编程语言是如何实现泛型的

从Go引入泛型说起

本月,Go 1.18版本发布,一个大的变化是引入了正式的泛型支持。此时距离Go的第一次泛型提案已经过去了快十二年了!而花费如此长的时间引入的特性却引发了很多讨论与质疑。如在Reddit和Hacker News上这两个热门的帖子:

Go为什么要引入泛型?又为什么会花费如此长的时间?带着这个疑问让我们来看看编程语言中泛型的魔力吧。

什么是泛型

先看维基百科中对泛型编程(Generic programming)的定义:

Generic programming is a style of computer programming in which algorithms are written in terms of types to-be-specified-later that are then instantiated when needed for specific types provided as parameters. This approach permits writing common functions or types that differ only in the set of types on which they operate when used, thus reducing duplication.

如果上面这个非常学术化的定义让你无法理解的话,让我们先从一个简单的例子来说明泛型的作用。如下是个简单的C语言函数:

int compare(int a, int b) {
    if (a < b) {
        return -1;
    } else if (a > b) {
        return 1;
    } else {
        return 0;
    }
}

这个函数的存在的问题是不灵活,如果调用方需要比较两个浮点数,那还需要编写一个浮点数的函数,这样就导致了很多仅有类型差异但实现重复的代码。

如果你写过JavaScript这种动态的编程语言就会发现根本不需要类型的约束。如下是JavaScript版本的算法:

function compare(a, b) {
    if (a < b) {
        return -1;
    } else if (a > b) {
        return 1;
    } else {
        return 0;
    }
}

那么问题来了,为什么如C这种编程语言需要显式的类型约束呢?

类型系统(Type system)

类型内存布局(Type Memory Layout)

当应用的数据在内存中存储时,操作系统看到的只是一串比特序列,数据类型就是给这串比特序列一定的意义。比如有显式类型含义的编程语言中如C中的int8就会把比如11111111这串比特序列看作十进制的127,而uint8就会把这串比特序列看作十进制的255。显然同一串内存比特序列的含义因类型而异。这样就可以理解为什么C语言中的compare函数只能处理int而无法处理long了,因为编译成机器指令的代码只能处理int类型的数据。

在JavaScript中Number的内存大小是8个字节,而String的内存大小是16个字节,但只是一个指针引用,具体的内容大小是不确定的。

但JavaScript的函数为何可以处理多种类型的数据呢?这是因为JavaScript是一个弱类型动态类型检查编程语言,而C却是一个弱类型静态类型检查编程语言。

类型检查

  • 强弱类型:强弱类型并没有标准的定义,但是普遍认为强弱类型的核心区别在于,语言能否在某一个时刻能检查出来类型导出的错误,而不是抛出运行时错误(Unchecked RuntimeError)。强类型的编程语言可以在类型不匹配时发生错误(编译与运行时都可能发生),而弱类型的语言在类型不匹配时会做隐式的类型转换或无视类型进行操作,这会导致无法预料的运行时错误。这二者区分出来的核心现象就是,弱类型语言往往无法信赖变量的值,需要写很多额外的代码做额外的类型验证操作。
  • 静动检查:动态类型一时爽,重构代码火葬场。开发过大型项目的人一定会对这句话深有体会。动态与静态的区别在于类型检查发生的阶段,动态是在运行时阶段,静态是在编译阶段。但实际上一些编程语言是混合的类型检查,比如在C#中开发者可以通过关键字来标识此数据类型检查是动态还是静态的。不少静态类型检查的编程语言也有动态的类型检查,比如Java中既有编译阶段的静态类型检查,又有运行时的动态类型检查(如父类与子类的互相转换)。
  • 类型推导:一些编程语言虽然不需要开发者显示定义数据类型,但编译器能够做类型推导,帮助开发者定义数据类型,如Scala与Kotlin。

现在再回到起初的那个问题上,我们可以看到C与JavaScript同为弱类型的编程语言,真正的区别在于动态类型检查上。这让JavaScript的函数可以不受类型检查的限制,而C却受到了编译阶段的类型检查。

以Go语言为例,类型检查发生在编译阶段,如下:

flowchart LR
  词法分析 --> 语法分析 --> type-check(类型检查) --> 中间代码生成 --> 代码优化 --> 机器码生成
  style type-check fill:#48a,color:#fff

思考一个问题:对一个强类型的编程语言来说,类型检查发生在编译阶段还是运行时分别有哪些差异

非泛型突破类型的限制

由于类型检查对静态类型检查编程语言的限制,导致我们在实现一些算法时,由于这些算法对不同数据类型有着相同的处理流程,如果我们要实现一套针对所有类型都有效的算法库,就需要编写大量的重复代码。

在编程语言没有泛型特性的黑暗年代,存在这么一些古老的方法来解决对泛型的需求。

手工复制(Manual code duplication)

任何语言都可以通过这种最简单的方式手动实现泛型的效果,除了对程序员很不友好之外,这种方法有以下一些优点:

  • 产生的重复代码相比自动生成的代码要少。
  • 相比运行时的方法性能要高。因直接调用函数开销比通过运行时做额外的类型检查要低。

代码生成(Code generation)

Java的ASM与Go的genny都可以做到自动代码生成,其他语言也都可以实现类似的功能。这种方法解放了程序员,虽然有以下的一些问题:

  • 需要一些集成的手段去使用这些库,可能让代码构建变的更复杂。
  • 增加了编译时间。
  • 增加了二进制包的体积。

类型断言(Type assertation)

这种方法通过将函数中的参数类型转换为类型(如Java中的Object或Go中的interface{}),然后对根类型进行期望的类型断言。实现可参考Go的类型断言示例代码

这种方法有以下一些问题:

  • 调用方需要将参数包装或转换成根类型。
  • 实现方代码中耦合了大量的类型断言代码。
  • 失去了编译器的类型安全保障。

反射(Reflection)

与类型断言类似,不过是用反射的技术在运行时获取类型信息,通过对类型的枚举判断来实现。实现可参考Go的反射示例代码

这种方法有以下一些问题:

  • 可读性可能不太好,因为用到了复杂的反射技术。
  • 会导致运行时性能差。运行时反射要比直接的代码多了很多指令操作,所以性能要慢很多。
  • 失去了编译器的类型安全保障。

接口(Interface)

SOLID设计模式中的依赖倒置原则(Dependency Inversion Principle)要求软件接口在设计中应该依赖抽象而不是具体。比如在Java中方法参数可以设计成一个interface,之后可以针对此接口进行不同的实现,这样的设计也更容易写出可测试的代码。

根据这个指导原则,我们也可以用此实现泛型。

classDiagram
      Comparable <|-- ComparableInt
      Comparable <|-- ComparableFloat
      Comparable: +len()
      Comparable: +less()
      Comparable: +elem()
      class ComparableInt{
          -[]int values
          +len()
          +less()
          +elem()
      }
      class ComparableFloat{
          -[]float values
          +len()
          +less()
          +elem()
      }

这样在我们的泛型方法里只需要依赖Comparable接口,调用方可以传入具体的类型如ComparableIntComparableFloat

这种方法有以下一些问题:

  • 可能需要定义很多数据类型。

实现泛型

通常意义下的泛型也叫参数多态,指的是声明与定义函数、复合类型、变量时不指定其具体的类型,而把这部分类型作为参数使用,使得该定义对各种具体类型都适用。参数化多态使得语言更具表达力,同时保持了完全的静态类型安全。这被称为泛化函数、泛化数据类型、泛型变量,形成了泛型编程的基础。

编程语言理论(PLT)中多态(Polymorphism)包含三个主要方面:特设多态(Ad-hoc),参数多态(Parametric)和子类型(Subtyping)。

Ad-hoc:也叫重载(Overloading),允许具有相同名称的函数对不同类型执行不同的操作。例如,+运算符即可以将两个整数相加,也可以连接两个字符串。

Subtyping:也叫包容性多态(Inclusion),是指通过基类指针和引用使用派生类的能力。

子类型多态(Subtyping)是面向对象编程(OOP)中很重要的一个概念,它也称为运行时多态性,因为编译器在编译时不定位函数的地址,而是在运行时动态调用函数。这也称为动态派发(Dynamic Dispatch)。

派发目的是让程序运行时知道被执行的函数或方法所在的内存位置。派发分为:

  • 静态派发(Static dispatch/early binding):当程序在编译时可以找到执行的函数。C++默认使用的是直接派发,加上virtual修饰符可以改成虚函数表(Vtable)派发。直接派发是最快的,原因是调用指令少,还可通过编译器进行内联等方式的优化。这种派发缺点是不灵活,无法实现一些面向对象所需的技术如多态性。
  • 动态派发(dynamic dispatch/run-time dispatch/virtual method call/late binding):当程序在运行时可以找到执行的函数。Java默认使用的是虚函数表(Vtable)派发,通过final修饰符可改成直接派发。虚函数表派发是有动态性的,一个类里会用表来存储类成员函数的指针,子类重写(Override)父类的函数会替代父类的函数,子类添加的函数会被加到这个表里。当程序运行时派发时会从这个表中找到对应的函数,这样就可以实现动态派发。面向对象的编程语言正是靠此机制实现了多态性(Polymorphic)。
  • 消息机制(message passing):通过消息传递来调用被执行的函数。这种机制是在运行时可以改变函数的行为,甚至函数可以未实现,也不会引发运行时错误。比如Objective-C中就是通过消息传递来调用被执行的函数,甚至可以在程序运行过程中实现热更新代码。

以上三种派发方式都有其优劣:比如静态派发的速度是最快的,但并不灵活。而动态派发虽然比较慢,但却可以实现面向对象多态的功能。消息机制是最灵活的方式,但性能也最差。

前面我们已经看了手工实现泛型的多种方式。为了解放程序员,各静态类型检查的编程语言都实现了泛型,走的路线却各不相同。如下图:

# 实现泛型的方式
## 类型擦除(Type erasure) `Java`
## 字典(Dictionary)
### `Go`
### Witness table `Swift`
## 单态化(Monomorphization)
### 模版(Template) `C++`
### 蜡印(Stenciling)
#### GC Shape Stenciling `Go`

类型擦除(Type erasure)

对Java来说统一的数据类型就是Object,在编译阶段做完类型检查后就将类型信息通过转换成Object进行擦除,这样只需要生成一份泛型函数的副本即可。类型擦除保证了泛型函数生成的字节码和非泛型函数的是相同的,也符合Java对兼容性的要求。不过类型擦除也给Java的泛型带来了很多的限制

虚函数表(Vtable)

之前在动态派发中介绍了虚函数表(虚方法表),对Java来说通过类型擦除结合虚方法表来实现泛型的效果:运行时同样的数据类型Object,却能调用原始类型的方法。

classDiagram
      direction RL
      VTable0 <|-- Object
      VTable1 <|-- String
      VTable0: +equals()
      VTable0: +hashCode()
      VTable0: +getClass()
      VTable0: +toString()
      VTable1: +equals()
      VTable1: +hashCode()
      VTable1: +getClass()
      VTable1: +toString()
      VTable1: +length()
      VTable1: +charAt()
      class Object {
          <<Data Layout>>
          vptr
          other Object data members
      }
      class String {
          <<Data Layout>>
          vptr
          other Object data members
          other String data members
      }

字典(Dictionary)

编译器在编译泛型函数时只生成了一份函数副本,通过新增一个字典参数来供调用方传递类型参数(Type Parameters),这种实现方式称为字典传递(Dictionary passing)。

Go实现泛型的方式,就是在编译阶段,通过将类型信息以字典的方式传递给泛型函数。当然这个字典不仅包含了类型信息,还包含了此类型的内存操作函数如make/len/new等。

同样的Swift也通过字典传递了一种名为Witness table的数据结构,这种数据结构包含着类型的大小及类型的内存操作函数(移动、复制与释放)。如下图:

classDiagram
      direction RL
      ValueWitnessTable <|-- Int
      ReferWitnessTable <|-- MyClass
      class ValueWitnessTable {
        <<Vaule witeness Table for trival type, size 4, align 4>>
        size: 4
        alignment: 4
        copy: memcpy
        move: memcpy
        destroy: no-op
      }
      class ReferWitnessTable {
        <<Vaule witeness Table for reference type>>
        size: 8
        alignment: 8
        copy: retain
        move: trivial
        destroy: release
      }
      class Int {
        <<Metadata>>
        value witness table
        reflection information
      }
      class MyClass {
        <<Metadata>>
        value witness table
        reflection information
      }

Swift在编译阶段通过在函数入参中以字典的形式把Witness table注入,达到了以统一的方式处理任何类型,而不用对类型进行装箱操作。这样一来,Swift就可以实现泛型,而且不需要单态化,虽然在运行时有动态查找的开销,但这种表结构节省了分配内存和缓存不一致性的成本。

func getSecond<T>(_ pair: Pair<T>) -> T { 
  return pair.second 
}

//上述函数编译后变成下面的函数,入参的T就是Witness table的数据结构

void getSecond(opaque *result, opaque *pair, type *T) { 
  type *PairOfT = get_generic_metadata(&Pair_pattern, T); 
  const opaque *second = (pair + PairOfT->fields[1]); 
  T->vwt->copy_init(result, second, T); 
  PairOfT->vwt->destroy(pair, PairOfT); 
}

单态化(Monomorphization)

单态化的思路是自动生成多个类型的泛型函数版本,看起来就是一个模版代码生成的过程,但是也需要考虑很多种情况。比如:

  • 生成所有类型的函数版本:这种最简单,但是会拖慢编译时间,也会让最终的二进制文件变得很庞大。
  • 生成调用类型的函数版本:这种需要编译器分阶段或多次编译,比如需要遍历寻找调用点来确定最终的类型列表,对于不同包的同名函数的处理等。
  • 是否支持独立编译:如果调用泛型函数的类型与泛型函数不在同一个包内,是否能支持泛型函数独立的编译。

模版(Template)

C++通过模板实现泛型类、方法和函数,这导致编译器为每个唯一的类型参数集编译了代码的单独副本。这种方法的一个关键优势是没有运行时性能开销,尽管它以增加二进制文件大小和编译时间为代价。

蜡印(Stenciling)

蜡印其实就是模版,也是一种代码生成技术。但Go除了使用字典传递实现装箱外,还采用了GC Shape Stenciling的技术。这种看起来很高级的名词简单来说是为了解决蜡印或模版的问题,因为在蜡印的过程中,编译器会为每一个实例化的类型参数生成一套独立的代码,这种会有一个问题,请看下面的例子:

type a int
type b int

虽然ab是两个自定义的类型,但它们底层都是int类型,但编译器会为这两个类型而生成两套函数的版本(如对max泛型函数来说会生成max_amax_b两个函数版本)。这是一种浪费,还会生成庞大的二进制文件。GC Shape这种技术就是通过对类型的底层内存布局(从内存分配器或垃圾回收器的视角)分组,对拥有相同的类型内存布局的类型参数进行蜡印,这样就可以避免生成大量重复的代码。

Go实现泛型的方式混合了字典与蜡印技术,最终的流程如下:

flowchart LR
  开始编译 --> 寻找泛型函数调用 --> 使用GCShape对类型分组 --> 为类型生成实例化的函数 --> 创建包含类型信息的字典 --> 调用实例化的函数并传递入参与类型字典

思考题:为什么Swift采用了和Go类似的字典装箱技术,却并没有混合使用蜡印技术?

总的来说Go在1.18实现泛型的方式和Rust挺类似的,如果感兴趣可以看这篇Rust泛型的文章:

总结

对静态类型检查的编程语言,实现泛型的方式有很多,如:

  • C++:通过模版实现,相比C的宏,模版显然更强大灵活。
  • Java:通过类型擦除的装箱技术结合虚方法表实现,虽然类型擦除导致Java的泛型实现不如人意,但这种代价确保了兼容性。
  • Swift:通过字典传入的方式配合Witness table的实现,这种巧妙的方式在编译速度与运行时速度之间取得了不错的平衡。
  • Go:通过字典传入的方式配合GC Shape的蜡印技术实现,这种方式在编译速度与运行时速度之间取得了不错的平衡。

虽然看起来方式多样,但实际上只有两种思路:

  • Type Erasure/Dictionary:调用方法统一,运行时对代码进行检查。在这种场景下,要么方法表会被传入对应的泛型参数,要么在调用时编译器去解析(Resolve)。本质上这两种技术都用来实现某种RTTI的替代品。
  • Monomorphization/Stenciling:根据不同类型生成不同的代码。现代编译器已经支持了只针对使用到的类型进行代码生成了,C++的模板跟Rust的静态Trait都是此类。

总的来说泛型是个和编译技术强相关的概念,由于本文涉及了多种编程语言,文中可能存在一些因笔者能力有限而导致的错误,欢迎读者指正。同时一些编程语言如Go也在不断的改进自己实现泛型的机制,所以此文也会存在一些时效性的问题。

我希望能通过这篇文章帮助读者更好的理解泛型,尤其是多种编程语言的实现机制,以及语言设计者在泛型设计上的一些权衡利弊的考虑,这样也能有助于我们了解自己日常使用的编程语言,写出更好的代码。

参考资料

更新日志
2022-04-24:根据此讨论帖修改更新。(感谢@FrankHB@lxdlam
2022-03-25:初稿发布。