CPU眼里的:字符串 vs 数组（字符数组与字符串区别）

“它们十分相似，但又非常不同”

01

提出问题

字符串和字符数组，在内存分布上，跟普通数组（例如：int类型的数组）有很高的相似性。但使用字符串的危险系数，却远远高于普通数组。是什么细微的差异导致了二者在使用上，有这么大的不同呢？暂时告别教条的标准答案，让我们一起掀开引擎盖，看看到底发生了什么？

02

数值特性

打开Compiler Explorer，编写一个常规的函数func1，里面定义了一个字符串a，它的初值是字符串“abc”；接着我们再定义一个函数func2，里面定义了一个字符数组b，它的初值分别是：a、b、c和0，其中0是字符串的结束符，由于这个结束符的存在，所以称数组b为字符串数组更为合适。具体代码如下所示：

void func1()
{
    char a[] = "abc";
}
void func2()
{
    char b[4] = {'a', 'b', 'c', 0 };
}

好了，比较一下二者的CPU指令，如图所示。

如你所见，它们对应的CPU指令完全相同！只是这个赋值语句有点让人费解，这不像是为数组a和b，赋值字符串，而是一个神奇的数字：6513249。

不用着急，让我们再写一个函数func3，这里是给数组c赋值，只是这里的初值，我们不写成字符，而是二进制数，具体代码如下：

void func3()
{
    char c[4] = { 0x61, 0x62, 0x63, 0x0 };
}

它所对应的CPU指令，如图所示。

通过它们完全一致的CPU指令，相信你也猜到了：6513249对应的16进制数正好是：0x00、0x63、0x62、0x61，这4个字节正好对应了：结束符'\0'、和字符c、b、a的ASCII码。由于x86 CPU是小端模式，所以这个顺序是倒着排的，具体原因，也可以参看“CPU眼里的大端、小端”。

由此可见，无论人类世界的文字，多么妖娆，但在计算机的世界里面，它依然只是一个数字。我们不用纠结是用二进制数来初始化字符串，还是用字符来初始化数组，因为它们只是表示数的方法不同，并没有本质的区别。

对于资深读者的话，可能下面的函数func4更加原汁原味，它跟汇编指令符合的更好。

void func4()
{
    int x = 0x00636261;
}

之所以可以把数组写成int x，是因为数值0x00636261，无论是以数组的形式存在，还是以int类型存在，它们在内存中的分布是相同的。

不仅如此，有时候我也会看到用字符来初始化int类型的变量，例如：

void func5()
{
    int y = '\0cba';
}

其实函数func4和func5的本质相同，对应的CPU指令也完全一致，不同的只是表现的手法。如果只在语法层面记忆这些怪异规则的话，显然是非常突兀的，但如果从底层视角看它们的话，似乎一切又是丝滑和顺利成章的。

或许你也发现了：一条简单的汇编指令，其对应的高级语言实现方式是可以多种多样的。这也是逆向工程，往往不能精准还原源代码的原因之一，因为可选的还原路径确实太多了，至少字符串是这样的。

03

字符越界

在了解完字符的数值特征后，让我们再看看为什么字符串比数组更加容易越界?

这里我们定义了两个全局的字符串数组aa和bb，其中定义数组aa的时候，我们故意遗漏了“结束符”(\0)，具体代码和运行结果如图所示。

如你所见，对于没有结束符的数组aa，在汇编文件中，其初值“abcd”，会被注明成：ASCII码；而对于有结束符的数组bb，其初值“efgh”才会被注明成：字符串(.string)。

最后，在main函数中，输出字符数组aa，并分别输出其表示的字符串长度和数组aa的长度。输出结果如上图右下角所示：尽管数组aa的size还是4个字节，但它所表示的字符串的长度则超过了它的size，达到了8个字节。数组aa所代表的字符串已经越界到数组bb了，此时aa代表的字符串不再是：abcd；而是：abcdefgh！

这个结果可能跟程序员的初衷是违背的，虽然不会立刻导致程序崩溃，但随着时间的推移，可能引发更多的逻辑错误，随着这些逻辑错误，距离字符串代码渐行渐远，可能导致开发者无法意识到：逻辑错误的根本原因是字符串，从而陡增了调试的难度。

再看看数组aa和bb的内存分布图，如图所示。

如你所见，由于字符数组aa和bb之间没有结束符（\0），所以在没有源代码的提示下，我们也无法知道这是两个字符数组。同样，由于我们只为库函数strlen输入了字符串的内存首地址，所以，库函数strlen也无法知道字符串数组aa的真实长度，除非遇到结束符（\0）。

当然不仅是库函数strlen，那些专门用来处理字符串的库函数，都会存在类似的问题。例如库函数：strlen()，strcmp()，strcpy()，strcat()…

不过有些时候，即使不加入结束符，编译器或者操作系统会将一些数据段初始化为0，这相当于为潜在的字符串加上“结尾符”（\0），这一定程度上可以防止字符串因为遗漏“结束符”导致的访问越界。但这也可能纵容了大家不规范的编码习惯，一旦没有编译器和操作系统兜底，就可能酿成字符串越界的错误。

为了应对这种安全问题，可以考虑改用更加安全的字符串库函数，例如：strnlen

size_t strnlen(const char *s, size_t maxlen);

它会要求开发者输入字符串的最大长度，从而减少字符串越界的机会。

04

字符串的访问属性

最后，我们来看一个非常隐蔽、且容易被大家忽视的字符串问题。在main函数中定义一个字符指针d，并将其赋值为字符串“xyz”；然后再把第一个字符'x'，改写成字符'a'。改写的方式，既可以采用指针形式：*d = ‘a’，也可以采用数组形式：d[0] = ‘a’，二者背后的CPU指令是完全相同的。具体代码如下：

int main()
{
    char* d = "xyz";
    d[0] = 'a';
}

代码对应的CPU指令，如图所示。

虽然这两行代码十分简单，但却至少埋了两个大雷！第一个雷，是眼力大挑战：这里定义指针变量d的代码，跟定义一个数组的代码非常相似：char d[] = "xyz"；但指针变量和数组变量，它们存储字符串的方式，有天壤之别！

对于指针变量d，它跟普通变量一样，是某一段内存地址的别名，从上图对应的CPU指令可以看出：变量d代表的内存首地址是：[rbp - 8]，属于函数堆栈内存，在该内存里面，存储着字符串“abc”的内存首地址。

需要注意的是：字符串“xyz”本身并没用跟随变量d，也存储在函数的堆栈内存里面，相反它存储在全局数据段里面。

这样，字符串“xyz”的生命周期，不会像函数中的临时变量（栈变量）或临时数组a、b、c那样，随着函数的返回，其生命周期也随之结束；相反，字符串“xyz”的生命周期，将贯穿整个程序的运行过程。如果分别打印出指针变量d和字符串“xyz”的内存首地址的话，我们会发现它们之间有很大的距离，显然它们不是同一个存储区域。

第二个雷，就是写操作（读操作是被允许的），这里我们试图把第一个字符‘x’改成字符‘a’。运行结果如图所示。

程序居然崩溃了，segmentation fault！其实这段超简单的代码里面暗藏玄机。原来很多编译器会把字符串“xyz”安排在只读数据段。如果CPU集成了MMU，当我们试图对只读内存作写操作时，就会产生page fault，进而导致程序崩溃！没想到吧？如此简单的代码，竟然还涉及到了数据段和内存保护这类底层知识。这是不是非常超纲呢？

但对于没用MMU的单片机设备的话，可能不会导致程序崩溃，甚至系统对这种情况可能视而不见，毫无反应。但改写操作，却很有可能失败。不过这种写入失败，不会产生任何提示，这会让错误继续延续下去，直到出现了肉眼可见的逻辑错误。关于MMU的相关内容，可以参看章节“CPU眼里的：虚拟内存”。

当然，现代编译器也会警告我们这个char*类型的变量d，跟const char*类型的字符串“xyz”是不匹配的，比较正确的写法应该是这样的：

const char* d = "xyz";
d[0] = 'a'; //error here

这样，当我们试图编写改变字符的代码时，编译器直接给出编译错误，从而禁止这种错误代码的运行。

05

总结

总的来说，字符也是一个数字。每个字符是一个特定的ASCII码，这跟普通变量表示是数字没有本质差异。字符串和字符数组的区别如下：

1. 结束符：字符串以空字符（\0）结束，字符数组则不一定
2. 初始化：字符串可以使用字符串字面量（例如"Hello"）进行初始化，字符数组则需要逐个字符初始化或使用字符数组初始化。
3. 处理方式：C标准库提供了许多处理字符串的函数，例如strlen、strcpy、strcmp等，这些函数依赖于字符串的结束符。而对于普通的字符数组，这些函数可能无法正常工作，除非字符数组恰好符合字符串的格式（即以结束符（\0）结束）。

06

更多知识

如果喜欢阿布这种解读方式，希望更加系统学习这些编程知识的话，也可以考虑看看由阿布亲自编写，并由多位微软大佬联袂推荐的新书《CPU眼里的C/C++》

【京东热卖】好评度：> 98%

【微信读书】推荐度：> 82%