提升Java字符串编码解码性能的技巧

简介：常见的字符串编码有LATIN1、UTF-8、UTF-16、GB18030，他们各有各的特点，且之间的转换比较复杂。本文将为大家介绍提升Java字符串编码解码性能的技巧。

作者 | 温绍锦 (高铁)
来源 | 阿里开发者公众号

1 常见字符串编码

常见的字符串编码有：

LATIN1 只能保存ASCII字符，又称ISO-8859-1。
UTF-8 变长字节编码，一个字符需要使用1个、2个或者3个byte表示。由于中文通常需要3个字节表示，中文场景UTF-8编码通常需要更多的空间，替代的方案是GBK/GB2312/GB18030。
UTF-16 2个字节，一个字符需要使用2个byte表示，又称UCS-2 (2-byte Universal Character Set)。根据大小端的区分，UTF-16有两种形式，UTF-16BE和UTF-16LE，缺省UTF-16指UTF-16BE。Java语言中的char是UTF-16LE编码。
GB18030 变长字节编码，一个字符需要使用1个、2个或者3个byte表示。类似UTF8，中文只需要2个字符，表示中文更省字节大小，缺点是在国际上不通用。

为了计算方便，内存中字符串通常使用等宽字符，Java语言中char和.NET中的char都是使用UTF-16。早期Windows-NT只支持UTF-16。

2 编码转换性能

UTF-16和UTF-8之间转换比较复杂，通常性能较差。

如下是一个将UTF-16转换为UTF-8编码的实现，可以看出算法比较复杂，所以性能较差，这个操作也无法使用vector API做优化。

static int encodeUTF8(char[] utf16, int off, int len, byte[] dest, int dp) {int sl = off + len, last_offset = sl - 1;while (off < sl) {char c = utf16[off++];if (c < 0x80) {// Have at most seven bitsdest[dp++] = (byte) c;} else if (c < 0x800) {// 2 dest, 11 bitsdest[dp++] = (byte) (0xc0 | (c >> 6));dest[dp++] = (byte) (0x80 | (c & 0x3f));} else if (c >= '\uD800' && c < '\uE000') {int uc;if (c < '\uDC00') {if (off > last_offset) {dest[dp++] = (byte) '?';return dp;}char d = utf16[off];if (d >= '\uDC00' && d < '\uE000') {uc = (c << 10) + d + 0xfca02400;} else {throw new RuntimeException("encodeUTF8 error", new MalformedInputException(1));}} else {uc = c;}dest[dp++] = (byte) (0xf0 | ((uc >> 18)));dest[dp++] = (byte) (0x80 | ((uc >> 12) & 0x3f));dest[dp++] = (byte) (0x80 | ((uc >> 6) & 0x3f));dest[dp++] = (byte) (0x80 | (uc & 0x3f));off++; // 2 utf16} else {// 3 dest, 16 bitsdest[dp++] = (byte) (0xe0 | ((c >> 12)));dest[dp++] = (byte) (0x80 | ((c >> 6) & 0x3f));dest[dp++] = (byte) (0x80 | (c & 0x3f));}}return dp;
}

3 Java String的编码

不同版本的JDK String的实现不一样，从而导致有不同的性能表现。char是UTF-16编码，但String在JDK 9之后内部可以有LATIN1编码。

3.1. JDK 6之前的String实现

static class String {final char[] value;final int offset;final int count;
}

在Java 6之前，String.subString方法产生的String对象和原来String对象共用一个char[] value，这会导致subString方法返回的String的char[]被引用而无法被GC回收。于是使得很多库都会针对JDK 6及以下版本避免使用subString方法。

3.2. JDK 7/8的String实现

static class String {final char[] value;
}

JDK 7之后，字符串去掉了offset和count字段，value.length就是原来的count。这避免了subString引用大char[]的问题，优化也更容易，从而JDK7/8中的String操作性能比Java 6有较大提升。

3.3. JDK 9/10/11的实现

static class String {final byte code;final byte[] value;static final byte LATIN1 = 0;static final byte UTF16  = 1;
}

JDK 9之后，value类型从char[]变成byte[]，增加了一个字段code，如果字符全部是ASCII字符，使用value使用LATIN编码；如果存在任何一个非ASCII字符，则用UTF16编码。这种混合编码的方式，使得英文场景占更少的内存。缺点是导致Java 9的String API性能可能不如JDK 8，特别是传入char[]构造字符串，会被做压缩为latin编码的byte[]，有些场景会下降10%。

4 快速构造字符串的方法

为了实现字符串是不可变特性，构造字符串的时候，会有拷贝的过程，如果要提升构造字符串的开销，就要避免这样的拷贝。

比如如下是JDK8的String的一个构造函数的实现

public final class String {public String(char value[]) {this.value = Arrays.copyOf(value, value.length);}
}

在JDK8中，有一个构造函数是不做拷贝的，但这个方法不是public，需要用一个技巧实现MethodHandles.Lookup & LambdaMetafactory绑定反射来调用，文章后面有介绍这个技巧的代码。

public final class String {String(char[] value, boolean share) {// assert share : "unshared not supported";this.value = value;}
}

快速构造字符的方法有三种：

使用MethodHandles.Lookup & LambdaMetafactory绑定反射
使用JavaLangAccess的相关方法
使用Unsafe直接构造

这三种方法，1和2性能差不多，3比1和2略慢，但都比直接new字符串要快得多。JDK8使用JMH测试的数据如下:

Benchmark                          Mode  Cnt       Score       Error   Units
StringCreateBenchmark.invoke      thrpt    5  784869.350 ±  1936.754  ops/ms
StringCreateBenchmark.langAccess  thrpt    5  784029.186 ±  2734.300  ops/ms
StringCreateBenchmark.unsafe      thrpt    5  761176.319 ± 11914.549  ops/ms
StringCreateBenchmark.newString   thrpt    5  140883.533 ±  2217.773  ops/ms

在JDK 9之后，对全部是ASCII字符的场景，直接构造能达到更好的效果。

4.1 基于MethodHandles.Lookup & LambdaMetafactory绑定反射的快速构造字符串的方法。

相关代码地址[2]。

4.1.1 JDK8快速构造字符串

public static BiFunction< char[], Boolean, String> getStringCreatorJDK8() throws Throwable {Constructor< MethodHandles.Lookup> constructor = MethodHandles.Lookup.class.getDeclaredConstructor(Class.class, int.class);constructor.setAccessible(true);MethodHandles lookup = constructor.newInstance(String.class, -1 // Lookup.TRUSTED);MethodHandles.Lookup caller = lookup.in(String.class);MethodHandle handle = caller.findConstructor(String.class, MethodType.methodType(void.class, char[].class, boolean.class));CallSite callSite = LambdaMetafactory.metafactory(caller, "apply", MethodType.methodType(BiFunction.class), handle.type().generic(), handle, handle.type());return (BiFunction) callSite.getTarget().invokeExact();
}

4.1.2 JDK 11快速构造字符串的方法

public static ToIntFunction< String> getStringCode11() throws Throwable {Constructor< MethodHandles.Lookup> constructor = MethodHandles.Lookup.class.getDeclaredConstructor(Class.class, int.class);constructor.setAccessible(true);MethodHandles.Lookup lookup = constructor.newInstance(String.class, -1 // Lookup.TRUSTED);MethodHandles.Lookup caller = lookup.in(String.class);MethodHandle handle = caller.findVirtual(String.class, "coder", MethodType.methodType(byte.class));CallSite callSite = LambdaMetafactory.metafactory(caller, "applyAsInt", MethodType.methodType(ToIntFunction.class), MethodType.methodType(int.class, Object.class), handle, handle.type());return (ToIntFunction< String>) callSite.getTarget().invokeExact();
}

if (JDKUtils.JVM_VERSION == 11) {Function< byte[], String> stringCreator = JDKUtils.getStringCreatorJDK11();byte[] bytes = new byte[]{'a', 'b', 'c'};String apply = stringCreator.apply(bytes);assertEquals("abc", apply);
}

4.1.3 JDK 17快速构造字符串的方法

在JDK 17中，MethodHandles.Lookup使用Reflection.registerFieldsToFilter对lookupClass和allowedModes做了保护，网上搜索到的通过修改allowedModes的办法是不可用的。

在JDK 17中，要通过配置JVM启动参数才能使用MethodHandlers。如下：

--add-opens java.base/java.lang.invoke=ALL-UNNAMED

public static BiFunction< byte[], Charset, String> getStringCreatorJDK17() throws Throwable {Constructor< MethodHandles.Lookup> constructor = MethodHandles.Lookup.class.getDeclaredConstructor(Class.class, Class.class, int.class);constructor.setAccessible(true);MethodHandles.Lookup lookup = constructor.newInstance(String.class, null, -1 // Lookup.TRUSTED);MethodHandles.Lookup caller = lookup.in(String.class);MethodHandle handle = caller.findStatic(String.class, "newStringNoRepl1", MethodType.methodType(String.class, byte[].class, Charset.class));CallSite callSite = LambdaMetafactory.metafactory(caller, "apply", MethodType.methodType(BiFunction.class), handle.type().generic(), handle, handle.type());return (BiFunction< byte[], Charset, String>) callSite.getTarget().invokeExact();
}

if (JDKUtils.JVM_VERSION == 17) {BiFunction< byte[], Charset, String> stringCreator = JDKUtils.getStringCreatorJDK17();byte[] bytes = new byte[]{'a', 'b', 'c'};String apply = stringCreator.apply(bytes, StandardCharsets.US_ASCII);assertEquals("abc", apply);
}

4.2 基于JavaLangAccess快速构造

通过SharedSecrets提供的JavaLangAccess，也可以不拷贝构造字符串，但是这个比较麻烦，JDK 8/11/17的API都不一样，对一套代码兼容不同的JDK版本不方便，不建议使用。

JavaLangAccess javaLangAccess = SharedSecrets.getJavaLangAccess();
javaLangAccess.newStringNoRepl(b, StandardCharsets.US_ASCII);

4.3 基于Unsafe实现快速构造字符串

public static final Unsafe UNSAFE;
static {Unsafe unsafe = null;try {Field theUnsafeField = Unsafe.class.getDeclaredField("theUnsafe");theUnsafeField.setAccessible(true);unsafe = (Unsafe) theUnsafeField.get(null);} catch (Throwable ignored) {}UNSAFE = unsafe;
}Object str = UNSAFE.allocateInstance(String.class);
UNSAFE.putObject(str, valueOffset, chars);

注意：在JDK 9之后，实现是不同，比如:

Object str = UNSAFE.allocateInstance(String.class);
UNSAFE.putByte(str, coderOffset, (byte) 0);
UNSAFE.putObject(str, valueOffset, (byte[]) bytes);

4.4 快速构建字符串的技巧应用：

如下的方法格式化日期为字符串，性能就会非常好。

public String formatYYYYMMDD(Calendar calendar) throws Throwable {int year = calendar.get(Calendar.YEAR);int month = calendar.get(Calendar.MONTH) + 1;int dayOfMonth = calendar.get(Calendar.DAY_OF_MONTH);byte y0 = (byte) (year / 1000 + '0');byte y1 = (byte) ((year / 100) % 10 + '0');byte y2 = (byte) ((year / 10) % 10 + '0');byte y3 = (byte) (year % 10 + '0');byte m0 = (byte) (month / 10 + '0');byte m1 = (byte) (month % 10 + '0');byte d0 = (byte) (dayOfMonth / 10 + '0');byte d1 = (byte) (dayOfMonth % 10 + '0');if (JDKUtils.JVM_VERSION >= 9) {byte[] bytes = new byte[] {y0, y1, y2, y3, m0, m1, d0, d1};if (JDKUtils.JVM_VERSION == 17) {return JDKUtils.getStringCreatorJDK17().apply(bytes, StandardCharsets.US_ASCII);}if (JDKUtils.JVM_VERSION <= 11) {return JDKUtils.getStringCreatorJDK11().apply(bytes);}return new String(bytes, StandardCharsets.US_ASCII);}char[] chars = new char[]{(char) y0, (char) y1, (char) y2, (char) y3, (char) m0,(char) m1, (char) d0, (char) d1};if (JDKUtils.JVM_VERSION == 8) {return JDKUtils.getStringCreatorJDK8().apply(chars, true);}return new String(chars);
}

5 快速遍历字符串的办法

无论JDK什么版本，String.charAt都是一个较大的开销，JIT的优化效果并不好，无法消除参数index范围检测的开销，不如直接操作String里面的value数组。

public final class String {private final char value[];public char charAt(int index) {if ((index < 0) || (index >= value.length)) {throw new StringIndexOutOfBoundsException(index);}return value[index];}
}

在JDK 9之后的版本，charAt开销更大

public final class String {private final byte[] value;private final byte coder;public char charAt(int index) {if (isLatin1()) {return StringLatin1.charAt(value, index);} else {return StringUTF16.charAt(value, index);}}
}

5.1 获取String.value的方法

获取String.value的方法有如下：

使用Field反射
使用Unsafe

Unsafe和Field反射在JDK 8 JMH的比较数据如下：

Benchmark                         Mode  Cnt        Score       Error   Units
StringGetValueBenchmark.reflect  thrpt    5   438374.685 ±  1032.028  ops/ms
StringGetValueBenchmark.unsafe   thrpt    5  1302654.150 ± 59169.706  ops/ms

5.1.1 使用反射获取String.value

static Field valueField;
static {try {valueField = String.class.getDeclaredField("value");valueField.setAccessible(true);} catch (NoSuchFieldException ignored) {}
}char[] chars = (char[]) valueField.get(str);

5.1.2 使用Unsafe获取String.value

static long valueFieldOffset;
static {try {Field valueField = String.class.getDeclaredField("value");valueFieldOffset = UNSAFE.objectFieldOffset(valueField);} catch (NoSuchFieldException ignored) {}
}char[] chars = (char[]) UNSAFE.getObject(str, valueFieldOffset);

static long valueFieldOffset;
static long coderFieldOffset;
static {try {Field valueField = String.class.getDeclaredField("value");valueFieldOffset = UNSAFE.objectFieldOffset(valueField);Field coderField = String.class.getDeclaredField("coder");coderFieldOffset = UNSAFE.objectFieldOffset(coderField);} catch (NoSuchFieldException ignored) {}
}byte coder = UNSAFE.getObject(str, coderFieldOffset);
byte[] bytes = (byte[]) UNSAFE.getObject(str, valueFieldOffset);

6 更快的encodeUTF8方法

当能直接获取到String.value时，就可以直接对其做encodeUTF8操作，会比String.getBytes(StandardCharsets.UTF_8)性能好很多。

6.1 JDK8高性能encodeUTF8的方法

public static int encodeUTF8(char[] src, int offset, int len, byte[] dst, int dp) {int sl = offset + len;int dlASCII = dp + Math.min(len, dst.length);// ASCII only optimized loopwhile (dp < dlASCII && src[offset] < '\u0080') {dst[dp++] = (byte) src[offset++];}while (offset < sl) {char c = src[offset++];if (c < 0x80) {// Have at most seven bitsdst[dp++] = (byte) c;} else if (c < 0x800) {// 2 bytes, 11 bitsdst[dp++] = (byte) (0xc0 | (c >> 6));dst[dp++] = (byte) (0x80 | (c & 0x3f));} else if (c >= '\uD800' && c < ('\uDFFF' + 1)) { //Character.isSurrogate(c) but 1.7final int uc;int ip = offset - 1;if (c >= '\uD800' && c < ('\uDBFF' + 1)) { // Character.isHighSurrogate(c)if (sl - ip < 2) {uc = -1;} else {char d = src[ip + 1];// d >= '\uDC00' && d < ('\uDFFF' + 1)if (d >= '\uDC00' && d < ('\uDFFF' + 1)) { // Character.isLowSurrogate(d)uc = ((c << 10) + d) + (0x010000 - ('\uD800' << 10) - '\uDC00'); // Character.toCodePoint(c, d)} else {dst[dp++] = (byte) '?';continue;}}} else {//if (c >= '\uDC00' && c < ('\uDFFF' + 1)) { // Character.isLowSurrogate(c)dst[dp++] = (byte) '?';continue;} else {uc = c;}}if (uc < 0) {dst[dp++] = (byte) '?';} else {dst[dp++] = (byte) (0xf0 | ((uc >> 18)));dst[dp++] = (byte) (0x80 | ((uc >> 12) & 0x3f));dst[dp++] = (byte) (0x80 | ((uc >> 6) & 0x3f));dst[dp++] = (byte) (0x80 | (uc & 0x3f));offset++; // 2 chars}} else {// 3 bytes, 16 bitsdst[dp++] = (byte) (0xe0 | ((c >> 12)));dst[dp++] = (byte) (0x80 | ((c >> 6) & 0x3f));dst[dp++] = (byte) (0x80 | (c & 0x3f));}}return dp;
}

使用encodeUTF8方法举例

char[] chars = UNSAFE.getObject(str, valueFieldOffset);
// ensureCapacity(chars.length * 3)
byte[] bytes = ...; // 
int bytesLength = IOUtils.encodeUTF8(chars, 0, chars.length, bytes, bytesOffset);

这样encodeUTF8操作，不会有多余的arrayCopy操作，性能会得到提升。

6.1.1 性能测试比较

测试代码

public class EncodeUTF8Benchmark {static String STR = "01234567890ABCDEFGHIJKLMNOPQRSTUVWZYZabcdefghijklmnopqrstuvwzyz一二三四五六七八九十";static byte[] out;static long valueFieldOffset;static {out = new byte[STR.length() * 3];try {Field valueField = String.class.getDeclaredField("value");valueFieldOffset = UnsafeUtils.UNSAFE.objectFieldOffset(valueField);} catch (NoSuchFieldException e) {e.printStackTrace();}}@Benchmarkpublic void unsafeEncodeUTF8() throws Exception {char[] chars = (char[]) UnsafeUtils.UNSAFE.getObject(STR, valueFieldOffset);int len = IOUtils.encodeUTF8(chars, 0, chars.length, out, 0);}@Benchmarkpublic void getBytesUTF8() throws Exception {byte[] bytes = STR.getBytes(StandardCharsets.UTF_8);System.arraycopy(bytes, 0, out, 0, bytes.length);}public static void main(String[] args) throws RunnerException {Options options = new OptionsBuilder().include(EncodeUTF8Benchmark.class.getName()).mode(Mode.Throughput).timeUnit(TimeUnit.MILLISECONDS).forks(1).build();new Runner(options).run();}
}

测试结果

EncodeUTF8Benchmark.getBytesUTF8      thrpt    5  20690.960 ± 5431.442  ops/ms
EncodeUTF8Benchmark.unsafeEncodeUTF8  thrpt    5  34508.606 ±   55.510  ops/ms

从结果来看，通过unsafe + 直接调用encodeUTF8方法，编码的所需要开销是newStringUTF8的58%。

6.2 JDK9/11/17高性能encodeUTF8的方法

public static int encodeUTF8(byte[] src, int offset, int len, byte[] dst, int dp) {int sl = offset + len;while (offset < sl) {byte b0 = src[offset++];byte b1 = src[offset++];if (b1 == 0 && b0 >= 0) {dst[dp++] = b0;} else {char c = (char)(((b0 & 0xff) << 0) | ((b1 & 0xff) << 8));if (c < 0x800) {// 2 bytes, 11 bitsdst[dp++] = (byte) (0xc0 | (c >> 6));dst[dp++] = (byte) (0x80 | (c & 0x3f));} else if (c >= '\uD800' && c < ('\uDFFF' + 1)) { //Character.isSurrogate(c) but 1.7final int uc;int ip = offset - 1;if (c >= '\uD800' && c < ('\uDBFF' + 1)) { // Character.isHighSurrogate(c)if (sl - ip < 2) {uc = -1;} else {b0 = src[ip + 1];b1 = src[ip + 2];char d = (char) (((b0 & 0xff) << 0) | ((b1 & 0xff) << 8));// d >= '\uDC00' && d < ('\uDFFF' + 1)if (d >= '\uDC00' && d < ('\uDFFF' + 1)) { // Character.isLowSurrogate(d)uc = ((c << 10) + d) + (0x010000 - ('\uD800' << 10) - '\uDC00'); // Character.toCodePoint(c, d)} else {return -1;}}} else {//if (c >= '\uDC00' && c < ('\uDFFF' + 1)) { // Character.isLowSurrogate(c)return -1;} else {uc = c;}}if (uc < 0) {dst[dp++] = (byte) '?';} else {dst[dp++] = (byte) (0xf0 | ((uc >> 18)));dst[dp++] = (byte) (0x80 | ((uc >> 12) & 0x3f));dst[dp++] = (byte) (0x80 | ((uc >> 6) & 0x3f));dst[dp++] = (byte) (0x80 | (uc & 0x3f));offset++; // 2 chars}} else {// 3 bytes, 16 bitsdst[dp++] = (byte) (0xe0 | ((c >> 12)));dst[dp++] = (byte) (0x80 | ((c >> 6) & 0x3f));dst[dp++] = (byte) (0x80 | (c & 0x3f));}}}return dp;
}

使用encodeUTF8方法举例

byte coder = UNSAFE.getObject(str, coderFieldOffset);
byte[] value = UNSAFE.getObject(str, coderFieldOffset);if (coder == 0) {// ascii arraycopy
} else {// ensureCapacity(chars.length * 3)byte[] bytes = ...; // int bytesLength = IOUtils.encodeUTF8(value, 0, value.length, bytes, bytesOffset);
}

这样encodeUTF8操作，不会有多余的arrayCopy操作，性能会得到提升。