Erlang数据类型的表示和实现（1）——数据类型回顾

本文介绍 Erlang 语言中使用的各种数据类型以及这些数据类型在 Erlang 虚拟机内部的表示和实现。了解数据类型的实现可以帮助大家在实际开发过程中正确选择数据类型，并且可以更好更高效地操作这些数据类型。本文对 Erlang 数据类型及实现的总结目前是最全面的，可以作为 Erlang 数据结构的参考手册。尽管我写的内容都试图在各种参考资料和 Erlang 虚拟机源代码中验证，但是难免会有理解错误或各种低级错误，希望大家指正，也希望能对 Erlang 爱好者们有帮助。

Erlang数据类型回顾

Erlang 从语言的层面上说是一门比较简单的语言，因此语言原生的数据结构也比较简单。下面简单回顾一下 Erlang 语言支持的数据结构：

• 整数：小整数和大整数。Erlang 可以表达任意大小的整数，只要不超过内存容量。如果一个整数可以用一个机器字[注1]表示，那么这个整数在内部通过“小整数”表示（这里是粗略的描述，实际不到一个机器字）；否则，自动升级为“大整数”表示。在用户层面感知不到内部的具体表示，只要用就行了。示例：1，-1，123，473804731289473815748315139。
• 浮点数：标准的 IEEE 754-1985 格式的浮点数。例如 3.14，1.234E-10，-0.5。
• atom（原子）：小写字母开头的不带引号的字符串，是一种字面常量，可以用来表达任何想表达的意义。也可以用单引号引起来，这样用起来更灵活，比如第一个字母可以大写，中间还可以插入空格。示例：abc，node@myhost.com，error，ok，'Hello World'。
• 布尔值：实际上内部就是原子 true 和原子 false 表示的，但是有一些 BIF（例如 is_boolean）和操作符（例如 and 和 or 等）用于支持布尔操作的语义。
• tuple（元组）：组合数据结构，相当于固定大小的数组，每一个元素可以是任意类型。示例： {error, badarg}，{person, "Siyao", 1985}。
• list（列表）：看上去和元组一样，也是组合数据结构，每一个元素可以是任意类型，可以包含任意个元素，由于 Erlang 变量都是 immutable 的，所以列表的大小也是不可变的，但是列表的内部表示和支持的操作和元组完全不同。示例：[monday, tuesday]，[{person, "Alice"}, {person, "Bob"}]。
• 字符串：实际上就是字符的列表，而字符实际上和整数没有区别。字符串就是一种采用大家熟知的字符串表示语法表示字符列表的语法糖。示例："Hello World"。注意字符串用的是双引号，而原子用的是单引号。
• fun（匿名函数）：fun 是体现 Erlang 作为函数式语言的一个重要特性。fun 是“匿名”函数，可以在程序中动态生成，可以当做数据传入其他函数或从函数返回。因此 fun 类型的数据也是 Erlang 中的一种数据结构。示例：fun(X) -> 2*X end。
• binary：用于表示一堆原始的无类型的字节数据。由于 binary 是整块的数据，所以非常适合各种数据传输和处理的场合。binary 可以方便地和 Erlang 中其他数据结构互相转换，因此相当于可以在语言层面非常方便地执行数据结构的 marshalling 和 unmarshalling 操作。在 binary 中还可以打破字节的边界进行任意位匹配操作，因此可以非常方便地从各种二进制数据（例如网络数据包和二进制文件等）中提取字段。
• ref：通过 BIF 调用 make_ref() 生成的一个几乎唯一的值，因为在同一 Erlang 节点上，连续调用 \(2^{82}\) 次 make_ref() 得到的值都是不一样的。ref 是透明的数据类型，只能拿来用，但不能对其操作。ref 数据可以放在消息里发送至其他 Erlang 节点，Erlang 的分布式机制会自动加上节点相关的信息，使得 ref 在整个集群内保持几乎唯一。也可以看出，ref 有两种表示形式，一种是 local 表示形式，还有一种是 external 形式。local 版本就是在本地的表示形式，但是发送到其他节点之后，其他节点得到的 ref 数据就是通过 external 形式表示的。
• pid：Erlang 进程 id。类似 ref，也是透明的，也区分 local 和 external。
• port：表示 port id，同样也是透明的，并区分 local 和 external。

以上完整地概述了 Erlang 语言中采用的数据类型。下面我们就来看这些数据类型在 Erlang 虚拟机内部都是怎么表达和实现的。了解这些原理性的内容我们就可以更加高效地使用这些数据结构。

---

[注1] 这里说的机器字（后面都简称“字”）指的是机器原生指针宽度的数据结构。比如在 64 位机器上，机器字长度为 8 个字节。要注意这里所说的机器字和 Intel 文档中的“习俗”不同。Intel 文档中因为历史原因，一直将一个字定义为 16 位，即 2 字节，所以 64 位宽的数据结构在 Intel 的文档中都表示为 quad word（因此在对应的汇编指令中也会添加 q 后缀）。