我们不需要字符串类型

原文链接：  mortoray    翻译：  伯乐在线  -  zzzworm

译文链接： http://blog.jobbole.com/52338/

字符串是应该作为内置类型还是仅仅作为字符数组的一个别名呢？考虑到实现细节的可选性，我并不认为需要对字符串进行类型特化。在C++看来，字符串和“vector”容器基本上是一样的，除了某些特殊操作，例如：大小写转换，需要依赖容器元素“char”类型（而不是作用于容器本身）。

 

什么是字符串？

字符串除了是一系列的字符组成，没有什么特别的。更确切地说，程序中的字符串是特定字符集的字符集合。这里的字符并不总是图象字符，它可以包含可打印字符，连接字符，或者控制字符，那么这又有什么不同吗？

考虑计算字符串的长度，它应该返回的是字符串中字形字符、连接符号的总数还是应该返回字符串中字符占用空间的长度？两个字面等价但是内部存储不同的的字符串应该返回相同的长度吗？考虑字符串规范化的复杂程度和应用相同规则来计算‘length’长度听起来很荒唐可笑。不同场景下字符串的长度很难统一计算，而且这还依赖于字符渲染引擎。唯一有意义的是返回字符串存储空间大小——而这和计算字符数组的长度是一致的。

我们可以通过对字符串进行索引和取下标操作。那么我们应该使用字符字面索引还是字符存储索引？另外，考虑到组合Unicode字符串，没有统一的标准来衡量哪些字符是字面显示字符，哪些是控制字符。字符的组合种类很多（不受限制），因此没有固定的字符类型来定义一个“逻辑”字符。因此字符串的操作应该针对存储字符地址——这又和字符数组没有区别了。

 

C++中的不同

C++中的string和vector只有一个明显的区别是：string是以null结尾的。并且string提供c_str方法返回内部字符串存储指针。（C++11定义了string来表明这是存储字符串的有效方式）。

对C++来说，如果string不提供c_str方法，那么string类就基本没有存在的必要（相对于vector）。然而，这是也不是一个必须的特性，提供出来只是为了方便将string进行转换，从而方便调用早期C风格的字符串指针API。怪异的是，C++标准库也使用了类似的接口，ofstream的构造函数需要传递的是一个‘const char*’指针而不是string类型。（在C++11中修复了该问题）

使用null作为字符串结束符也是一个糟糕的选择，导致在C函数库中，一些函数如：strcat, strcpy并不安全。使用C风格的字符串是一件令人生畏且容易出错的差事。现代风格的API接口已经很少依赖使用null作为字符串结束，这些函数通常都要求提供字符串的长度作为一个参数。

导致C++中的string和vector有所不同，这是因为历史包袱，而大多数程序员都不需要关心它的存在。

 

字符代理和变长字符编码

前述的讨论基于这样一个假设：字符串存储中一个存储元素编码一个字符。而通常采用这种编码方式是效率低下的，使用变长字符编码可以解决这个问题：使用不同数量的字节来表示一个字符。例如：在UTF-16中，一个字符可以由2个字节或者4个字节进行存储。而不存储字符的单元作为存储序列的一部分，被叫做字符代理。

字符代理和连接字符不同。字符代理在字符集中没有意义：它只是用来填充编码占位。对字符的到操作依赖以实际存储元素位置。将编码字符串当作一系列的字符来操作，通常很麻烦而且容易导致未知语义。编码字符串的length应该返回什么值呢？是编码字符的个数还是存储元素的个数？

目前的方法是，将编码字符串作为一种特殊字符类型，并提供一定程度的抽象，你可要存储各种类型的字符，也可以将其作为一个字符序列操作。length返回字符的个数，而与底层编码方式无关（或者通过其他方法返回）。

设计这个类的挑战在于效率。基本操作如索引字符变成了一个线性复杂度操作。需要先对字符串进行解码，从开始扫描，重新组织字符代理，并计算真实的字符个数。即便是简单的前向扫描也依赖以循环和下一个字符状态的解析。而这种操作负载在所有的基本操作都会被累积，比如拆分，翻译和正则表达式匹配。

目前（内置字符串类型）的语言并没有按这种方式操作字符串，考虑效率问题，这使得采用这种方式变得没有吸引力。而在字符域，加载字符，解码字符和对字符串进行处理则简单得多。这种方式会消耗更多内存，但是我认为这对于世界上现有的字符集来说并不是一个主要问题——尽管存在大量的字符集，但是相较其他集合则小得多。

 

函数库的支持

字符串有许多相对于简单数组的特殊操作：规范化、字符转换、正则表达式运算、字符解析、格式化、裁剪、编码等等。相对地，任何类型的“vector”都有一些特殊操作：数字可以累加，求平均，计算中位数。向量可以做变换，简化和栅格化。

值得探讨的是，一些集合运算是应该作为一个成员函数还是独立函数。如果上述操作作为一个成员函数，那么需要特地提供一个”string”类型。而上述操作提供为独立函数的话，使用原始”array”数组类型就可以工作了。显然，上述操作都可以写成独立函数，没有那个函数需要特别的处理，只需要提供array接口就可以了。

不过有一个语法上的特例，如果我把”str.toUpperCase()”提取为独立函数显得有点怪异。D语言则完全统一了函数调用语法。我预计C++也会跟随这一趋势，许多操作函数已经被当作独立函数提供而不是采用成员函数。似乎发展也倾向于独立函数。

如果独立函数可行，那么就没有必要提取一个string类。字符串操作可以写成作用于字符数组的独立函数。

 

字符串代表什么？

如果你的字符串不仅仅使用ASCI字符，通常可以考虑使用Unicode字符集，但是，也有可能在你的代码中，只使用了ascii码或者是latin-1编码。不过大多数字符串都不会仅限于此。有些语言，比如PHP，允许你在全局范围设定编码方式。使用string做标记，通常都不会做太多变化（译：我猜测作者的意思应该是大多数语言已经内置了string的编码方式，而且不允许调整）。

我们假定字符集使用ascii编码，以ascii编码的字符串使用一个模版类string。为了标识不同于其他字符集，我们把这个字符串类型标识为“char ascii”。一旦我们做了这样的设定，我们就不希望再感受到string的类型了，它工作起来就和数组很相似了。

回到刚才谈到的变长编码：如果你使用UTF-16编码字符，并且需要使用字符代理。现在string变得含义模糊了，string应该被当做unicode字符组合还是真实的utf16编码值？（沿用刚才的实现）使用一个类型别名标识比较合适，我们假定为“type utf16:binary 16bit”，并作为一个数组。现在歧义消除了，字符串是编码值的集合，而不是字符。

 

仅仅是一个typedef？

现在我觉得不需要定义一个特殊的string类型，如果需要string类型，可以仅仅使用一个数组的别名。但是string作为基础类型被大量使用，这也导致了许多问题。一些情况下需要着重考虑字符编码，使用特定类型的数组就会比较安全。同时也需要一个富字符串处理函数库，但是不应该作为一个字符串类型（string）提供。

你能举例有什么情况下需要专门的string类型，或者这样做会更有效吗？

字符串是应该作为内置类型还是仅仅作为字符数组的一个别名呢？考虑到实现细节的可选性，我并不认为需要对字符串进行类型特化。在C++看来，字符串和“vector”容器基本上是一样的，除了某些特殊操作，例如：大小写转换，需要依赖容器元素“char”类型（而不是作用于容器本身）。

 

什么是字符串？

字符串除了是一系列的字符组成，没有什么特别的。更确切地说，程序中的字符串是特定字符集的字符集合。这里的字符并不总是图象字符，它可以包含可打印字符，连接字符，或者控制字符，那么这又有什么不同吗？

考虑计算字符串的长度，它应该返回的是字符串中字形字符、连接符号的总数还是应该返回字符串中字符占用空间的长度？两个字面等价但是内部存储不同的的字符串应该返回相同的长度吗？考虑字符串规范化的复杂程度和应用相同规则来计算‘length’长度听起来很荒唐可笑。不同场景下字符串的长度很难统一计算，而且这还依赖于字符渲染引擎。唯一有意义的是返回字符串存储空间大小——而这和计算字符数组的长度是一致的。

我们可以通过对字符串进行索引和取下标操作。那么我们应该使用字符字面索引还是字符存储索引？另外，考虑到组合Unicode字符串，没有统一的标准来衡量哪些字符是字面显示字符，哪些是控制字符。字符的组合种类很多（不受限制），因此没有固定的字符类型来定义一个“逻辑”字符。因此字符串的操作应该针对存储字符地址——这又和字符数组没有区别了。

 

C++中的不同

C++中的string和vector只有一个明显的区别是：string是以null结尾的。并且string提供c_str方法返回内部字符串存储指针。（C++11定义了string来表明这是存储字符串的有效方式）。

对C++来说，如果string不提供c_str方法，那么string类就基本没有存在的必要（相对于vector）。然而，这是也不是一个必须的特性，提供出来只是为了方便将string进行转换，从而方便调用早期C风格的字符串指针API。怪异的是，C++标准库也使用了类似的接口，ofstream的构造函数需要传递的是一个‘const char*’指针而不是string类型。（在C++11中修复了该问题）

使用null作为字符串结束符也是一个糟糕的选择，导致在C函数库中，一些函数如：strcat, strcpy并不安全。使用C风格的字符串是一件令人生畏且容易出错的差事。现代风格的API接口已经很少依赖使用null作为字符串结束，这些函数通常都要求提供字符串的长度作为一个参数。

导致C++中的string和vector有所不同，这是因为历史包袱，而大多数程序员都不需要关心它的存在。

 

字符代理和变长字符编码

前述的讨论基于这样一个假设：字符串存储中一个存储元素编码一个字符。而通常采用这种编码方式是效率低下的，使用变长字符编码可以解决这个问题：使用不同数量的字节来表示一个字符。例如：在UTF-16中，一个字符可以由2个字节或者4个字节进行存储。而不存储字符的单元作为存储序列的一部分，被叫做字符代理。

字符代理和连接字符不同。字符代理在字符集中没有意义：它只是用来填充编码占位。对字符的到操作依赖以实际存储元素位置。将编码字符串当作一系列的字符来操作，通常很麻烦而且容易导致未知语义。编码字符串的length应该返回什么值呢？是编码字符的个数还是存储元素的个数？

目前的方法是，将编码字符串作为一种特殊字符类型，并提供一定程度的抽象，你可要存储各种类型的字符，也可以将其作为一个字符序列操作。length返回字符的个数，而与底层编码方式无关（或者通过其他方法返回）。

设计这个类的挑战在于效率。基本操作如索引字符变成了一个线性复杂度操作。需要先对字符串进行解码，从开始扫描，重新组织字符代理，并计算真实的字符个数。即便是简单的前向扫描也依赖以循环和下一个字符状态的解析。而这种操作负载在所有的基本操作都会被累积，比如拆分，翻译和正则表达式匹配。

目前（内置字符串类型）的语言并没有按这种方式操作字符串，考虑效率问题，这使得采用这种方式变得没有吸引力。而在字符域，加载字符，解码字符和对字符串进行处理则简单得多。这种方式会消耗更多内存，但是我认为这对于世界上现有的字符集来说并不是一个主要问题——尽管存在大量的字符集，但是相较其他集合则小得多。

 

函数库的支持

字符串有许多相对于简单数组的特殊操作：规范化、字符转换、正则表达式运算、字符解析、格式化、裁剪、编码等等。相对地，任何类型的“vector”都有一些特殊操作：数字可以累加，求平均，计算中位数。向量可以做变换，简化和栅格化。

值得探讨的是，一些集合运算是应该作为一个成员函数还是独立函数。如果上述操作作为一个成员函数，那么需要特地提供一个”string”类型。而上述操作提供为独立函数的话，使用原始”array”数组类型就可以工作了。显然，上述操作都可以写成独立函数，没有那个函数需要特别的处理，只需要提供array接口就可以了。

不过有一个语法上的特例，如果我把”str.toUpperCase()”提取为独立函数显得有点怪异。D语言则完全统一了函数调用语法。我预计C++也会跟随这一趋势，许多操作函数已经被当作独立函数提供而不是采用成员函数。似乎发展也倾向于独立函数。

如果独立函数可行，那么就没有必要提取一个string类。字符串操作可以写成作用于字符数组的独立函数。

 

字符串代表什么？

如果你的字符串不仅仅使用ASCI字符，通常可以考虑使用Unicode字符集，但是，也有可能在你的代码中，只使用了ascii码或者是latin-1编码。不过大多数字符串都不会仅限于此。有些语言，比如PHP，允许你在全局范围设定编码方式。使用string做标记，通常都不会做太多变化（译：我猜测作者的意思应该是大多数语言已经内置了string的编码方式，而且不允许调整）。

我们假定字符集使用ascii编码，以ascii编码的字符串使用一个模版类string。为了标识不同于其他字符集，我们把这个字符串类型标识为“char ascii”。一旦我们做了这样的设定，我们就不希望再感受到string的类型了，它工作起来就和数组很相似了。

回到刚才谈到的变长编码：如果你使用UTF-16编码字符，并且需要使用字符代理。现在string变得含义模糊了，string应该被当做unicode字符组合还是真实的utf16编码值？（沿用刚才的实现）使用一个类型别名标识比较合适，我们假定为“type utf16:binary 16bit”，并作为一个数组。现在歧义消除了，字符串是编码值的集合，而不是字符。

 

仅仅是一个typedef？

现在我觉得不需要定义一个特殊的string类型，如果需要string类型，可以仅仅使用一个数组的别名。但是string作为基础类型被大量使用，这也导致了许多问题。一些情况下需要着重考虑字符编码，使用特定类型的数组就会比较安全。同时也需要一个富字符串处理函数库，但是不应该作为一个字符串类型（string）提供。

你能举例有什么情况下需要专门的string类型，或者这样做会更有效吗？