字元串在各類語言里是怎麼處理的?

01-04

題主已知的:
1. C++的 std::string
通過 copy on write 技術, 減少拷貝次數. 字元串也是屬於最耗的(好像比O(n)好一些)

2. Lua
通過源碼了解過，40個字元是分界點，40個字元內是放全局哈希表，40個以上算長字元串，經過隨機處理的 hash 後存儲。lua 編碼中，字元串不存在拷貝，字元串比較是整數級性能。
現在想了解其他語言, 例如Python，PHP，Golang，Rust, Erlang， C#，Java，JavaScript，Swift 等語言的字元串拷貝和比較的性能到底是整數級別的還是類似C/C++那樣的原始字串比較?

相比之下Erlang的字元串處理就要簡單粗暴的多了。

不妨先直接無視各種不常用的情況。

iolist的類型定義可以寫成

-type iolist() :: binary() | [iolist()].

在拼接字元串的時候完全不Copy。直接構造一個新的list就完了。

IOList3 = [IOList1, IOList2].

反正 gen_tcp:send 什麼的都能接受，直接就當 iovec 發出去了嘛。

我就是要把兩個binary拼起來怎麼辦？比如

Bin3 = &<&&>

Erlang會機智的計算出Bin1, Bin2 長度之和，先佔好坑，再把字元串都複製進去。

std::string真心不是cow的，至少VC的不是

老實講，本人喜歡c++的原因之一就是c++沒有一些內部cow的玩意，cow很煩，超級煩。

補個Delphi的

首先，字元串是基本數據結構，由編譯器和運行時支持，不是對象。

AnsiString：

引用計數+copy on write

字元部分所佔用內存只能在堆上分配

當引用計數為0時銷毀

注意，當作為const參數傳入時，不修改引用計數

WideString：

之前的描述錯誤，此處已糾正

copy on assign ，沒有引用計數和非copy on write

與Windows OLE/COM BSTR兼容(或者說就是BSTR)，底層調用系統API(如SysAllocString)來管理

ShortString：

本質上是自帶長度的限長字元數組

棧上堆上皆可

字元串和字元數組直接=或&<&>比較時，運行時內部為字元數組轉換為字元串，然後再二進位比較(這一塊rtl和fastcode都是彙編實現的)

如果比較雙方已經都是字元串了，則是直接二進位比較

因此一些性能關鍵的應用，如何避免臨時字元串的創建，也是注意事項之一

補充一下 Pascal 字元串的一些內容。

ANSIString 作為非常量時分配在堆上，棧或全局區上有一個指針指向首字元。作為常量時分配在全局區，引用數恆定為 -1 。

Free Pascal 3.0.0 開始的 ANSIString 和舊版本不一樣了。

新的 ANSIString 在字串本體前面是

-15..-14 代碼頁(Word) ——用於不同代碼頁的自動轉換

-11 字元位元組數(Byte) ——用於多位元組字元串的處理

-7..-4 引用數(LongInt) ——用於 copy on write 的處理

-3..0 實際位元組長度(LongInt)

1~實際長度是字元串本體，後面補一個 Char(0) 兼容 C 字元串。

舊版本的前置結構沒有代碼頁和字元位元組數。

舊版本程序的對新版本 ANSIString 進行只讀操作時不會出錯。但一旦改動的話，因為堆空間地址頭位置不同，發生重新分配或釋放內存時會出錯。

新版本的程序對舊版本 ANSIString 改動時也可能出錯。只讀操作時需要忽略代碼頁的特性才能盡量保證不出錯。

UnicodeString 則是舊版本 ANSIString 把字元換成 WideChar 的版本。

WideString 是和微軟的 BSTR 兼容的類型。和 UnicodeString 不同，沒有引用數的結構，也不使用 copy on write 。

C++11的std::string沒有使用copy-on-write技術，因為這麼做不滿足標準需求，參見N2668

Go
一段只讀的內存，賦值是淺拷貝，取子串會 share 原字元串的空間。字元串相連是創建新字元串然後拷貝。沒有 builtin 的 interning。
Java
一個 immutable 的 class，賦值是淺拷貝。取子串和字元串相連都需要創建新的 class 並做內存拷貝。有 interning 支持，但不自動做。

Rust 標準庫源碼很好懂 https://doc.rust-lang.org/src/collections/string.rs.html#36-38

pub struct String { vec: Vec&, }

是一個 UTF-8 字元組成的 Vector （和 C++ 的 Vector 一個東西）

實際上 Rust 和 C++ 這種你可以自己輕鬆地實現一個字元池（HashSet&），做到你說的那種效率。不默認提供是因為這是 Runtime 的事情，這種語言連 GC 都不要，怎麼可能搞這個……

一般 Lua Python PHP Ruby JS 這種語言都有類似設施。術語是 String interning。

Python 我記得和 Lua 的實現有點像，短字元串放在全局的池裡面，但是長的字元串我記得是一個獨立的內存空間（記錯的話指出）。C# 的 String.Intern Method (System)，Java 也有。我不會 C# 和 Java，這個應該是手動的進行？

C#：字元串創造出來之後就不能改了，搞並發的時候效果拔群。

String interning is supported by some modern object-oriented programming languages, including Python, Lua, Ruby (with its symbols), Java and .NET languages. Lisp, Scheme, and Smalltalk are among the languages with a symbol type that are basically interned strings.

via http://en.wikipedia.org/wiki/String_interning

不過誰能告訴我「String interning」的中文翻譯應該是什麼？

最近由於項目需要，剛好在看Python裡面string intern相關的資料。

「Python會對短字元串做intern」這句話是很籠統並且也是不準確的。

具體可以看看這篇博客：The internals of Python string interning

如果不想看英文的，可以看我翻譯的中文版：Python string interning原理

pascal：首位存放字元串長度