问题标签 [string-interning]

所以，我意识到我要问的问题与一次又一次被殴打致死的话题有关，但是，即使在阅读了我能找到的所有答案和文档之后，我仍然有点困惑字符串实习。可能是因为我对JVM缺乏了解；也许这是由于 Java 7 中引入的更改贬低了许多上述答案和文档。无论哪种方式，我都被卡住了，我希望有人可以帮助我更清楚地理解这个概念......

在上面的示例中，我知道将创建两个 String 对象。我也明白只有一个 char 数组包含't', 'e', 'x', and 't'内存中的序列。

但是，每个字符串对象实际存储在内存中的哪个位置？

如果我读过的内容我没看错：变量的引用对象a将存储在常量池中，而变量的引用对象b将存储在堆中，对吧？

如果是这种情况，我对实习生池如何维护实习生字符串感到困惑。它是否跟踪常量池中定义的字符串以及.intern()从堆中手动实习（调用）的字符串？JVM 是否创建常量池中定义的字符串对象并将它们加载到实习池中？我很困惑这一切是如何运作的......

再一次，很抱歉提出如此令人困惑/愚蠢的问题，只是我对它的结构和内部工作方式相对较新，JVM其中很多都让我头晕目眩。谢谢！

我最近遇到了以下构造

鉴于这intern()通常不是那么快，我怀疑这会优于使用synchronized,Collections.synchronizedMap(Map)或ConcurrentHashMap. 但是，即使在这种特殊情况下，这种构造会比所有其他方法更快：这是否正确同步？我怀疑这是线程安全的，因为在重新组织哈希表时可能会发生删除。但即使这可行，我怀疑鉴于HashMap javadoc状态代码会被破坏：

如果多个线程同时访问一个哈希映射，并且至少有一个线程在结构上修改了映射，则必须在外部进行同步。

下面我比较两个字符串的代码示例中是否有任何性能优化？

第一的：

二：

两人都回来了true。

他们的il代码只有一个不同：

第一个：

第二：

我在System.String中发现了类似的东西：

这导致

表达式e==a为真意味着相同的引用。那么为什么最后一个表达式为真而倒数第四个即为c== "Hel"+a假呢？

为什么每次运行应用程序时字符串指针位置都不同，当我使用时，StringBuilder但在声明变量时却相同？

输出：

40907812
178488268

下次：

40907812
179023248

下次：

40907812
178448964

我有一个大文件，它本质上包含如下数据：

这是一个数千兆字节的文件。我有一个类可以读取此文件并将这些行（记录）公开为IEnumerable<MyObject>. 这MyObject有几个属性（Country, Province, City, ...）等。

如您所见，存在大量重复数据。我想继续将基础数据公开为IEnumerable<MyObject>. 但是，其他一些类可能（并且可能会）对这些数据进行一些分层视图/结构，例如：

在阅读这个文件时，我基本上是这样做的：

现在，对于手头的实际问题：我可以用来string.Intern()实习国家、省、城市和街道字符串（这些是主要的“恶棍”，MyObject还有其他几个与问题无关的属性）。

当将整个数据集保存在内存中时，这将节省大约 42% 的内存（经过测试和测量），因为所有重复的字符串都是对同一字符串的引用。此外，当使用大量 LINQ.ToDictionary()方法创建层次结构时，相应的键（国家、省等）。字典会更有效率。

然而，使用的缺点之一（除了性能的轻微损失，这不是问题）string.Intern()是字符串将不再被垃圾收集。但是当我处理完我的数据后，我确实希望（最终）收集所有垃圾。

我可以使用 aDictionary<string, string>来“实习”这些数据，但我不喜欢拥有 a 的“开销” key，value实际上我只对key. 我可以设置valuetonull或使用与 value 相同的字符串（这将导致keyand中的引用相同value）。这只是几个字节的小代价，但它仍然是一个代价。

像 a 这样的东西HashSet<string>对我来说更有意义。但是，我无法获得对 HashSet 中字符串的引用；我可以查看 HashSet 是否包含特定字符串，但无法获得对 HashSet 中已定位字符串的特定实例的引用。我可以为此实现我自己HashSet的，但我想知道您的 StackOverflowers 可能会提出哪些其他解决方案。

要求：

• 我的“FileReader”类需要不断暴露IEnumerable<MyObject>
• 我的“FileReader”类可能会做一些事情（比如string.Intern()）来优化内存使用
• MyObject班级不能改变；我不会创建一个City类、Country类等并将它们MyObject公开为属性而不是简单的string属性
• Country目标是通过对,Province等中的大部分重复字符串进行去重来提高内存效率City；这是如何实现的（例如字符串实习、内部哈希集/集合/某些东西的结构）并不重要。然而：
• 我知道我可以将数据填充到数据库中，或者在这个方向上使用其他解决方案；我对这类解决方案不感兴趣。
• 速度只是次要的问题；当然越快越好，但是在读取/迭代对象时性能（轻微）损失是没有问题的
• 由于这是一个长时间运行的进程（如：运行 24/7/365 的 Windows 服务），偶尔会处理大量此类数据，我希望在完成后对数据进行垃圾收集；字符串实习效果很好，但从长远来看，会导致一个巨大的字符串池，其中包含大量未使用的数据
• 我希望任何解决方案都“简单”；用 P/Invokes 和内联汇编（夸张）添加 15 个类是不值得的。代码可维护性在我的列表中很重要。

这更像是一个“理论”问题。我问这纯粹是出于好奇/兴趣。没有“真正的”问题，但我可以看到，在类似的情况下，这对某人来说可能是个问题。

例如：我可以这样做：

但是对于大量（要重复数据删除的）字符串，这将很快陷入困境。我可以查看HashSet或Dictionary的参考源，或者...并构建一个类似的类，该类不返回该Add()方法的 bool，而是在内部/存储桶中找到的实际字符串。

到目前为止，我能想到的最好的方法是：

在我实际上只对密钥感兴趣的情况下，具有密钥和值的“惩罚”。虽然只有几个字节，但付出的代价很小。巧合的是，这也减少了 42% 的内存使用量；string.Intern()与使用产量时的结果相同。

tolanj 提出了 System.Xml.NameTable：

（我删除了锁和 string.Empty 检查（后者因为 NameTable已经这样做了））

xanatos 提出了一个 CachingEqualityComparer：

（稍作修改以“适合”我的“Add() 接口”）

根据Henk Holterman 的要求：

我只是想知道是否有一种更整洁/更好/更酷的方式来“解决”我的（不是实际的）问题。到目前为止，我想我有足够的选择

以下是我为一些简单、简短、初步的测试得出的一些数字：

非优化
内存：~4,5Gb
加载时间：~52s

StringInterningObject（见上文，ConcurrentDictionary变体）
内存：~2,6Gb
加载时间：~49s

string.Intern()
内存：~2,3Gb
加载时间：~45s

System.Xml.NameTable
内存：~2,3Gb
加载时间：~41s

CachingEqualityComparer
内存：~2,3Gb
加载时间：~

Dictionary根据Henk Holterman 的要求， StringInterningObject（见上文，（非并发）变体） ：
内存：~2,3Gb
加载时间： ~39s

尽管数字不是很确定，但似乎非优化版本的许多内存分配实际上比使用任何一个string.Intern()或上面StringInterningObject的 s 都慢得多，这会导致（稍微）更长的加载时间。此外，string.Intern()似乎“赢”了，StringInterningObject但幅度不大；<< 查看更新。

编辑：查看此 MSDN 页面上的备注

https://msdn.microsoft.com/en-us/library/system.string.intern(v=vs.110).aspx

对于 String.Intern，它提到了 CLR 如何与文字字符串和实习池交互。

我想知道除了字符串文字之外，是否还有其他添加对实习池的引用的示例？

我能找到一份明确的清单，列出所有被拘留的物品吗？

C# Programming Language (A. Hejlsberg, et. al, 2011 Fourth Edition, Annotated for 4.0) 第 7.10.7 节指出，“当两个单独的字符串实例包含完全相同的字符序列时，字符串的值相等，但参考不同。”

这曾经是运行时案例吗？.NET 运行时和 BCL 不会总是将两个相同的字符串实习到同一个参考框吗？

我知道这本书是在谈论“规范”，但下一个问题 - 是否有任何已知的 C# 实现以这种方式运行？

编辑

好的，真正困扰我的是：

我不希望 foo 是 1！我想我就是这么傻。

更新我所要做的就是得到我想要的：

但这又不好。如果对象通过 HashCode 跟踪自己，那么字符串有什么特别之处呢？为什么运行时不看你的 Objects 看看，嘿，也许它里面的东西完全一样，让我们​​让它成为相同的引用。

我正在阅读 Oracle 的这份文档：https ://docs.oracle.com/javase/tutorial/java/annotations/basics.html

并遇到了这段关于类型注释的代码

类实例创建表达式：

这是否意味着 Java8 或未来版本允许/将允许非 String/long/int 对象的实习？

从我可以阅读的内容来看，编译器只是发出一个字符串，而没有其他任何事情发生？

是否有任何理由无法对此次通话的结果进行实习？对于一个nameof(MyClass)，如果它发生了很多，它可能，理论上是值得的？