如，当我们声明一个number类型的变量时，我们在语言内部用CPU支持的双精度浮点数来存储变量的值就可以了。当给变量赋值的时候，我们也是把这个double值用mov指令拷贝过去就行。
但对于基础类型之外的复杂数据类型来说，它们并不能受到CPU指令级别的直接支持。所以，我们就需要设计，当我们声明一个字符串，以及给字符串赋值的时候，它对应的确切操作是什么。
那么计算机语言的设计者，通常会怎么做呢？我们要把这些复杂数据类型在内部实现成一个内存对象，而变量赋值、传参这样的操作，实际上传递的是对象的引用，对象引用能够转换为对象的内存地址。
所以，从今天这节课开始，我们也将正式支持对象机制。其实，string也好，数组也好，还是后面的自定义类型也好，它们在内存里都是一个对象。当进行赋值操作的时候，传递的都是对象的引用。那这个时候，我们就需要设计对象的内存结构，以及确定什么是对象的引用。
第二，在运行时里提供一些内置函数，用于支持字符串的基本功能。
为了支持字符串类型的数据，我们要能够支持字符串对象的创建、字符串拼接、其他类型的数据转为字符串，还有字符串的比较，等等功能。这些功能是以内置函数（intrincics）的形式来实现的。编译成汇编代码的时候，我们要调用这些内置函数来完成相应的功能。
第三，我们还要处理一些编译器后端的工作。
在编译器的后端方面，我们要能生成对字符串进行访问和处理的汇编代码。这里面的重点就是，我们要知道如何在汇编代码里表示字符串字面量，以及如何获取字符串字面量的地址。
好了，任务安排妥当了，我们开始行动吧。首先我们来看第一个任务，如何在语言内部表示一个字符串类型的数据。
如何表示一个字符串
这个问题其实又包含三个子问题：字符编码的问题、string对象的内存布局，以及如何来表示一个对象的引用。
首先，我们看看字符的编码问题。
我们知道，CPU只知道0101这些值，并不知道abcd这些概念。实际上，是我们人类给每个字符编了码，让CPU来理解的。比如规定65代表大写字母a，97代表小写字母a，而48代表字符0，这就是广为使用的ASCII编码标准。但要支持像中文这么多的字符，ASCII标准还不够用，就需要Unicode这样的编码标准。
不过，在我们当前的实现中，我们还是先做一些简化吧，先不支持Unicode，只支持ASCII码就好了。这样，在内存里，我们只需要用一个字节来表示字符就行了，这跟C语言是一样的。至于Unicode，我们后面再支持。毕竟我们的语言PlayScript，是一个开源项目，会继续扩展功能。你也可以走在我前面，自己先去思考并实现一下怎么支持Unicode编码。
第二，我们看看string的内存布局。
如何在内存里表示一个字符串呢？
我们站在巨人的肩膀上，看看C语言是怎么做的。在C语言中，字符串在内存里就相当于一个char的数组，这个数组以0结尾。所以，“Hello”在内存里大概是这样保存的，加起来一共是6个字节：
我们也可以借鉴C语言的做法，用一个数组来表示字符串。不过，C语言需要程序员自己去处理字符串使用的内存：要么通过声明一个数组，在栈里申请内存；要么在堆里申请一块内存，使用完毕以后再手工释放掉。
而JavaScript是不需要程序员来手工管理内存的，而是采用了自动内存管理机制。自动内存管理机制管理的是一个个内存对象。当对象不再被使用以后，就可以被回收。
那么我们的设计，也必须实现自动的内存管理，因为TypeScript并没有底层的内存管理能力。
说到内存对象，我们还有一个设计目标，就是在语言内部，对各种类型的对象都有统一的管理机制，包括统一的内存管理机制、统一的运行时类型查询机制等等。这样，才能铺垫好TypeScript对象化的基础，并在后面实现更丰富的语言特性。所以，我们就需要对如何在内存里表示一个对象进行一下设计。
这方面，我们又可以参考一下其他语言是怎么做的。比如，在Java等语言里，对象都有一些统一的内存布局设计。其典型特征，就是每个对象都有一个固定的对象头，对象头之后才是对象的实际数据。
对象头里面保存了一些信息，用来对这个对象进行管理。进行哪些管理呢？首先是自动内存管理。对象头里有一些标志位，是用于垃圾收集程序的。比如，通过算法来标记某个对象是否是垃圾。我们在后面会具体实现一个垃圾收集算法，那个时候就会用到这些标志位。
标志位还有一个用途就是并发管理。你可以用一些特殊的指令，锁住一个对象，使得该对象在同一时间只可以被一个线程访问。在锁住对象的时候，也要在对象头做标识。此外，对象头里还有引用了类的定义，这样我们就可以在运行时知道这个对象属于哪个类，甚至通过反射等元编程机制去动态地调用对象的方法。
我们可以参考一下Java对象头的设计。它包含类指针和标志位两个部分。类指针指向类定义的地址。标志位就是内部分割成多个部分，用来存放与锁、垃圾收集等标记，还会存放对象的哈希值。
当然，其他语言的对象，也都有类似的内存布局设计。我在《编译原理实战课》中，对Java、Python和Julia等语言的对象内存布局都做了讨论，如果你感兴趣可以去看看。
参考这些设计，我们也可以做出自己的设计。在PlayScript中，我们首先设计一个Object对象，里面有一个标志位的字段和一个指向对象的类定义的指针。我们后面再探讨它们的用途。
//所有对象的对象头。目前的设计占用16个字节。
typedef struct _Object{
//指向类的指针
struct _Object * ptrKlass;
//与并发、垃圾收集有关的标志位。
unsigned long flags;
}Object;
所有对象都要继承自Object对象，字符串对象也不例外。我们把字符串对象叫做PlayString，其数据结构中包含了字符串的长度。真实的字符串数据是接在PlayString之后的。而且，我们基于PlayString的地址，就能计算出字符串的存储位置，所以并不需要一个单独的指针，这样也就节省了内存空间。
typedef struct _PlayString{
Object object;
//字符串的长度
size_t length;
//后面跟以0结尾的字符串，以便复用C语言的一些功能。实际占用内存是length+1。
//我们不需要保存这个指针，只需要在PlayString对象地址的基础上增加一个偏移量就行。
//char* data;
}PlayString;
采用这个结构后，实际上PlayString的内存布局如下。对象头占16个字节，字符串长度占4个字节，其余的才是字符串数据，占用空间的大小是字符串的长度再加1个字节：
不过，在这里，我们还有一个技术细节需要做一下决策。
C语言中是以0结尾的数组来表示一个字符串的。所以，在C语言中，我们每次为字符串申请内存的时候，都要多申请一个字节，用于存放字符串的结尾标志，也就是0。那么，在我们自己实现的语言里，是否需要也多申请一个字节的空间，也在字符串后面放一个0呢？
本质上是不需要的。因为我们已经用了一个字段来表示字符串的长度。不过，像打印字符串这种功能，我们想直接使用C语言的标准函数来实现，所以还是决定采用C语言存储字符串的格式，尽管这可能会浪费一点存储空间。当然你也可以不使用这个设计，但在实现字符串输出等功能的时候，就需要去做额外的工作了。
好了，我们已经设计出了字符串对象的内存布局。那么再看看最后一个问题，如何表示一个对象引用？
我们前面也说了，当我们给string或者其他以对象格式保存的变量赋值的时候，传递的实际是个对象引用。那这个对象引用到底是什么呢？
其实我们知道，不管对象引用怎么设计，都必须能够通过对象引用获得对象的地址，以便操作对象内部的数据。不过在具体实现的时候，理论上有很多种可能性。
比如，你可以给所有在系统中创建的对象编号，在内存里通过某个数据结构来保存对象编号和内存地址的关系，再通过编号来查找出对象的内存地址。
不过，大多数语言，就是直接使用内存地址来作为对象引用的，因为这样可以用最快的速度访问对象的内容，免去了计算对象地址的额外工作量。
我们的实现，也采用同样的设计，即直接拿内存地址作为对象的引用。在64位模式下，内存地址是64位的，那这个对象引用就可以用一个64位的长整型表示。
不过，直接以内存地址作为对象引用，有一个潜在的、需要考虑的技术问题，就是垃圾收集算法。有的垃圾收集算法会在内存里移动对象，从一个内存区域拷贝到另一个区域。这个时候，对象的内存地址就会改变，也就是对象引用会改变。这个时候，就需要我们把所有指向这个对象的引用都修改一遍才行。
好了，关于如何在语言内部表示字符串对象，我们就讨论到这里。接下来，我们看看运行时和内置函数方面的工作。
运行时和内置函数
为了支持对string对象进行处理，我们需要实现几个内置函数，分别用于创建字符串对象、字符串连接，以及从number类型转成字符串类型：
//创建指定长度的字符串
PlayString* string_create_by_length(size_t length);
//连接字符串
PlayString* string_concat(PlayString* str1, PlayString* str2);
//数字型转字符串
PlayString* double_to_string(double num);
在这些创建PlayString对象的函数代码里，你可以更加清楚地看到内存是如何布局的。总的来说，我们是一次性地申请了PlayString对象需要的所有内存，这样可以减少内存申请的次数，提高内存访问的性能。我们在实现C语言版本的虚拟机的时候，已经体会到这个技术点的重要性。而真正的字符串数据是接在PlayString对象之后的。
你可能也注意到了，我不止一次地提到了内置函数这个概念。那什么是内置函数呢？跟println这样的函数有什么区别呢？println不也是我们在语言里预先提供的函数吗？
其实，我们刚才提到的这几个函数，包括创建字符串对象的函数、字符串连接的函数，跟println这样的函数是不一样的。哪里不一样呢？println是可以由程序员直接使用的。而像刚才那几个函数，一般只是由编译器和运行时所使用的，程序员一般不能直接使用，所以它们就被称为“内置函数”。当我们在程序里使用+号来连接两个字符串的时候，编译器会自动去调用字符串连接的内置函数来实现这个功能，这个过程对程序员是透明的。
我们这里提到的内置函数，在一些编译技术有关的文章里通常叫做Intrinsics（在GCC里会被叫做Built-in）。可能直接叫它的英文名称，更不容易产生混淆。有些Intrinsics是直接用汇编代码编写的，这样性能更高，或者能使用一些特别的指令。
这些内置函数是一个语言的运行时的一部分。如果把程序静态编译，那么它们会以动态库的形式存在，或者直接编译进可执行文件里。如果采用虚拟机的方式运行，那么它们也是虚拟机的组成部分。
好了，实现完了运行时和内置函数，我们就可以生成汇编代码，让语言来支持字符串特性了！
修改编译器后端
在前一节课，我们实现了对浮点数的支持以后，你可能已经在修改编译器后端方面取得了一些经验，这些工作都是有共性的。
在今天这节课，我们主要关注两个技术点：一个是在汇编代码中保存字符串字面量，一个是在程序里访问这些字符串的地址。
首先看看字符串字面量的保存。
我们在程序里经常会用到字符串字面量，比如需要打印输出的提示信息，等等。那在汇编代码里是如何表达和使用它们的呢？
作为对比，我们回忆一下，我们在上节课曾经处理过浮点数字面量。它们不能直接作为立即数使用，而是保存在一个单独的文本段里，然后通过标签来访问它们的内存地址。
对字符串字面量的处理也很类似。你可以用C语言写一个很简单的字符串处理程序，看看生成的汇编代码是什么样子的。
我这里写了一个C语言的示例程序，它只简单地实现了一个字符串打印的功能：
#include <stdio.h>
int main(){
printf("Hello PlayScript!\n");
}
这个例子编译后生成的汇编代码如下：
在这段代码里，你会看到一个单独的文本段，用来保存C语言格式的字符串。
.section __TEXT,__cstring,cstring_literals
所以，采用C语言格式，就意味着每个字符串在内存中都是以0结尾的，这跟我们的设计是一样的。
接下来，你会看到两行。第一行是一个标签，用来引用这个字符串常量。第二行用了一个.asciz伪指令，后面带着字符串具体的值。
L_.str: ## @.str
.asciz "Hello PlayScript!"
到这里，我们就知道了。字符串字面量和上一节的浮点数字面量一样，都是保存在文本段的。在编译之后，它们就会进入到可执行文件中。
知道了这个原理后，其实你就可以搞点黑客小技巧了。比如，你可以用工具修改二进制文件里的字符串常量，篡改程序里显示的信息。
同理，你还可以修改可执行程序中数据区里的一些数据。很多玩游戏的同学会使用这个手段，来修改自己的游戏参数，让自己的账号具备“超能力”。
从这里你也可以看到，设计一门计算机语言的时候，其实你还要考虑程序的安全因素。从这个角度看，现代很多语言都采用托管的方式运行，而不是直接编译成在操作系统上运行的可执行程序，这在安全方面是有一些优势的。不过安全性就是另一个话题了，我们不多展开。从这里你能再次体会到，了解一些底层实现机制，能帮助你对很多技术问题的理解更深刻。
回到原来的话题。现在，我们已经知道如何来存储字符串字面量了。那么如何在汇编代码里访问字符串呢？
要想访问字符串，我们必须获取字符串的地址。在上面的汇编代码里，你会看到一个leaq指令，也就是64位的lea执行。
lea是Load Effective Address的意思。这个指令能够进行内存地址的计算，并把计算结果保存到寄存器里。我们之前就曾经讨论过如何用lea指令来做加法运算。但它真正的用途其实是计算内存地址的。在这里，我们可以用lea指令取得字符串字面量的地址，然后把这个地址作为参数传递给打印函数。
对于我们的语言来说，只要我们获取了字符串的地址，接下来就可以做很多其他的事情了，包括：创建我们内置的PlayString对象，以及将两个PlayString做拼接、生成新的字符串对象，等等。
懂得原理之后，我们再去修改生成汇编的程序。你可以重点看一下对StringLiteral对象和+号运算符的处理。
在处理StringLiteral时，我们首先把字符串保存到常量区，然后生成一个PlayString对象，并把对象的地址作为一个操作数返回。
visitStringLiteral(stringLiteral:StringLiteral):any{
//加到常数表里
if (this.asmModule != null){
//把字符串字面量保存到模块中。基于这些字面量可以生成汇编代码中的一个文本段。
let strIndex = this.asmModule.stringConsts.indexOf(stringLiteral.value as string);
if( strIndex == -1){
this.asmModule.stringConsts.push(stringLiteral.value as string);
strIndex = this.asmModule.stringConsts.length - 1;
}
//新申请一个临时变量
let tempVar = this.allocateTempVar(getRegisterKind(stringLiteral.theType as Type));
//用leaq指令把字符串字面量加载到一个变量（虚拟寄存器）
let inst = new Inst_2(OpCode.leaq, new Oprand(OprandKind.stringConst, strIndex), tempVar);
this.getCurrentBB().insts.push(inst);
//调用一个内置函数来创建PlayString
let args:Oprand[] = [];
args.push(tempVar);
//调用内置函数，返回值是PlayString对象的地址
return this.callIntrinsics("string_create_by_str", args);
}
}
在处理+号时，如果类型是String，那么就调用内置函数实现字符串的连接。
switch(bi.op){
case Op.Plus: //'+'
if (bi.theType === SysTypes.String){ //字符串加
let args:Oprand[] = [];
args.push(left);
args.push(right);
this.callIntrinsics("string_concat", args);
}
...
}
现在，我们的语言就能进行基本的字符串处理了。你可以写几个测试程序，并编译成可执行文件试试看，比如下面这个示例程序：
let s1 = "Hello";
let s2:string;
s2 = " PlayScript!";
let s3 = s1 + s2;
println(s3);
课程小结
好了，今天的内容就这些了。为了实现对字符串的支持，你要掌握下面这些知识点：
首先，你要知道如何表示字符串。这里面涉及三个技术点。第一个技术点，是如何给字符编码，简单的就是采用ASCII编码，复杂一点，就要支持unicode这样的编码。第二个技术点，是如何把字符串作为对象在内存中管理。为此，我们设计了一个标准的内存结构，每个对象都有标准的对象头。这个对象头会被用于内存管理、并发管理、元编程等功能。我们后面几节课的数组对象、自定义类等，也都要遵循这个内存结构。第三个技术点，是如何表达对象的引用。在PlayScript里，我们就直接用对象的内存地址就行了。
第二，为了支持字符串对象的创建、连接等操作，我们需要实现几个内置函数。内置函数叫做Intrincics，是在语言内部被使用的函数，一般不由程序员直接使用。
第三，我们学习了如何在汇编代码中保存和访问字符串常量。字符串常量是保存在程序的文本段里，可以用标签访问。我们可以用leaq指令和rip寄存器来计算字符串常量的地址。
最后，其实针对字符串处理，我们还有两个遗留问题：
一个问题是，我们在程序里只为字符串对象申请了内存，从来没有释放过，这显然会造成内存泄漏。这个问题我们放在内存管理的部分再去解决。
第二个问题是我们目前只支持ASCII编码，未来我们会扩展到支持Unicode编码。
思考题
对象的内存布局设计，是计算机语言的一个重要设计决策。在这节课，我们讨论了Java的对象布局设计，作为我们实现的参考。在这里，我想问一下，你熟悉的语言，它的对象内存布局有什么特点？有哪些你喜欢或者不喜欢的地方？欢迎在留言区分享你的观点。
欢迎你把这节课分享给更多感兴趣的朋友，我是宫文学，我们下节课见。
资源链接
1.这节课的示例代码目录；
2.对象头有关的代码，在rt/object.h；
3.PlayString有关的内置函数，在rt/string.h、rt/string.c；
4.对编译器后端的修改，仍然要查看asm_x86-64_d.ts。