PHP7源码分析之php5数组实现简析

嗨皮田子酱
752 阅读5分钟

本文是跟着《php7底层设计与源码实现》一书进行的梳理和个人理解。

在分析之前先来了解一下HashTable这个数据结构：

php的数组其实是非常强大的，既可以表示普通数组，又可以表示字典，然后再结合zval，什么数据类型都能存储。

了解完了“哈希表”的概念之后，我们先来画一个简单的HashTable示意图。

上图是一个基本的HashTable结构示意图，下面简单介绍下途中每个元素的含义：

  • key：键名，通过该键名可以快速检索到对应的value
  • value：键值
  • bucket：Bucket原意为桶，是用户用来管理所存储对象的存储空间，即存储数据的容器单元，即存储key和value等
  • slot：槽，一个槽可以有多个bucket，而一个bucket必须从属于某个slot，可以理解为槽就是一个一个的宿舍楼，而bucket就是宿舍房间，key和value这些就是宿舍里面的人
  • hash函数：通过hash函数可以将key映射到某个slot槽，可以理解为通过你的专业，可以查到你在哪一栋宿舍楼，进而就可以知道你在哪个宿舍了
  • 哈希冲突：slot0后面的bucket后面连着另一个bucket，这是因为key通过hash函数计算后映射到的slot槽位置一致，即哈希冲突，而为了解决存储问题，上图中使用的方法就是链地址法

而实际上，php5在实现自己的HashTable结构时是有自己的考量的，下图就是实际php5中的HashTable结构示意图：

从上图中可以看出的显著变化主要有两个地方，第一给时bucket存储单元中增加了一个h值，另一个是key不是经过一个hash函数计算slot槽位置了，而是先经过hash1函数计算出h值，然后再经过hash2函数对h值再进行hash计算才得到slot的位置。
第一个变化，新增的h值：

  • php数组的键名不仅可以是字符串还可以是数字，所以为了兼容这两种情况，“h”就代表数字key，“key”就代表字符串key
  • 有了h值，在比较两个key字符串是否相等时，会首先比较两个key字符串的h值，然后再去比较字符串的长度以及内容，如果h值就不相等，就可以认为两个字符串不相等，这样可以加快两个字符串比较的速度

先来看php5的源码来分析下字段含义，然后再讨论下php5的HashTable的实现原理。

typedef struct bucket {
	ulong h;						/* Used for numeric indexing */
	uint nKeyLength;
	void *pData;
	void *pDataPtr;
	struct bucket *pListNext;
	struct bucket *pListLast;
	struct bucket *pNext;
	struct bucket *pLast;
	const char *arKey;
} Bucket;

typedef struct _hashtable {
	uint nTableSize;
	uint nTableMask;
	uint nNumOfElements;
	ulong nNextFreeElement;
	Bucket *pInternalPointer;	/* Used for element traversal */
	Bucket *pListHead;
	Bucket *pListTail;
	Bucket **arBuckets;
	dtor_func_t pDestructor;
	zend_bool persistent;
	unsigned char nApplyCount;
	zend_bool bApplyProtection;
#if ZEND_DEBUG
	int inconsistent;
#endif
} HashTable;

首先看bucket结构体

  • h：表示数字key或字符串key的h值。
  • arKey：即字符串key
  • pData和pDataPtr：即value值
  • nKeyLength：arKey的长度。当nKeyLength=0时，表示是数字key
  • pListLast、pListNext、pLast、pNext：4个指向bucket的指针 pListLast和pListNext指向的是全局链表的前一个和后一个bucket，为了实现数组的有序性，而pLast和pNext则是指向局部链表的前一个和后一个bucket，为了解决哈希冲突

HashTable结构体

  • arBuckets：是一个指针，指向一段连续的内存空间，这段内存存储的是指向bucket的指针，每一个内存空间代表着一个slot，并且该slot存储的指针是局部链表的第一个bucket
  • nTableSize：arBuckets指向的连续数组内存的长度，即slot的数量。最大值为2的31次方（因为nTableSize是int类型，而slot实际上就是数组，索引下标从0开始）。
  • nTableMask：掩码。总是等于nTableSize - 1，即2的n次方-1，由于nTableMask的每一位都会是1，所以key在经过hash1函数计算出h值，h值再经过hash2函数映射到对应的slot，这个hash函数的算法其实就是slot = h & nTableMask(这里的掩码的作用实质上就是对过大超过nTableSize的值进行矫正)，参考：按位与

  • nNumOfElements：bucket元素的个数。在php5中删除一个bucket元素会将其从全局链表和局部链表中真正删除掉，并释放bucket本身以及value占用的内存

  • pListHead和pListTail：这两个指针分别指向全局链表的头和尾，这样可以保证php数组的有序性

举个例子：将4个key-value对插入数组中，按插入顺序，key分别为"a"、"b"、"c"、"d",并且假设"a"被映射到了slot1，其余三个被映射到了slot0。

这张图和书中的图是一样的，可以很好的说明php5数组的表现形式。虚线表示全局链表，实线表示局部链表。而根究插入顺序，最新插入的会在链表头部。

php5数组设计上存在的问题：

  • 每一个bucket都需要一次内存分配。因为bucket之间是通过指针相连的，链表的数据结构，元素在内存中是不连续的，内存分配也较为随机。
  • 为了保证数组的元素有序性，每个bucket都要维护4个指针，在64位操作系统中，每个bucket就要有32个指针字节。如果有1024个bucket，就会额外多出32KB的内存，并且bucket的内存分配也是随机的，导致了CPU的cache命中率并不高，这样在遍历HashTable时，并没有很高的性能。
  • 还有一个书中有提到，对于大部分场景，key-value中的value都是zval，这样的话，每个bucket需要维护指向zval的指针pDataPtr以及指向pDataPtr的pDataPtr指针，空间效率不高。（这点我还时不是太明白）

以上就是对于php5中数组的分析，大部分都是书中的内容，自己从头捋一遍会更加清晰。

avatar
文章
阅读
粉丝