从源码看 PHP 7 数组的实现
schaepher 人气:3
> 本文所用源码为 PHP 7.4.4 的版本。
## PHP 7 数组概述
> PHP 中的数组实际上是一个有序映射。映射是一种把 values 关联到 keys 的类型。此类型在很多方面做了优化，因此可以把它当成真正的数组，或列表（向量），散列表（是映射的一种实现），字典，集合，栈，队列以及更多可能性。由于数组元素的值也可以是另一个数组，树形结构和多维数组也是允许的。 —— PHP 官方文档中文版
这里主要关注两个点：
- key 可以是整数，也可以是字符串。Float、Bool、Null 类型的 key 会被转换为整数或者字符串存储，其他类型的会报错。
value 可以是任意类型。
- 遍历数组时，数组元素按照其 key 添加的顺序依次取出。
PHP 7 的数组分为 packed array 和 hash array 两种类型，在满足一定条件时可以互转。
- hash array 的 key 可以是整数也可以是字符串，在 hash 冲突时使用链表（冲突链）来解决冲突问题。
- packed array 的所有 key 是自然数，且依次添加的元素的 key 逐渐增大（不要求连续）。它的耗时和内存占用都比 hash 数组低。
以下仅介绍 hash array 相关的内容。
## 主要数据类型
下图是数组主要的数据类型：
```
Hash 区 arData Data 区
+
| 指 针 指 向 Data 区 的 开 始
v
+----------+----------+----------+----------+----------+----------+----------+----------+
| | | | | | | | |
|nTableMask|nTableMask| ...... | -1 | 0 | 1 | ...... |nTableSize|
| | +1 | | | | | | +1 |
+---------------------------------------------------------------------------------------+
| | | | | | | | |
| uint32_t | uint32_t | ...... | uint32_t | Bucket | Bucket | ...... | Bucket |
| | | | | | | | |
+----------+----------+----------+----------+----------+----------+----------+----------+
```
从整体看，这是一个数组。但入口是 arData 而不是处于最左侧的一个元素。arData 把数组分为两部分：
- 左边是 Hash 区，其值为 uint32_t 类型，是冲突链的第一个元素在 Data 区的下标；
- 右边是 Data 区，其值为 Bucket 类型，用于存储数据及其相关信息。
由于 arData 主要指向 Data 区，因此其默认类型被配置为 Bucket 指针。
在申请内存时，会把 Hash 区所需的内存大小加上 Data 区所需的内存大小，然后一起申请。
### Bucket 长什么样？
`zend_types.h`：
```c
/* 数组的基本元素 */
typedef struct _Bucket {
zval val; /* 值 */
zend_ulong h; /* hash 值（或者整数索引） */
zend_string *key; /* 字符串 key（如果存储时用整数索引，则该值为 NULL） */
} Bucket;
```
Bucket 把 key 和 value 放在一起了。
在冲突链中，Bucket 是一个节点。那么此时心里会有一个疑问：怎么获取冲突链的下一个节点？
### 冲突链
说到链表，会很自然地想到链表元素的结构体里包含着指向下一个元素的指针 `next` 。例如单向链表：
```c
typedef struct listNode {
struct listNode *next;
void *value;
} listNode;
```
但 Bucket 却不包含这个指针。
会不会在 Bucket 上一层，也就是数组的结构体定义中有一个专门存放冲突链的地方？
`zend_types.h`：
```c
typedef struct _zend_array HashTable;
struct _zend_array {
zend_refcounted_h gc;
union {
struct {
ZEND_ENDIAN_LOHI_4(
zend_uchar flags,
zend_uchar _unused,
zend_uchar nIteratorsCount,
zend_uchar _unused2)
} v;
uint32_t flags;
} u;
uint32_t nTableMask; // 用于把 hash 值转化为 [nTableMask, -1] 区间内的负数。根据 nTableSize 生成。
Bucket *arData; // 指向 Data 区的指针。
uint32_t nNumUsed; // Data 区最后一个有效 Bucket 的下标 + 1。
uint32_t nNumOfElements; // 存在多少个有效 Bucket。删除数组元素时，会使其减一。
uint32_t nTableSize; // 总共有多少空间。
uint32_t nInternalPointer;
zend_long nNextFreeElement;
dtor_func_t pDestructor;
};
```
想错了，换个角度想想.jpg
那往 Bucket 下一层看看：
`zend_types.h`：
```c
typedef struct _zval_struct zval;
struct _zval_struct {
zend_value value; // 通用值结构。存储基础类型（double）或指针（数组、对象等等）
union {
struct {
// 省略其他定义
} v;
uint32_t type_info; // 值的类型，例如 IS_ARRAY 、IS_UNDEF
} u1;
union {
uint32_t next; // 指向 hash 冲突链的下一个元素 <--- 就是这里
// 省略其他定义
} u2; // u2 表示第二个 union
};
```
惊！链表元素的 next 居然藏在 PHP 的通用数据类型 `zval` 里面。
想不到吧？.jpg
> 补充一点：
> PHP HashMap 的冲突链始终是一个链表，不会像 JAVA 的 HashMap 那样在达成一定条件时转成红黑树。这会带来一定的问题。后面再详细说明。
## 怎么看 HashTable ？
再看一遍结构体。
`zend_types.h`：
```c
typedef struct _zend_array HashTable;
struct _zend_array {
zend_refcounted_h gc;
union {
struct {
ZEND_ENDIAN_LOHI_4(
zend_uchar flags,
zend_uchar _unused,
zend_uchar nIteratorsCount,
zend_uchar _unused2)
} v;
uint32_t flags;
} u;
uint32_t nTableMask; // 根据 nTableSize 生成的负数。用于把 hash 值转化为 [nTableMask, -1] 区间内的负整数，防止越界。
Bucket *arData; // 指向 Data 区的指针。
uint32_t nNumUsed; // Data 区最后一个有效 Bucket 的下标 + 1。
uint32_t nNumOfElements; // 存在多少个有效 Bucket。删除数组元素时，会使其减一。
uint32_t nTableSize; // 总共有多少空间。
uint32_t nInternalPointer; // 内部指针。受到 reset() 、 end() 、 next() 等的影响。
zend_long nNextFreeElement;
dtor_func_t pDestructor;
};
```
有效 Bucket 指的是 Bucket val 的类型不为 IS_UNDEF 。也就是不为未定义的（undefined）值。无效 Bucket 反之。
nNumUsed 、nNumOfElements 、 nTableSize 的区别：
```
nNumUsed = 4
nNumOfElements = 3
nTableSize = 8
+----------+----------+-----------+----------+-----------+-----------+-----------+
| | | | | | | |
| 0 | 1 | 2 | 3 | 4 | ...... | 7 |
| | | | | | | |
+--------------------------------------------------------------------------------+
| | | | | | | |
| Bucket | Bucket | Undefined | Bucket | Undefined | Undefined | Undefined |
| | | Bucket | | Bucket | Buckets | Bucket |
+----------+----------+-----------+----------+-----------+-----------+-----------+
```
## 数组的主要操作
PHP 数组主要用到的基本操作有：查找、添加、更新、删除
PHP 内部操作有：rehash 、扩容
其中查找是较为简单的，添加、更新、删除都包含了查找的动作，因此先看查找。
### 查找
由于 key 有整数和字符串这两种类型，因此查找的实现也分为两种。这里以整数 key 为例。
> 读源码时要注意 HT_HASH_* 和 HT_DATA_* 开头的函数，分别代表着在 Hash 区和 Data 区的操作。
`zend_hash.c`
```c
static zend_always_inline Bucket *zend_hash_index_find_bucket(const HashTable *ht, zend_ulong h)
{
uint32_t nIndex;
uint32_t idx;
Bucket *p, *arData;
arData = ht->arData;
nIndex = h | ht->nTableMask; // 避免 Hash 区越界
idx = HT_HASH_EX(arData, nIndex); // 在 Hash 区取 nIndex 位置的值，结果是 Data 区某个 Bucket 的下标
while (idx != HT_INVALID_IDX) {
ZEND_ASSERT(idx < HT_IDX_TO_HASH(ht->nTableSize)); // 确保 Data 区没有越界
p = HT_HASH_TO_BUCKET_EX(arData, idx); // 用 Data 区下标获取 Bucket，即冲突链的第一个 Bucket
if (p->h == h && !p->key) { // 整数 key 存到 h，因此比对 h。p->key 为 NULL 表示 Bucket 的 key 为整数 key
return p;
}
idx = Z_NEXT(p->val); // 没有找到的话，从当前的 Bucket 获取冲突链的下一个 Bucket
}
return NULL; // 链表遍历完也没找到，那就是不存在
}
```
举个例子：
```c
nTableSize = 8
nTableMask = -(nTableSize + nTableSize)
= (-16) = (11111111111111111111111111110000)
10 2
h = (100000000) = (00000101111101011110000100000000)
10 2
nIndex = (h | nTableMask) = (11111111111111111111111111110000) = (-16)
2 + 10
|
+-------------------------------------------------------------------+
|
| Hash arData Data
|
| +
| | +----------------------------+
v v v |
|
+---------+---------+----------+---------+---------+---------+----------+---------+ |
| | | | | | | | | |
| -16 | -15 | ...... | -1 | 0 | 1 | ...... | 7 | |
| | | | | | | | | |
+---------------------------------------------------------------------------------+ |
| | | | | | | | | |
| 1 | 6 | ...... | 5 | Bucket0 | Bucket1 | ...... | Bucket7 | |
| | | | | | | | | |
+---------+---------+----------+---------+---------+---------+----------+---------+ |
|
+ + ^ |
| | next | |
| +---------------------+ |
| |
+-------------------------------------------------------------------------------+
```
至于为什么 `nTableMask = -(nTableSize + nTableSize)` ，见下文的【负载因子】。
nTableMask 使得无论多大的 uint32_t ，在按位或以及转成有符号整数后，都会变成负整数，并且其值会在 [nTableMask, -1] 这个区间。
介绍完整数 key 的查找，顺便对比一下字符串 key 的查找，不同之处如下：
- 字符串 key 会存到 `p->key` 里面，而这个字符串的 hash 存到 `p->h` 里面。
- 在比较 key 的时候，整数 key 是比较两个整数是否相等，而字符串 key 会先比较 hash 是否相等，然后比较两个字符串是否相等。
## 添加
依然取整数 key 为例。这里不关注更新元素的部分和 packed array 的部分。
`zend_hash.c`:
```c
static zend_always_inline zval *_zend_hash_index_add_or_update_i(HashTable *ht, zend_ulong h, zval *pData, uint32_t flag)
{
// ... 省略代码
idx = ht->nNumUsed++; // 使用空间 + 1
nIndex = h | ht->nTableMask; // 取 hash 值对应的 Hash 区的下标
p = ht->arData + idx; // 获取指向新元素的指针
Z_NEXT(p->val) = HT_HASH(ht, nIndex); // 新 Bucket 指向 Hash 区下标所指的冲突链第一个 Bucket
HT_HASH(ht, nIndex) = HT_IDX_TO_HASH(idx); // Hash 区下标指向新 Bucket
if ((zend_long)h >= (zend_long)ht->nNextFreeElement) {
ht->nNextFreeElement = h < ZEND_LONG_MAX ? h + 1 : ZEND_LONG_MAX;
}
add:
ht->nNumOfElements++; // 元素个数 + 1
p->h = h; // 整数 key 的下标就是 hash
p->key = NULL; // 整数 key 时，必须把 p->key 设置为 NULL
ZVAL_COPY_VALUE(&p->val, pData); // 把要添加的值复制到新 Bucket 里面
return &p->val;
}
```
小二，上图！
```c
nNumUsed = 1
nNumOfElements = 1
nTableSize = 8
nTableMask = (-16) = (11111111111111111111111111110000)
10 2
h = (100000000) = (00000101111101011110000100000000)
10 2
nIndex = (h + nTableMask) = (11111111111111111111111111110000) = (-16)
2 10
+
|
+-----------------------------------------------------------------------+
|
| Hash arData Data
|
| +
| | +-------------------------------------+
v v v |
|
+---------+---------+---------+---------+---------+---------+---------+---------+ |
| | | | | | | | | |
| -16 | -15 | ...... | -1 | 0 | 1 | ...... | 7 | |
| | | | | | | | | |
+-------------------------------------------------------------------------------+ |
| | | | | |Undefined|Undefined|Undefined| |
| 0 | -1 | ...... | -1 | Bucket0 | Bucket1 | Buckets | Bucket7 | |
| | | | | | | | | |
+---------+---------+---------+---------+---------+---------+---------+---------+ |
|
+ |
+-----------------------------------------------------------------------------+
^
+
可 用 的 Bucket
nNumUsed = 2
nNumOfElements = 2
Hash arData Data
+
| +---------------------------+
v v |
|
+---------+---------+---------+---------+---------+---------+---------+---------+ |
| | | | | | | | | |
| -16 | -15 | ...... | -1 | 0 | 1 | ...... | 7 | |
| | | | | | | | | |
+-------------------------------------------------------------------------------+ |
| | | | | | |Undefined|undefined| |
| 1 | -1 | ...... | -1 | Bucket0 | Bucket1 | Buckets | Bucket7 | |
| | | | | | | | | |
+---------+---------+---------+---------+---------+---------+---------+---------+ |
|
+ ^ next + |
| +----------+ |
| |
+-----------------------------------------------------------------------------+
```
文字表述为：
1. 获取数组 arData 最后一个元素之后的合法位置（这个位置的内存在之前已经申请好了）。把这里的 Bucket 称为 BucketA。
2. 把 BucketA 的下标放入 BucketA 的 h 中，把要添加的元素值放入 BucketA 的 val 。
3. 把 Hash 区 `(h | nTableMask)` 位置指向的 Data 下标存储的 Bucket 称为 BucketB。
4. 把 BucketA 的 val 的 next 指向 BucketB 。
5. 更新Hash 区 `(h | nTableMask)` 位置的值为 BucketA 的下标。
> Hash 区 -1 表示 `HT_INVALID_IDX`
## 更新
在上面的添加部分，可以看到函数的定义是：
```c
static zend_always_inline zval *_zend_hash_index_add_or_update_i(HashTable *ht, zend_ulong h, zval *pData, uint32_t flag)
```
它把添加和更新放在一起处理了。
实际上在添加的时候，会先使用：
`zend_hash_index_find_bucket(const HashTable *ht, zend_ulong h)`
来看 h 这个 key 是否存在。如果存在就执行更新，如果不在就执行添加。
更新的操作就是把 pData 复制到找到的 Bucket 里面，替换掉原先的值。
## 删除
删除分为三种情况：
1. 目标 key 不存在
2. 目标 key 存在，其指向的 Bucket 处于冲突链的第一个位置
3. 目标 key 存在，其指向的 Bucket 不处于冲突链的第一个位置
目标 key 不存在，直接返回就可以了。
目标 key 存在时，包括两个主要的操作：
- 处理冲突链指针
- 释放内存
处理冲突链的指针时，分为两种情况：
- 在第一个位置：直接让 Hash 区的值指向冲突链第二个位置的 Bucket 在 Data 区的下标；
- 不在第一个位置：同链表删除中间元素的操作。
释放内存时：
- 如果 key 是字符串，则尝试释放 key 的空间；
- 把 Bucket 的 val 复制到另一个变量 data，把 Bucket 的 val 的类型设置为 undefined；
- 尝试释放 data 所占的空间。
做删除动作的入口是：
`zend_hash_del_bucket(HashTable *ht, Bucket *p)`
做核心操作的是：
`_zend_hash_del_el_ex(HashTable *ht, uint32_t idx, Bucket *p, Bucket *prev)`
看一看源码：
`zend_hash.c`:
```c
static zend_always_inline void _zend_hash_del_el_ex(HashTable *ht, uint32_t idx, Bucket *p, Bucket *prev)
{
if (!(HT_FLAGS(ht) & HASH_FLAG_PACKED)) {
if (prev) { // 处于冲突链的中间
Z_NEXT(prev->val) = Z_NEXT(p->val);
} else { // 处于冲突链的第一个
HT_HASH(ht, p->h | ht->nTableMask) = Z_NEXT(p->val); // 让 Hash 区的值指向下一个 Bucket 的 Data 区下标
}
}
idx = HT_HASH_TO_IDX(idx);
ht->nNumOfElements--; // 数组元素计数器减一。此时 nNumUsed 保持不变。
// 如果数组内部指针指向要删除的这个 Bucket ，则让其指向数组下一个有效 Bucket 。
if (ht->nInternalPointer == idx || UNEXPECTED(HT_HAS_ITERATORS(ht))) {
uint32_t new_idx;
new_idx = idx;
while (1) {
new_idx++;
if (new_idx >= ht->nNumUsed) {
break;
} else if (Z_TYPE(ht->arData[new_idx].val) != IS_UNDEF) {
break;
}
}
if (ht->nInternalPointer == idx) {
ht->nInternalPointer = new_idx;
}
zend_hash_iterators_update(ht, idx, new_idx);
}
// 如果要删除的元素是数组的最后一个元素，则尝试从后往前多回收几个无效 Bucket
if (ht->nNumUsed - 1 == idx) {
do {
ht->nNumUsed--;
} while (ht->nNumUsed > 0 && (UNEXPECTED(Z_TYPE(ht->arData[ht->nNumUsed-1].val) == IS_UNDEF)));
ht->nInternalPointer = MIN(ht->nInternalPointer, ht->nNumUsed);
}
// key 为字符串时，释放字符串内存
if (p->key) {
zend_string_release(p->key);
}
if (ht->pDestructor) { // 如果配置了析构函数，则调用析构函数
zval tmp;
ZVAL_COPY_VALUE(&tmp, &p->val);
ZVAL_UNDEF(&p->val);
ht->pDestructor(&tmp);
} else {
ZVAL_UNDEF(&p->val); // 没有析构函数，则直接将 zval 的 u1.type_info 配置为 undefind。不用释放空间，因为以后元素可以重用这个空间
}
}
```
## PHP 数组可拥有的最大容量
`zend_types.h`
```c
#if SIZEOF_SIZE_T == 4
# define HT_MAX_SIZE 0x04000000 /* small enough to avoid overflow checks */
/* 省略代码 */
#elif SIZEOF_SIZE_T == 8
# define HT_MAX_SIZE 0x80000000
/* 省略代码 */
#else
# error "Unknown SIZEOF_SIZE_T"
#endif
```
根据 `sizeof(size_t)` 的执行结果判断应该设置为 67108864 还是 2147483648 。
> 0x04000000 转为二进制是： 00000100000000000000000000000000
> 0x80000000 转为二进制是： 10000000000000000000000000000000
当 nNumUsed 大于等于 nTableSize 时，会触发 Resize 操作，以此获取更多可使用的 Bucket 。
## Resize 策略
Resize 的定义是：
`zend_hash.c`：
`static void ZEND_FASTCALL zend_hash_do_resize(HashTable *ht)`
Resize 有两种策略：
- rehash
- 双倍扩容 + rehash
之所以有不用双倍扩容的选择，是因为 PHP 在删除元素时，只是将对应 Data 区的 Bucket 的值设置为 undefined，并没有移动后面的元素。
选择的条件主要涉及 HashTable 的三个成员：
```c
struct _zend_array {
// ...省略
uint32_t nNumUsed; // Data 区最后一个有效 Bucket 的下标 + 1。
uint32_t nNumOfElements; // 存在多少个有效 Bucket。删除数组元素时，会使其减一。
uint32_t nTableSize; // 总共有多少空间。
// ...省略
}
```
#### 什么情况下只需要 rehash ？
源码是：
`ht->nNumUsed > ht->nNumOfElements + (ht->nNumOfElements >> 5)`
这里做一个转换，方便理解：
`ht->nNumUsed - ht->nNumOfElements > (ht->nNumOfElements >> 5)`
也就是被设置为 undefined 的 Bucket 数量大于当前元素个数除以 32 向下取整的值。
例如：
- 当 nNumUsed 为 2048 ， nNumOfElements 为 2000 的时候，得到 `2048 - 2000 < 62` ，因此执行扩容。
- 当 nNumUsed 为 2048 ， nNumOfElements 为 1900 的时候，得到 `2048 - 1900 > 59` ，因此执行 rehash。
rehash 做以下操作：
1. 清空 Hash 区；
2. 取两个指针，一个指向当前扫描的位置（叫做 p），一个指向迁移后的位置（叫做 q），遍历直到 p 到达 nNumUsed ；
p 在碰到无效 Bucket 时，会继续往前走一步，不做其他事。
p 在碰到有效 Bucket 时，会把 Bucket 的值复制到 q 指向的 Bucket 的值，并且 p 和 q 一起往前走一步。
这种做法的效率会比每次移动有效 Bucket 都把后面的数据一起往前移动来得高。
3. 重新创建冲突链；
4. 更新内部指针，使其指向更新位置后的 Bucket；
5. 更新 nNumUsed，使其等于 nNumOfElements 。
#### 什么情况下双倍扩容 + rehash ？
满足只 rehash 的条件就只做 rehash，如果不满足条件并且 nTableSize 小于数组可拥有的最大容量（`HT_MAX_SIZE`），则双倍扩容。
由于 `HT_MAX_SIZE` 是 `0x04000000` 或者 `0x80000000`，并且 nTableSize 始终是 2 的次方，所以最后一次双倍扩容后的容量刚好是 `HT_MAX_SIZE` 。
> 0x04000000 转为二进制是： 00000100000000000000000000000000
> 0x80000000 转为二进制是： 10000000000000000000000000000000
双倍扩容时，做以下操作：
1. nTableSize 变为原先的两倍；
2. 重新申请一次 Hash 区和 Data 区的内存，然后把原先 Data 区的数据以内存拷贝的方式复制到新的 Data 区；
3. 重新计算 nTableMask；
4. 释放掉原先 Data 区的内存；
5. 做 rehash 。主要是为了重建 Hash 区。
## 负载因子（Load Factor）
负载因子会影响 hash 碰撞的概率从而影响到耗时，也会影响 Hash 区的大小来影响内存消耗。
在 PHP 中，用 nTableMask 和 nTableSize 的关系来体现：
`负载因子 = |nTableMask / nTableSize|`
- 负载因子为 1 的时候（PHP 5），`nTableMask == - (nTableSize)` 。
- 负载因子为 0.5 的时候（PHP 7）， `nTableMask == - (nTableSize + nTableSize)` 。
> 上一次修改负载因子的提交是：
> [https://github.com/php/php-src/commit/34ed8e53fea63903f85326ea1d5bd91ece86b7ae](https://github.com/php/php-src/commit/34ed8e53fea63903f85326ea1d5bd91ece86b7ae)
为什么负载因子会影响时间消耗和内存消耗？
负载因子越大， nTableMask 绝对值就越小（nTableMask 本身受到 nTableSize 的影响），从而导致 Hash 区变小。
Hash 区一旦变小，更容易产生碰撞。也就使得冲突链更长，执行的操作会在冲突链的时间消耗变得更长。
负载因子越小，Hash 区变大，使得内存消耗更多，但冲突链变短，操作耗时变小。
|负载因子|时间消耗|内存消耗|
|:--|:--|:--|
|大|小|大|
|小|大|小|
所以要根据对内存和时间的要求来做调整。
PHP 的负载因子从 1 （PHP5） 降到 0.5 （PHP7），使得速度变快了，但同时内存消耗变大。
针对内存消耗，PHP 还做了个改进，增加了 packed array。
## packed array
packed array 的所有 key 是自然数，且依次添加的元素的 key 逐渐增大（不要求连续）。
packed array 查询时可以直接根据下标计算目标元素的位置（相当于 c 语言的数组），因此它不需要 Hash 区来加速。
不过由于在某些条件下， packed array 会转成 hash array ，所以它仍然保留 nTableMask 。只是 nTableMask 固定为最小值，当前为 -2 。
Hash 区只有两个位置，其值都是 HT_INVALID_IDX ，也就是 -1 。
加载全部内容