使用 Java unsafe 将 char 数组指向内存位置

Question

对 Java 应用程序的一些分析表明，它花费大量时间将 UTF-8 字节数组解码为 String 对象。 UTF-8 字节流来自 LMDB 数据库，数据库中的值是 Protobuf 消息，这就是它如此多地解码 UTF-8 的原因。另一个由此引起的问题是，由于在 JVM 中将内存映射解码为字符串对象，字符串占用了大量内存。

我想重构这个应用程序，使它不会在每次从数据库中读取消息时分配一个新字符串。我希望 String 对象中的底层 char 数组简单地指向内存位置。

package testreflect;

import java.lang.reflect.Field;

import sun.misc.Unsafe;

public class App {
    public static void main(String[] args) throws Exception {
        Field field = Unsafe.class.getDeclaredField("theUnsafe");
        field.setAccessible(true);
        Unsafe UNSAFE = (Unsafe) field.get(null);

        char[] sourceChars = new char[] { 'b', 'a', 'r', 0x2018 };

        // Encoding to a byte array; asBytes would be an LMDB entry
        byte[] asBytes = new byte[sourceChars.length * 2];
        UNSAFE.copyMemory(sourceChars, 
                UNSAFE.arrayBaseOffset(sourceChars.getClass()), 
                asBytes, 
                UNSAFE.arrayBaseOffset(asBytes.getClass()), 
                sourceChars.length*(long)UNSAFE.arrayIndexScale(sourceChars.getClass()));

        // Copying the byte array to the char array works, but is there a way to
        // have the char array simply point to the byte array without copying?
        char[] test = new char[sourceChars.length];
        UNSAFE.copyMemory(asBytes, 
                UNSAFE.arrayBaseOffset(asBytes.getClass()), 
                test, 
                UNSAFE.arrayBaseOffset(test.getClass()), 
                asBytes.length*(long)UNSAFE.arrayIndexScale(asBytes.getClass()));

        // Allocate a String object, but set its underlying 
        // byte array manually to avoid the extra memory copy   
        long stringOffset = UNSAFE.objectFieldOffset(String.class.getDeclaredField("value"));
        String stringTest = (String) UNSAFE.allocateInstance(String.class);
        UNSAFE.putObject(stringTest, stringOffset, test);
        System.out.println(stringTest);
    }
}

到目前为止，我已经弄清楚了如何使用 Unsafe 包将字节数组复制到 char 数组并在 String 对象中设置底层数组。这应该会减少应用程序浪费在解码 UTF-8 字节上的 CPU 时间。

但是，这并不能解决内存问题。有没有办法让一个 char 数组指向一个内存位置并完全避免内存分配？完全避免复制将减少 JVM 为这些字符串进行的不必要分配次数，从而为操作系统从 LMDB 数据库缓存条目留出更多空间。

Answer 1

我认为你在这里采取了错误的方法。

到目前为止，我已经弄清楚了如何使用 Unsafe 包将字节数组复制到 char 数组并在 String 对象中设置底层数组。这应该会减少应用程序浪费在解码 UTF-8 字节上的 CPU 时间。

呃……没有。

使用内存复制从byte[] 复制到char[] 是行不通的。目标 char[] 中的每个 char 实际上将包含原始的 2 个字节。如果你尝试将char[] 包装成String，你会得到一种奇怪的mojibake。

真正的 UTF-8 到 String 的转换是将代表 UTF-8 代码点的 1 到 4 个字节（代码单元）转换为代表 UTF-16 中相同代码点的 1 或 2 个 16 位代码单元。使用普通内存副本无法做到这一点。

如果您不熟悉它，值得阅读Wikipedia article on UTF-8，以便您了解如何文本是如何编码的。

---

解决方案取决于您打算如何处理文本数据。

• 如果数据真的必须是String（或StringBuilder或char[]）对象的形式，那么你真的别无选择，只能进行完全转换。尝试其他任何方法，您都可能会搞砸；例如乱码文本和潜在的 JVM 崩溃。

1234563但有效地执行此操作会成为一个问题，尤其是将 charAt 方法实现为 O(1) 方法。

• 如果您只是想保存和/或比较（整个）文本，这可以通过将它们表示为byte[] 对象来完成。这些操作可以直接对 UTF-8 编码的数据进行。

1234563 /li>