不可变字符串的优缺点答案

【问题标题】：Pros and cons of immutable strings不可变字符串的优缺点
【发布时间】：2012-08-07 21:57:09
【问题描述】：

有些语言（C# 或 Java）有不可变的字符串，而另一些（例如 Ruby）有可变的字符串。这些设计选择背后的原因是什么？

【问题讨论】：

这里有类似的东西：stackoverflow.com/questions/3407403/…
@Science_Fiction 该问题的最佳答案通常是关于不变性。但为什么是字符串？我认为这与标记和清除垃圾收集器有关。
stackoverflow.com/questions/2608493/…
另见when-does-python-allocate-new-memory-for-identical-strings SO：恕我直言，没有明确的答案。

标签： string language-agnostic language-design

【解决方案1】：

不可变字符串之所以好的原因之一是它使 Unicode 支持更容易。现代 Unicode 不再能有效地适应固定大小的数据单元格，这会破坏字符串索引和内存地址之间的一一对应关系，从而为可变字符串提供优势。

过去，大多数西方应用程序使用单字节字符（各种基于 ASCII 的编码，或 EBCDIC...），因此您通常可以通过将字符串视为字节缓冲区来有效地处理它们（就像在传统的 C 应用程序中一样）。

当 Unicode 相当新时，对前 16 位之外的任何内容没有太多要求，因此 Java 使用双字节字符作为其Strings（和StringBuffers）。这使用了两倍的内存，并且忽略了超过 16 位的 Unicode 扩展可能出现的任何问题，但在当时很方便。

现在 Unicode 已经不是那么新了，虽然最常用的字符仍然适合 16 位，但你不能假装基本多语言平面就是所有存在的东西。如果您想诚实地声明 Unicode 支持，您需要可变长度字符或更大（32 位？）字符单元。

使用可变长度字符，您不能再在 O(1) 时间内索引到任意长度的字符串——除非有其他信息，否则您需要从头开始数以找出第 N 个字符是什么。这也扼杀了可变字符串缓冲区的主要优势：就地无缝修改子字符串的能力。

幸运的是，大多数字符串操作实际上并不需要这种就地修改功能。词法分析、解析和搜索都在顺序、迭代的基础上从头到尾进行。一般的搜索和替换从不就地开始，因为替换字符串不必与原始字符串的长度相同。

连接大量子字符串实际上也不需要就地修改来提高效率。不过，您确实需要更加小心，因为（正如其他人指出的那样）通过为 N 个部分子字符串中的每一个分配一个新字符串，一个简单的连接循环很容易成为 O(N^2)...

避免幼稚连接的一种方法是提供一个可变的StringBuffer 或ConcatBuffer 对象，旨在有效地进行连接。另一种方法是包含一个不可变的字符串构造函数，它将迭代器带入要（有效）连接的字符串序列。

但是，更一般地说，可以编写一个通过引用有效连接的不可变字符串库。这种字符串通常被称为“rope”或“cord”，表明它至少比它所组成的基本字符串更重一些，但出于连接目的，它要更多高效，因为它根本不需要重新复制数据！

上面的维基百科链接说“绳索”数据结构是 O(log N) 连接，但 Okasaki 的开创性论文“Purely Functional Data Structures”显示了如何在 O(1) 时间内进行连接。

【讨论】：

我不同意的几件事我认为你在所有错误的地方都触及了。首先，Unicode 是码点到字符和字形的映射。选择的编码方案是一个单独的主题，很可能是一对一的 - 使直接索引访问变得高效。现在，尽管词法分析、解析和搜索不会就地修改，但还有许多其他情况可以进行修改——典型的 toupper()/tolower()/titlecase()/mid()/left()/right() /reverse() 仅举几个常见的情况，都可以就地完成（有一些本地特定的例外）。甚至更换也可以
通常在原地完成，因为可变字符串对象通常保留比它们使用的更多的内存（大多数使用 2 的幂来使整体增长摊销 O(1)）使它们非常有效在真实世界的分析中。

【解决方案2】：

至少在 Java 的情况下，使字符串不可变的部分原因是为了安全和线程安全。 Java 非常重视运行时安全性（它最初的设计目的是允许机顶盒和 Web 浏览器下载和执行远程内容，而不会损害主机系统）。为了帮助提高安全性，字符串是不可变的并且不能被子类化。这意味着 Java 运行时可以传递和接收来自用户的字符串，同时保证字符串的值保持不变（也就是说，攻击者不能子类化字符串，将看似有效的字符串传递给函数，但是然后稍后更改该值以访问错误的数据，或者使用多个线程以使字符串在某一点看起来正确，但稍后会发生突变）。

此外，不变性在多线程系统中具有效率优势，因为不必对字符串进行锁定。它还可以轻松实现子字符串操作，因为许多字符串可以共享相同的底层字符数组，尽管起点和终点不同。

【讨论】：

【解决方案3】：

如果您考虑一下，所有基本数据类型都是不可变的。您不会将整数 10 更改为 11，而是将 10 替换为 11。使字符串成为基本且不可变的，允许池化和其他无法实现的优化。

【讨论】：

什么是数据类型的基础？
语言内置的（而不是由某些库或扩展添加的）
在某些语言中，字符是基本类型。字符串只是一个字符数组。

【解决方案4】：

至于缺点，不可变字符串需要互补的可变数据结构（即字符串缓冲区），以实现经济的追加、重新排序和其他类似操作。

在不可变结构上执行此类操作将需要不合理数量的资源。

Programming in Lua 有一个brilliant explanation 就此事。

为了进一步反映，一些语言（如 Common Lisp）同时具有非破坏性和破坏性功能，而另一些语言则同时具有不可变和可变列表 (Python)。

引用a book on Common Lisp:

如果分配如此充满危险，为什么不把它从语？有两个原因：表现力和效率。分配是更改共享数据的最清晰方法。任务是比绑定更有效。绑定创建一个新的存储位置，它分配存储空间，它消耗额外的内存（如果绑定永远不会超出范围）或对垃圾收集器征税（如果绑定最终会超出范围）。

但是，作为一个反例，许多 JavaScript（具有不可变字符串）解释器在实现级别将字符串视为可变数组。

同样，Clojure has transients，看起来像不可变数据结构上的优雅纯函数，但内部使用可变状态来提高效率。

【讨论】：