【C\C++】从内存的角度玩转字符串

【纯纯干货直接拉到 “C 的字符串和指针” 部分】

首先交代一下这个问题的背景。
我们要做的是一个类似于字符串拼接的工作。实际是把一个关系数据库内，来自不同表的不同record拼接起来，就是所谓的join操作。
在这个数据库里，所有的 record 是以 void* 的形式存储的。很多朋友可能不理解数据库存储的方式，简单说一下。比如一个数据库，它的表头是（id，name，age），假如说有一条record是（1，“Liming”，17）。这一条 record 里面的三个数字，是完完全全以首尾相连的字节形式存储在磁盘上的。也就是说，机器只认你这块的二进制码，不在乎你是什么类型。类型是程序语言设计的，存储设备是不知道的。只是程序语言把从存储设备里读出来的东西，按照它的做法变成了某种类型让人操作而已。
在insert的时候，先声明一个临时的 char* 用来存储这些字节，之后把每一个字段的值memcpy到这个char* 里面（每个字段的长度都是建表的时候规定好的），最后把这个临时的 char* 赋值给实际用于存储的 void*。
我们要做的第一件事，是把这些字节读进一个vector<string>里。

---

字符串从C到C++

C风格字符串就是一个char*，而C++风格字符串是一个string。string其实是一个容器，它里面封装的其实就是一个 char*，但是因为封装成 string，就可以用在很多STL的算法里。C++ Primer把string和ector放在一起去讲的，原因就是它们都是C 里面不能变长的一些东西的封装（字符串和数组，注意C是没有字符串类型的）。

先来点基本的：

int main(){
   
    cout << sizeof(char) << endl;					//1
    cout << sizeof(char*) << endl;					//8
    cout << sizeof(int*) << endl;					//8
    cout << sizeof(string) << endl;					//32

    char* a = "123";
    cout << "*a的值是 " << *a << endl;				//1
    cout << "*a的size是 " << sizeof(*a) << endl;	//1
    cout << "a的值是 " << a << endl;				//123
    cout << "a的size是 " << sizeof(a) << endl;		//8
    
    string b = a;                       			// string b = "123"; 这两句等价
    cout << "b的值是 " << b << endl;				//123
    cout << "b的size是 " << sizeof(b) << endl;		//32
}

逐句分析以上代码：

1. char 类型数据在内存中占据1个字节。
2. 任何指针类型在内存中占据8个字节。我的机器是64位的，32位就是4咯。指针的值是一个地址，地址长度就是 CPU 里面寄存器的数据宽度（现代计算机的核心就是“取值-执行”，寄存器里存的是要操作数据的地址）。这也就是所谓机器字长，即计算机进行一次整数运算所能处理的二进制数据的位数。机器字长通常就是 CPU 内部数据通道的宽度，这是效率最大化的。一个能一次处理64位的机器，但是数据通道一次只能运输32位，那就得运输两次才能处理一次。数据库里也有类似的思想，数据在内存中以 4KB 大小的 page 存储，因此 buffer pool 和 disk 间的 I/O 大小就是 4kb，一次刚好取一页。
3. string 类型数据在内存中占据32个字节。string 是一个类，它里面封装了一个 char* 的指针，其实还有别的其它数据成员。这32个字节里有8个属于 char*，其它24个字节我们也不需要知道是啥。它的 sizeof 绝对不是它存的那个字符串的 sizeof。
4. C语言中字符串实际是以字符数组（char[]）的形式保存的。char * a 这个 a，就被视为数组名。对数组名解引用，得到的就是 a[0] 的值，即1。这个1是个存在字符数组里的东西，因此是个 char 类型，它的 sizeof 就是1。
5. C/C++里的 len 才是真正获取字符串长度的东西。两种语言的 len 的值都是3，说明C和C++取字符串长度都不计算字符串末尾的 \0。

继续看：

int main(){
   
    char a[] = {
   '1', '2', '\0', '3', '4'};          //写成char* 会直接error
    char b[] = "12\034";                            //写成char* 会报warning

    cout << "a的len是 " << strlen(a) << endl;		//2
    cout << "b的len是 " << strlen(b) << endl;		//3

    cout << "a的值是 " << a << endl;					//12
    cout << "b的值是 " << b << endl;					//12
} 

1. 大括号初始化 char a[] 没问题，如果用大括号初始化 char * 就会报【Error】scalar object 'a' requires one element in initializer，也就是说列表初始化的对象一定要是一个“组”，不管是数组还是容器。初始化 char* 扔到 .c文件能通过编译，会报【Warrning】，但是这个 a 是不可用的。尽管C并没有列表初始化，但它也只支持用大括号去初始化数组，不能用这玩意初始化指针。
2. strlen() 是C里用来计算长度的函数，截止到 \0，这玩意在C++里对应的是 string 类的 length() 方法。那明明大家都是2后面跟个\0，为啥 a 和 b 的长度不相等呢？

• 都知道 C 字符串会在末位加个\0，也就是说 a 实际存的时候占了6个字节的空间，4后面还有一个自动填上的 \0。这东西的作用就是不需要搞长度了，编译器读到 \0就自动认为当前字符串已经结束。那这就造成了整个字符串使用过程中最大的麻烦：字符串里一旦有我们手动添加的 \0，编译器不知道这个是不是它添加的就直接截断了。毕竟设计这个事的人可能觉着正常人是没有闲着没事往字符串里加 \0的。所以 a 被截断了，长度就是2。
• 为啥 b 的长度就是3呢？因为编译器看到"12\034"，根本就不认为是12和34之间加了个 \0，因为有个双引号转义字符叫 \034。所以实际上编译器认为b 是这样的 ‘1’ ‘2’ ‘\034’ ‘\0’。因此 len 长度是3，毕竟编译器唯爱 \0。那读b+4的值就是未定义的行为了，溢出了。要注意，\034 这个玩意儿是存在一个 char 里的，我现在要把两个字符串拼一起（memcpy），会不会出现第一串尾巴的 \0 和后一串开头可能会出现的34碰面消了的情况呢？不会。因为 \0 独占一个字节，3和4各占一个字节，字符串的copy都是按字节copy的。就是说假如说我输入 \034 会出现二义性，是因为我这东西要经过编译器解析，编译器它设计解析树的时候就没办法避免这个事。但是copy，直接走字节，全是0和1，这玩意连意义都没有，更别提有什么二义的可能。

再继续：

int main(){
   
    char a[] = {
   '1', '2', '\0', '3', '4'};          //2
    cout << strlen(a) << endl;
    string s = {
   '1', '2', '\0', '3', '4'};     		//5
    cout << s.length() << endl;
    cout << s << endl;								//1234
} 

为什么string里遇到了 \0，还是能完整读出1234，长度也是5？有人会说，这是因为 C++ 的 string 不以 \0 结束。是这样的吗？

int main(){
   
	string s("12345");
	for (int i = 0; i <= s.size()+3; i++){
   			
        cout << s[i];
	        if(s[i] == '\0')<