C#筆記 – 文本處理

字符串

• 字符串是一個「不可變的順序字符集」，直接派生自Object，屬於引用類型

• 包括C#以內的很多語言將string視為基元類型

  • 編譯器允許源代碼直接使用字面值字符串，將這些字面值放到元數據中，在運行時加載和引用

  • string s = "Hello World";
    Console.WriteLine(s);

  • User Strings
    -------------------------------------------------------
    70000001 : (11) L"Hello World"

    • 字面值字符串會被加載到元數據中

  • IL_0000:  nop
    IL_0001:  ldstr      "Hello World"
    IL_0006:  stloc.0

    • ldstr（Load String）指令會被調用，從元數據中獲得對應的字面值並構造對象

• 字符串連接

  • 多個字符串可以通過 ‘+’ 操作符被連接起來

  • 如果字符串都是字面值，C#編譯器就會在編譯時將它們連接起來並放到元數據中

    • Console.WriteLine("AA" + " " + "DD"); //Connected in Compile Stage

    • 7000001f : ( 5) L"AA DD"

  • 如果非字面值（變量），連接則在運行時進行

    • string s = "Hello World";
      Console.WriteLine(s + "BB"); //Not Connect in Compile Stage

    • 70000001 : (11) L"Hello World"
      70000019 : ( 2) L"BB"

    • 這類連接不要使用”+”操作符來連接，避免在堆上創建多個字符串對象，產生GC影響性能

    • 應該使用StringBuilder進行連接

• 逐字字符串

  • 在字符串前加上“@”，使一個字符串被聲明為「逐字字符串」，表示引號中的所有字符會被視為字符串的一部分

  • string path = @"C:\XXXX\XXXX\XXX.txt";

字符串的不可變

• 字符串一經創建就不會被改變

  • 其所有對象方法，如ToUpper、Substring等會創建完成指定操作的臨時字符串副本，只要不保存該副本引用，該副本就會在使用完畢後被GC回收

  • 如果需要執行大量字符串操作，就會導致大量臨時字符串被創建，造成更頻繁的GC，應用StringBuilder取代

  • 避免了線程同步問題

• CLR可通過一個string對象共享多個完全一致的string內容，減少系統中的字符串數量 => 字符串留用

• 出於性能考量，CLR知道string類中的字段布局，並會直接訪問這些字段

  • 導致string必須是密封類，以防止CLR對於string的預設被破壞

字符串的比較

• 判斷相等性/排序時，最好調用string類定義的方法

  • Equals

  • Compare

  • StartsWith

  • EndsWith

• 這些方法中，很多會要求獲取一個StringComparison枚舉類型的參數

  • namespace System
    {
        public enum StringComparison
        {    
            CurrentCulture = 0,
            CurrentCultureIgnoreCase = 1,
            InvariantCulture = 2,
            InvariantCultureIgnoreCase = 3,
            Ordinal = 4,
            OrdinalIgnoreCase = 5
        }    
    }

  • 如果要以語言文化正確的方式來比較字符串，應傳遞CurrentCulture(IgnoreCase)參數

  • 盡量避免使用InvariantCulture(IgnoreCase)，比較所花時間遠超使用「序號比較」的Ordinal(IgnoreCase)

    • 「序號比較」：不考慮語言文化信息，只比較字符串中每個Char的Unicode碼位

      • 序號比較前，要先用ToUpperInvariant來對字符串進行正規化

• 少部分會要求獲取一個CompareOptions枚舉類型的參數

  • namespace System.Globalization
    {
        [Flags]
        public enum CompareOptions
        {
            None = 0,
            IgnoreCase = 1,
            IgnoreNonSpace = 2,
            IgnoreSymbols = 4,
            IgnoreKanaType = 8,
            IgnoreWidth = 16,
            OrdinalIgnoreCase = 268435456,
            StringSort = 536870912,
            Ordinal = 1073741824
        }
    }

  • 接受該實參的方法要求顯式傳遞語言文化，Ordinal(IgnoreCase)會忽略語言文化的比較

• 避免使用string.CompareTo、CompareOrdinal、==操作符、!=操作符來比較字符串

  • 這些比較方法無法從使用上看出比較方式（序號比較？字符展開？對語言文化是否敏感？）

    • 「字符展開」：將一個字符展開成忽視語言文化的多個字符

• CultureInfo

  • 這個類表示一個「語言/國家」

  • 在CLR中，每個線程關聯了兩個屬性，每個屬性又引用一個CultureInfo對象

    • CurrentUICulture

      • UI元素的語言

    • CurrentCulture

      • 數字/日期格式化

      • 字符串大小

      • 字符串比較

  • CultureInfo內部的一個字段引用了一個System.Globalization.CompareInfo對象

    • 該對象封裝了語言文化的字符排序表信息（根據Unicode標準定義）

    • 每種語言文化只有1個CompareInfo對象

  • 調用string.Compare時：

    • 如果指定了語言文化（CultureInfo），就會使用指定的語言文化；沒有則使用線程的CurrentCulture屬性

    • Compare方法內部會獲取該CultureInfo的CompareInfo對象引用，並調用其Compare方法

      • 該Compare方法獲取來自CompareOptions枚舉類型的值作為參數，該枚舉定義的符號代表一組位標志（bit flag）

      • 對這些bit flag進行OR運算可進行更全面的控制

字符串留用

• 由於字符串是不可變的，所以一般而言，一個字符串在內存裡只需要一個實例

  • 引用字符串的所有變量只需指向單獨一個字符串對象

  • string s1 = "Hello";
    string s2 = "Hello";
    Console.WriteLine(Object.ReferenceEquals(s1, s2)); //True => 已留用

• CLR初始化時會創建一個內部哈希表

  • 鍵為字符串；值為對托管堆string對象的引用

  • string類提供了兩個方法訪問該哈希表

    • Intern(string str)

      • 該方法獲取一個string參數，獲取其哈希碼其檢查內部哈希表中是否有匹配項，有則返回該引用；沒有則創建副本，添加到內部哈希表中，返回該引用

      • GC不能釋放內部哈希表引用的字符串，除非AppDomain卸載/進程終止

        • 也就是Interned了的字符串，即使在代碼上看起來已經沒有被引用，其內存也無法被釋放

    • IsInterned(string str)

      • 該方法同樣在內部哈希表中檢查字符串是否存在；但在找不到的情況下，不會創建副本和添加到內部哈希表中，並返回null

• 字符串留用的使用需要謹慎

  • 除非顯式調用string的Intern方法，否則不要以「字符串已留用」的前提來寫代碼

  • 可檢查程序集是否使用了System.Runtime.CompilerServices.CompilationRelaxationsAttribute進行標記且指定了NoStringInterning標志值

• 字符串池

  • 由於在編譯源代碼時，編譯器需要將字面值字符串嵌入到元數據中，如果同一個字符串在源碼中多次出現，就會導致元數據無意義的膨脹。

    • 因此，包括C#以內的很多編譯器會確保同一字符串的字面值字符串只在元數據中寫入一次

    • 引用該字符串的所有代碼被修改成引用元數據中的同一字符串

    • 編譯器將單個字符串的多個實例合併成一個實例