阿里一面：如何將重復性比較高的 String 類型的地址信息從 20GB 降到幾百兆？
這次應該是互聯(lián)網(wǎng)及軟件行業(yè)的第三次寒潮，大家在寒潮中一定要繼續(xù)保持學習，寒潮挺過去以后還是會迎來新的發(fā)展機遇。
有粉絲去阿里面試，跟碼哥分享了其中一題面試問題「如何將重復性比較高的 String 類型的地址信息從 20GB 降到幾百兆？」。
今天，碼哥從多個角度帶你完全攻克這個知識點，讓面試官眼前一亮。
切入正文......
莫慌，今天給大家見識一下不一樣的 String，從根上拿捏直達 G 點。
并且碼哥分享一個例子：通過性能調(diào)優(yōu)我們能實現(xiàn)百兆內(nèi)存輕松存儲幾十 G 數(shù)據(jù)。
String對象是我們每天都「摸」的對象類型，但是她的性能問題我們卻總是忽略。
愛她，不能只會簡單一起玩耍，要深入了解String 的內(nèi)心深處，做一個「心有猛虎，細嗅薔薇」的暖男。
通過以下幾點分析，我們一步步揭開她的衣裳，直達內(nèi)心深處，提升一個 Level，讓 String 直接起飛。
String 身體解密
想要深入了解，就先從基本組成開始……
「String 締造者」對 String 對象做了大量優(yōu)化來節(jié)省內(nèi)存，從而提升 String 的性能：
圖片
Java 6 及之前
數(shù)據(jù)存儲在 char[]數(shù)組中，String通過 offset 和 count兩個屬性定位 char[] 數(shù)據(jù)獲取字符串。
這樣可以高效快速的定位并共享數(shù)組對象，并且節(jié)省內(nèi)存，但是有可能導致內(nèi)存泄漏。
共享 char 數(shù)組為啥可能會導致內(nèi)存泄漏呢？
String(int offset, int count, char value[]) {
this.value = value;
this.offset = offset;
this.count = count;
}
public String substring(int beginIndex, int endIndex) {
//check boundary
return new String(offset + beginIndex, endIndex - beginIndex, value);
}調(diào)用 substring() 的時候雖然創(chuàng)建了新的字符串，但字符串的值 value 仍然指向的是內(nèi)存中的同一個數(shù)組，如下圖所示：
圖片
如果我們僅僅是用 substring 獲取一小段字符，而原始 string字符串非常大的情況下，substring 的對象如果一直被引用。
此時 String 字符串也無法回收，從而導致內(nèi)存泄露。
如果有大量這種通過 substring 獲取超大字符串中一小段字符串的操作，會因為內(nèi)存泄露而導致內(nèi)存溢出。
JDK7、8
去掉了 offset 和 count兩個變量，減少了 String 對象占用的內(nèi)存。
substring 源碼：
public String(char value[], int offset, int count) {
this.value = Arrays.copyOfRange(value, offset, offset + count);
}
public String substring(int beginIndex, int endIndex) {
int subLen = endIndex - beginIndex;
return new String(value, beginIndex, subLen);
}substring() 通過 new String() 返回了一個新的字符串對象，在創(chuàng)建新的對象時通過 Arrays.copyOfRange() 深度拷貝了一個新的字符數(shù)組。
如下圖所示：
圖片
String.substring 方法不再共享 char[]數(shù)組的數(shù)據(jù)，解決了可能內(nèi)存泄漏的問題。
Java 9
將 char[]字段改為 byte[]，新增 coder屬性。
碼哥，為什么這么改呢？
一個 char 字符占 2 個字節(jié)，16 位。存儲單字節(jié)編碼內(nèi)的字符（占一個字節(jié)的字符）就顯得非常浪費。
為了節(jié)約內(nèi)存空間，于是使用了 1 個字節(jié)占 8 位的 byte 數(shù)組來存放字符串。
勤儉節(jié)約的女神，誰不愛……
新屬性 coder 的作用是：在計算字符串長度或者使用 indexOf（）方法時，我們需要根據(jù)編碼類型來計算字符串長度。
coder 的值分別表示不同編碼類型：
- 0：表示使用 Latin-1 （單字節(jié)編碼）；
- 1：使用UTF-16。
String 的不可變性
了解了String 的基本組成之后，發(fā)現(xiàn) String 還有一個比外在更性感的特性，她被 final關鍵字修飾，char 數(shù)組也是。
圖片
我們知道類被 final 修飾代表該類不可繼承，而 char[]被 final+private 修飾，代表了 String 對象不可被更改。
String 對象一旦創(chuàng)建成功，就不能再對它進行改變。
Chaya：“String class 對象使用 final 修飾有什么好處？”
安全性
當你在調(diào)用其他方法時，比如調(diào)用一些系統(tǒng)級操作指令之前，可能會有一系列校驗。
如果是可變類的話，可能在你校驗過后，它的內(nèi)部的值又被改變了，這樣有可能會引起嚴重的系統(tǒng)崩潰問題。
高性能緩存
String不可變之后就能保證 hash值得唯一性，使得類似 HashMap容器才能實現(xiàn)相應的 key-value 緩存功能。
實現(xiàn)字符串常量池
由于不可變，才得以實現(xiàn)字符串常量池。
字符串常量池指的是在創(chuàng)建字符串的時候，先去「常量池」查找是否創(chuàng)建過該「字符串」；
如果有，則不會開辟新空間創(chuàng)建字符串，而是直接把常量池中該字符串的引用返回給此對象。
創(chuàng)建字符串的兩種方式：
- String str1 = “碼哥字節(jié)”;
- String str2 = new String(“碼哥字節(jié)”);
當代碼中使用第一種方式創(chuàng)建字符串對象時，JVM 首先會檢查該對象是否在字符串常量池中，如果在，就返回該對象引用。
否則新的字符串將在常量池中被創(chuàng)建，并返回該引用。
這樣可以減少同一個值的字符串對象的重復創(chuàng)建，節(jié)約內(nèi)存。
第二種方式創(chuàng)建，在編譯類文件時，"碼哥字節(jié)" 字符串將會放入到常量結構中，在類加載時，“碼哥字節(jié)" 將會在常量池中創(chuàng)建；
在調(diào)用 new 時，JVM 命令將會調(diào)用 String 的構造函數(shù)，在堆內(nèi)存中創(chuàng)建一個 String 對象，同時該對象指向「常量池」中的“碼哥字節(jié)”字符串，str 指向剛剛在堆上創(chuàng)建的 String 對象；
如下圖：
圖片
什么是對象和對象引用呀？
str 屬于方法棧的字面量，它指向堆中的 String 對象，并不是對象本。
對象在內(nèi)存中是一塊內(nèi)存地址，str 則是指向這個內(nèi)存地址的引用。
也就是說 str 并不是對象，而只是一個對象引用。
碼哥，字符串的不可變到底指的是什么呀？
String str = "Java";
str = "Java,yyds"第一次賦值 「Java」，第二次賦值「Java,yyds」，str 值確實改變了，為什么我還說 String 對象不可變呢？
這是因為 str 只是 String 對象的引用，并不是對象本身。
真正的對象依然還在內(nèi)存中，沒有被改變。
優(yōu)化實戰(zhàn)
了解了 String 的對象實現(xiàn)原理和特性，是時候要深入女神內(nèi)心，結合實際場景，如何更上一層樓優(yōu)化 String 對象的使用。
大量字符串拼接對象如何優(yōu)化
既然 String 對象是不可變，所以我們在頻繁拼接字符串的時候是否意味著創(chuàng)建多個對象呢？
String str = "癩蛤蟆撩青蛙" + "長的丑" + "玩的花";上面你的代碼，你是不是以為先生成「癩蛤蟆撩青蛙」對象，再生成「癩蛤蟆撩青蛙長的丑」對象，最后生成「癩蛤蟆撩青蛙長得丑玩的花」對象。
實際運行中，只有一個對象生成。
Chaya：這是為什么呢？
雖然代碼寫的丑陋，但是編譯器自動優(yōu)化了代碼。再看下面例子：
String str = "小青蛙";
for(int i=0; i<1000; i++) {
str += i;
}上面的代碼編譯后，你可以看到編譯器同樣對這段代碼進行了優(yōu)化。
Java 在進行字符串的拼接時，JVM 編譯器會把上述代碼優(yōu)化，偏向使用 StringBuilder，這樣可以提高程序的效率。優(yōu)化后的代碼如下。
String str = "小青蛙";
for(int i=0; i<1000; i++) {
str = (new StringBuilder(String.valueOf(str))).append(i).toString();
}即使如此，還是循環(huán)內(nèi)重復創(chuàng)建 StringBuilder對象。
敲黑板
所以做字符串拼接的時候，我建議你還是要顯示地使用 String Builder 來提升系統(tǒng)性能。
如果在多線程編程中，String 對象的拼接涉及到線程安全，你可以使用 StringBuffer。
重復性高的 String 信息優(yōu)化
重點在于使用運用 intern 節(jié)省內(nèi)存。直接看intern() 方法的定義與源碼：
圖片
intern() 是一個本地方法，它的定義中說的是，當調(diào)用 intern 方法時，如果字符串常量池中已經(jīng)包含此字符串，則直接返回此字符串的引用。
否則將此字符串添加到常量池中，并返回字符串的引用。
如果不包含此字符串，先將字符串添加到常量池中，再返回此對象的引用。
Chaya：什么情況下適合使用 intern() 方法？
Twitter 工程師曾分享過一個 String.intern() 的使用示例，Twitter 每次發(fā)布消息狀態(tài)的時候，都會產(chǎn)生一個地址信息，以當時 Twitter 用戶的規(guī)模預估，服務器需要 20G 的內(nèi)存來存儲地址信息。
public class Location {
private String city;
private String region;
private String countryCode;
private double longitude;
private double latitude;
}考慮到其中有很多用戶在地址信息上是有重合的，比如，國家、省份、城市等，這時就可以將這部分信息單獨列出一個類，以減少重復，代碼如下：
public class SharedLocation {
private String city;
private String region;
private String countryCode;
}
public class Location {
private SharedLocation sharedLocation;
double longitude;
double latitude;
}通過優(yōu)化，數(shù)據(jù)存儲大小減到了 20G 左右。
但對于內(nèi)存存儲這個數(shù)據(jù)來說，依然很大，怎么辦呢？
Twitter 工程師使用 String.intern() 使重復性非常高的地址信息存儲大小從 20G 降到幾百兆，從而優(yōu)化了 String 對象的存儲。
核心代碼如下：
SharedLocation sharedLocation = new SharedLocation();
sharedLocation.setCity(messageInfo.getCity().intern());
sharedLocation.setCountryCode(messageInfo.getRegion().intern());
sharedLocation.setRegion(messageInfo.getCountryCode().intern());弄個簡單例子方便理解：
String a =new String("abc").intern();
String b = new String("abc").intern();
System.out.print(a==b);輸出結果：true。
在加載類的時候會在常量池中創(chuàng)建一個字符串對象，內(nèi)容是「abc」。
創(chuàng)建局部 a 變量時，調(diào)用 new Sting() 會在堆內(nèi)存中創(chuàng)建一個 String 對象，String 對象中的 char 數(shù)組將會引用常量池中字符串。
在調(diào)用 intern 方法之后，會去常量池中查找是否有等于該字符串對象的引用，有就返回引用。
創(chuàng)建 b 變量時，調(diào)用 new Sting() 會在堆內(nèi)存中創(chuàng)建一個 String 對象，String 對象中的 char 數(shù)組將會引用常量池中字符串。
在調(diào)用 intern 方法之后，會去常量池中查找是否有等于該字符串對象的引用，有就返回引用給局部變量。
而剛在堆內(nèi)存中的兩個對象，由于沒有引用指向它，將會被垃圾回收。
所以 a 和 b 引用的是同一個對象。
字符串分割優(yōu)化
split() 方法使用了正則表達式實現(xiàn)了其強大的分割功能，而正則表達式的性能是非常不穩(wěn)定的。
使用不恰當會引起回溯問題，很可能導致 CPU 居高不下。
Java 正則表達式使用的引擎實現(xiàn)是 NFA（Non deterministic Finite Automaton，確定型有窮自動機）自動機，這種正則表達式引擎在進行字符匹配時會發(fā)生回溯（backtracking），而一旦發(fā)生回溯，那其消耗的時間就會變得很長，有可能是幾分鐘，也有可能是幾個小時，時間長短取決于回溯的次數(shù)和復雜度。
所以我們應該慎重使用 split() 方法，我們可以用String.indexOf()方法代替 split() 方法完成字符串的分割。
最后，出一個問題給大家，歡迎在評論區(qū)留言。
通過三種不同的方式創(chuàng)建了三個對象，再依次兩兩匹配，每組被匹配的兩個對象是否相等？代碼如下：
String str1 = "abc";
String str2 = new String("abc");
String str3 = str2.intern();
assertSame(str1 == str2);
assertSame(str2 == str3);
assertSame(str1 == str3)博主簡介
碼哥，9 年互聯(lián)網(wǎng)公司后端工作經(jīng)驗，InfoQ 簽約作者、51CTO Top 紅人，阿里云開發(fā)者社區(qū)專家博主，目前擔任后端架構師主責，擅長 Redis、Spring、Kafka、MySQL技術和云原生微服務。
