GCC 中的 std::string 实现及其短字符串的内存开销

Question

我目前正在开发一个低内存平台的应用程序，该平台需要一个包含许多短字符串的 std::set（>100,000 个字符串，每个字符串包含 4-16 个字符）。我最近将这个集合从 std::string 转换为 const char * 以节省内存，我想知道我是否真的避免了每个字符串的所有开销。

我尝试使用以下内容：

std::string sizeTest = "testString";
std::cout << sizeof(sizeTest) << " bytes";

但它只给了我 4 个字节的输出，表明该字符串包含一个指针。我很清楚字符串在内部将其数据存储在 char * 中，但我认为字符串类会有额外的开销。

std::string 的 GCC 实现是否会比 sizeof(std::string) 所指示的开销更多？更重要的是，对于这么大的数据集来说，它是否重要？

以下是我的平台上相关类型的大小（它是 32 位，每个字节有 8 位）：

字符：1字节

无效*：4字节
字符*：4字节
std::string: 4 字节

Answer 1

嗯，至少对于 GCC 4.4.5，这是我在这方面很方便的 机器，

std::string

 是 

std::basic_string<char>

 的类型定义，并且

basic_string

 定义于

/usr/include/c++/4.4.5/bits/basic_string.h

。有很多
该文件中的间接，但归根结底是非空

std::string

存储指向其中之一的指针：

  struct _Rep_base
  {
size_type       _M_length;
size_type       _M_capacity;
_Atomic_word        _M_refcount;
  };

内存中紧随其后的是实际的字符串数据。所以

std::string

 是
每个字符串至少有三个单词的开销，加上
具有比 

capacity

 更高的 

`length

 的任何开销（可能
不，取决于你如何构造你的字符串——你可以检查
询问 

capacity()

 方法）。

内存分配器也会产生开销 大量小额拨款；我不知道 GCC 对 C++ 使用什么，但是 假设它与 C 中使用的

dlmalloc

 分配器类似，
每个分配至少可以有两个字，加上一些对齐空间
大小至少为 8 字节的倍数。

Answer 2

我猜测您使用的是 32 位、每字节 8 位的平台。 我还将猜测，至少在您使用的 gcc 版本上，他们正在使用 std::string 的引用计数实现。 您看到的 4 字节大小是一个指向包含引用计数和字符串数据（以及任何分配器状态，如果适用）的结构的指针。

在 gcc 的设计中，唯一的“短”字符串的大小 == 0，在这种情况下，它可以与其他所有空字符串共享表示形式。 否则你会得到一个重新计数的 COW 字符串。

要亲自研究这个问题，请编写一个分配器来跟踪它分配和释放的内存量以及次数。 使用此分配器来调查您感兴趣的容器的实现。

Answer 3

如果保证“100,000 个每个 4-16 个字符的字符串”，则不要使用 std::string。相反，编写您自己的 ShortString 类。有趣的是“sizeof(std::string) == 4”，这怎么可能呢？ sizeof(char) 和 sizeof(void *) 是什么？