赵金鑫(笔话) 阿里开发者 2023-05-26 09:00 发表于浙江

阿里妹导读

【资料图】

本文作者从评判标准、功能评测、性能评测等多方面剖析三方库哪些家强，并给出了比较务实的建议。（后台回复【Java单元测试实战】可获取电子书）

引言

为了小伙伴理解，汇总了一下文章中会提及的术语名词解释，请放心品读，欢迎一起讨论交流！

你真的了解 Go 标准库吗？

问题一：标准库可以反序列化普通的字符串吗？执行下面的代码会报错吗？

var s stringerr := ([]byte(`"Hello, world!"`), &s)(t, err)(s)// 输出：// Hello, world!

解：其实标准库解析不仅支持是对象、数组，同时也可以是字符串、数值、布尔值以及空值，但需要注意，上面字符串中的双引号不能缺，否则将不是一个合法的 json 序列，会返回错误。

问题二：如果结构体的 json tag 定义与 key 大小不一致，可以反序列化成功吗？

cert := struct {    Username string `json:"username"`    Password string `json:"password"`}{}err = ([]byte(`{"UserName":"root","passWord":"123456"}`), &cert)if err != nil {    ("err =", err)} else {    ("username =", )    ("password =", )}// 输出：// username = root// password = 123456

解：如果遇到大小写问题，标准库会尽可能地进行大小写转换，即：一个 key 与结构体中的定义不同，但忽略大小写后是相同的，那么依然能够为字段赋值。

为什么使用第三方库，标准库有哪些不足？

Go json 标准库 encoding/json[1]已经是提供了足够舒适的 json 处理工具，广受 Go 开发者的好评，但还是存在以下两点问题：

API 不够灵活：如没有提供按需加载机制等； 性能不太高：标准库大量使用反射获取值，首先 Go 的反射本身性能较差，较耗费 CPU 配置；其次频繁分配对象，也会带来内存分配和 GC 的开销；

基于上面的考量，业务会根据使用场景、降本收益等诉求，引入合适的第三方库。

三方库哪些家强？

首先，思考从提问开始：

热门的三方库有哪些？ 内部实现原理是什么？ 如何结合业务去选型？

下面是我收集整理的一些开源第三方库，也欢迎有兴趣的小伙伴一起交流补充！

库名	encoder	decoder	compatible	star 数 ()	社区维护性
StdLib( encoding/json )[2]	✔️	✔️	N/A	-	-
FastJson( valyala/fastjson )[3]	✔️	✔️	❌		较差
GJson( tidwall/gjson )[4]	✔️	✔️	❌		较好
JsonParser( buger/jsonparser )[5]	✔️	✔️	❌	5k	较差
JsonIter( json-iterator/go )[6]	✔️	✔️	部分兼容		较差
GoJson( goccy/go-json )[7]	✔️	✔️	✔️		较好
EasyJson( mailru/easyjson )[8]	✔️	✔️	❌		较差
Sonic( bytedance/sonic )[9]	✔️	✔️	✔️		较好

评判标准

评判标准包含三个维度：

性能：内部实现原理是什么，是否使用反射机制； 稳定性：考虑到要投入生产使用，必须是一个较为稳定的三方库； 功能灵活性：是否支持 Unmarshal 到 map 或 struct，是否提供的一些定制化抽取的 API；

在功能划分上，根据主流 json 库 API，将它们的使用方式分为三种：

泛型（generic）编解码 ：json 没有对应的 schema，只能依据自描述语义将读取到的 value 解释为对应语言的运行时对象，例如：json object 转化为 Go map[string]interface{}； 定型（binding）编解码 ：json 有对应的 schema，可以同时结合模型定义（Go struct）与 json 语法，将读取到的 value 绑定到对应的模型字段上去，同时完成数据解析与校验； 查找（get）& 修改（set） ：指定某种规则的查找路径（一般是 key 与 index 的集合），获取需要的那部分 json value 并处理。

功能评测

特点分析

性能评测

下面是评测性能时所用的各个包的版本情况，具体的测试代码，可参考benchmark_test [10]。

为什么没有评测 GJson 库呢?

GJson 在单键查找的场景下有很大的优势。这是因为它的查找是通过 lazy-load 实现的，它巧妙地跳过了传递值，有效地减少了很多不必要的解析，但其实跳过也是一种轻量级解析，实际是在处理 json 控制字符“[”、“{”等；然而当涉及到多键查找时，Gjson 做的事比标准库更糟糕，这是其跳过机制的副作用：相同路径查找导致的重复开销。针对它的使用场景，单纯的评测定性编解码和泛型编解码，对 GJson 是不公平的。

根据样本 json 的 key 数量和深度分为三个量级：

Small[11]（400B, 11 keys, 3 layers） Medium[12]（13KB, 300+ key, 6 layers） Large[13]（635KB, 10000+ key, 6 layers）

评测过程中，需要注意不但要区分泛型编/解码、定型编/解码，而且也要考虑到并发情况下的性能表现，测试代码样例如下：

func BenchmarkEncoder_Generic_StdLib(b *) {    _, _ = (_GenericValue)    (int64(len(TwitterJson)))    ()for i := 0; i < ; i++ {        _, _ = (_GenericValue)    }}func BenchmarkEncoder_Binding_StdLib(b *) {    _, _ = (&_BindingValue)    (int64(len(TwitterJson)))    ()for i := 0; i < ; i++ {        _, _ = (&_BindingValue)    }}func BenchmarkEncoder_Parallel_Generic_StdLib(b *) {    _, _ = (_GenericValue)    (int64(len(TwitterJson)))    ()    (func(pb *) {for () {            _, _ = (_GenericValue)        }    })}func BenchmarkEncoder_Parallel_Binding_StdLib(b *) {    _, _ = (&_BindingValue)    (int64(len(TwitterJson)))    ()    (func(pb *) {for () {            _, _ = (&_BindingValue)        }    })}

具体的指标数据和统计结果，可参考benchmark_readme [14]，总体结论如下：

常见优化思路有哪些？

定型编解码

对于有 schema 的定型编解码场景而言，很多运算其实不需要在“运行时”执行。例如业务模型中确定了某个 json key 的值一定是布尔类型，其实可以在序列化阶段直接输出这个对象对应的 json 值(true/false)，并不需要再检查这个对象的具体类型。其核心思想是 优化数据处理逻辑，将模型解释与数据处理逻辑分离，让前者提前固定下来，进而消除反射，提升性能。

动态函数组装

JsonIter 就使用函数组装模式，具体方法是将结构解释为逐个字段的编码和解码函数，然后将其组装并缓存为整个对象对应的编解码器，运行时再加载出来处理 json，将反射的性能损失成本降到最低。

这样优化是否就能一劳永逸呢？

并没有。因为这样实现会转化为大量的接口封装和函数调用栈。在实际测试中，会发现随着 json 数据量级的增长，因为调用接口涉及动态寻址，汇编函数不能被内联，而 Golang 的函数调用性能很差（没有逐个寄存器的参数传递），函数调用的开销也会成倍放大。

减少函数调用

为了避免动态汇编的函数调用开销，业界实现方式目前主要有两种：code-gen（代码生成 ） 和 JIT（ 即时编译）。

code-gen

EasyJson 就采用代码生成的思路。这种实现方式库开发者实现起来相对简单，性能高；但是它伴随着模式依赖性和便利性的损失，增加业务代码的维护成本和局限性，无法做到秒级热更新，这也是代码生成方式的 json 库受众并不广泛的原因。

JIT

即时编译将编译过程移到了程序的加载或首次解析阶段，只需要提供 json schema 对应的结构体类型信息，就可以一次性编译生成对应的编解码器，通常以 Golang 函数的形式缓存到堆外内存，便于后期高效执行。

// 函数缓存type cache struct {  functions map[*rtype]functionlock      }var (global = func() [caches]*cache {var caches [caches]*cachefor idx := range caches {      caches[idx] = &cache{functions: make(map[*rtype]function, 4)}    }return caches  }())func load(typ *rtype) (function, bool) {do, ok := global[uintptr((typ))%caches].functions[typ]return do, ok}func save(typ *rtype, do function) {cache := global[uintptr((typ))%caches]  ()  [typ] = do  ()}

泛型编解码

其实泛型编解码性能差不只是因为没有 schema ，因为可以对比一下 C++ 的 json 库，如 simdjson[15]，它的解析方式都是泛型的，但性能仍然很好；

Go 标准库泛型解析性能差，原因在于它采用了 map[string]interface{} 作为 json 的编解码对象。这其实是一种糟糕的选择，原因如下：

数据反序列化的过程中，map 插入的开销很高； 在数据序列化过程中，map 遍历也远不如数组高效；

如果用一种与 json AST 更贴近的数据结构来描述，不但可以让转换过程更加简单，甚至可以实现 lazy-load 。

复用编码缓冲区

通过使用 复用先前编码的缓冲区，可以有效减少 encode buffer 的内存分配次数。

type buffer struct {    data []byte}var bufPool = {    New: func() interface{} {return &buffer{data: make([]byte, 0, 1024)}    },}// 复用缓冲区buf := ().(*buffer)data := encode()newBuf := make([]byte, len(data))copy(newBuf, buf) = (buf)

Sonic 库为什么性能好？

原理调研

Sonic 基于汇编进行开发，通过充分利用向量化（SIMD）指令、优化内存布局和按需解析等关键技术，大幅提高了序列化反序列化性能。 它的优化思路可以分成离线和在线：

离线场景：针对 Go 语言编译优化的不足，Sonic 核心计算函数使用 C 语言编写，使用 Clang 的深度优化编译选项，并开发了一套 asm2asm 工具，将完全优化的 x86 汇编翻译成 plan9 汇编，加载到 Golang 运行时，以供调用。 在线场景：通过自定义 AST，实现了按需加载；采用 JIT 技术在运行时对模式对应的操作码进行装配，以 Golang 函数的形式缓存到堆外内存。这样大大减少函数调用，同时也保证灵活性；

为什么不使用 CGO ？

虽然使用 CGO 实现更加简便， 但 CGO 在调用 c 代码的时候引入了调度、切换线程栈等开销，会造成较大（有的场景中高达 20 多倍）的性能损耗，无法对代码进行了深度优化。

SIMD

什么是 SIMD?

SIMD（Single-Instruction-Multi-Data 单指令流多数据流）它是一种采用一个控制器来控制多个处理器，同时对一组数据中的每一个数据分别执行相同的操作，从而实现空间上的并行性技术。例如：X86 的 SSE 或者 AVX2 指令集，以及 ARM 的 NEON 指令集等。它作为一组特殊的 CPU 指令，用于矢量数据的并行处理。目前，它被大多数 CPU 所支持，并广泛用于图像处理和大数据计算中，当然在 json 处理中也很有用。

SIMD 在 json 处理中解决了什么问题？

对于 json 文本的处理与计算。其中一些问题在业界已经有比较成熟高效的解决方案，如浮点数转字符串算法 Ryu，整数转字符串的查表法等；针对一些问题逻辑相对简单，但是可能会面对较大数量级的文本，如 json string 的 unquote\quote 处理、空白字符的跳过等，也需要某种技术手段来提升处理能力，而 SIMD 就是一种用于并行处理大规模数据的技术。simdjson-go [16]在大型 json 场景（>100KB）中非常有竞争力。然而，对于一些极小的或不规则的字符串，SIMD 所需的额外负载操作将导致性能下降。因此， 对于大数据和小数据并存的实际场景，采用预设条件判断（字符串大小、浮动精度等），将 SIMD 和标量指令结合起来，以达到最佳适应性。

asm2asm

为了提高执行效率，Sonic 中一些关键的计算函数是用 C 编写的，用 Clang 编译的；但由于 Clang 编译出来的是 x86 汇编，而 Golang 编译出来的是 plan9 汇编；那如何将优化后的汇编嵌入 Golang 中就变成了一个问题，因此为了在 Golang 中调用 Clang 编译出来的汇编，字节开发了一个内部工具 tools/asm2asm 将 x86 的汇编转换为 plan9。

JIT 汇编

Sonic 借鉴 JsonIter 的组装各类型处理函数的实现，针对编解码器动态装配的函数调用开销，采用 JIT 技术在运行时对模式对应的操作码（asm）进行装配，最后以 Golang 函数的形式缓存到堆外内存。因为编译后的编解码函数是一个集成函数，可以大大减少函数调用，同时保证灵活性；对于 json 对应的结构体已知的服务场景，在线进行 JIT 汇编是比较耗时的，会导致首次请求耗时较高，也可以预先生成好汇编后的字节码。

RCU cache

为了提升 Codec Cache 的加载速度，每个结构体对应的序列化/反序列化字节码可以缓存起来，后面直接调用，以减少运行时汇编操作的执行次数（缓存足够大的时候只需要执行一次）。 最初是用来缓存编解码器的，但对于准静态（读远多于写）、较少元素（通常不超过几十个）的场景来说，其性能并不理想，所以用“开放寻址哈希+RCU 技术”重新实现了一个高性能和并发安全的缓存。

自定义 AST

针对泛型编解码，基于 map 开销较大的考虑，Sonic 实现了更符合 json 结构的树形 AST；通过自定义的一种通用的泛型数据容器 sonic-ast 替代 Go interface，从而提升性能。

用 node {type, length, pointer} 表示任意一个 json 数据节点，并结合树与数组结构描述节点之间的层级关系。针对部分解析，考虑到解析和跳过之间的巨大速度差距，将 lazy-load 机制到 AST 解析器中，以一种更加自适应和高效的方式来减少多键查询的开销。

type Node struct {v int64t  }

如何实现部分解析？

sonic-ast 实现了一种有状态、可伸缩的 json 解析过程。当使用者 get 某个 key 时，采用 skip 计算来轻量化跳过要获取的 key 之前的 json 文本；对于该 key 之后的 json 节点，直接不做任何的解析处理；仅使用者真正需要的 key 才完全解析。

如何解决相同路径查找重复开销的问题？

在对于子节点 skip 处理过程增加了一个步骤，将跳过 json 的 key、起始位、结束位记录下来，分配一个 Raw-JSON 类型的节点保存下来，这样二次 skip 就可以直接基于节点的 offset 进行，这样解决相同路径查找导致的重复开销的问题。同时 sonic-ast 支持了节点的更新、插入和序列化，甚至支持将任意 Go types 转为节点并保存下来。

函数调用优化

无栈内存管理：自己维护变量栈（内存池），避免 Go 函数栈扩展。 自动生成跳转表，加速 generic decoding 的分支跳转。 使用寄存器传参：尽量避免 memory load & store，将使用频繁的变量放到固定的寄存器上，如：json buffer、结构体指针； 重写函数调用：由于汇编函数不能内联到 Go 函数中，函数调用引入的开销甚至会抵消 SIMD 带来的性能提升，因此在 JIT 中重新实现了一组轻量级的函数调用（维护全局函数表+函数 offset）。

业务实践

适用场景

由于 Sonic 优化的是 json 操作，所以在 json 操作的 cpu 开销占比较大的服务场景中收益会比较明显。比如网关、转发和入口服务等。

快速试用

为了较小侵入地验证 Sonic 会对服务产生的性能提升，评估是否值得切换。推荐使用brahma-adshonor/gohook [17]工具库，内部大概实现是向被 hook 的函数地址中写入跳转指令，直接跳转到新的函数地址。

使用方式：在 main 函数的入口处 hook 当前使用的 json 库函数为 Sonic 中对等函数。hook 是函数级的，因此可以具体验证具体函数的性能提升；当人出于对某些函数的不信任、或者自己有性能更优异或更稳定的实现，也可以部分函数使用 Sonic。但需要注意，它未经过生产环境验证，建议仅测试使用。切记，线上变更时，一定要满足“可监控”，“可灰度”、“可回滚”的三大原则。

import "/brahma-adshonor/gohook"func main() {// 在main函数的入口hook当前使用的json库（如encoding/json）    (, , nil)    (, , nil)}

收益情况

截止 2022 年 1 月份，Sonic 已应用于抖音，今日头条等服务，累计为字节节省了数十万核。下图为字节某服务使用 Sonic 后高峰时段的 cpu 占用核数对比（图来源sonic ：基于 JIT 技术的开源全场景高性能 JSON 库）。在生产环境中，Sonic 中也验证了良好的收益，服务高峰期占用核数减少将近三分之一：

同时我们将线上的一个服务，将 HTTP 查询接口 JSON 序列化由标准库切换为 Sonic 库后，在相同 QPS 量级下，CPU 利用率下降了接近 3 个点，效果也还不错。

使用事项

HTML Escape

标准库中默认会开启 html Escape，而 Sonic 出于性能损耗默认不开启。

func TestEncode(t *) {  data := map[string]string{"&&": "<>"}// 标准库var w1 = (nil)  enc1 := (w1)  err := (data)  (t, err)// Sonic 库var w2 = (nil)  enc2 := (w2)  err = (data)  (t, err)  ("%v%v", (), ())}// 运行结果：{"&&":"<>"}{"&&":"<>"}

若有需要可以通过下面方式开启：

import "/bytedance/sonic/encoder"v := map[string]string{"&&":"<>"}ret, err := (v, EscapeHTML) // ret == `{"&&":{"X":" >"}}`enc := (w)(true)err := (obj)

大型模式问题

由于 Sonic 使用 golang-asm 作为 JIT 汇编器，这不太适合运行时编译，因此首次运行大型模式可能会导致请求超时甚至处理 OOM。为了获得更好的稳定性，建议在 Marshal（）/Unmarshal（）之前使用 Pretouch（）来处理大型模式或紧凑内存应用程序。

import ("reflect""/bytedance/sonic""/bytedance/sonic/option")func init() {var v HugeStruct// For most large types (nesting depth <= )    err := ((v))// with more CompileOption...    err := ((v),// If the type is too deep nesting (nesting depth >),// you can set compile recursive loops in Pretouch for better stability in JIT.        (loop),// For a large nested struct, try to set a smaller depth to reduce compiling time.        (depth),    )}

key 排序

Sonic 在序列化时默认是不对 key 进行排序的。json 的规范也与顺序无关，但若需要 json 是有序的，可以在序列化时选择排序的配置，大约会带来 10%的性能损耗。排序方法如下：

import "/bytedance/sonic"import "/bytedance/sonic/encoder"// Binding map onlym := map[string]interface{}{}v, err := (m, )// Or () before marshalvar root := (JSON)err := ()

暂不支持 arm 架构

现象：用 Mac M1 无法编译成功，解决方案可参考 sonic-compatibility[19]，在编译时通过添加以下参数: GOARCH=amd64，可解决编译失败的问题，但依旧无法支持本地 Debug 操作；

官方在 issue172 [20]中曾表示因内部实现的原因，这个问题的确很难搞，但还是有望在 Sonic V2 大版本中支持。

总结

综上，业务选型上需要根据具体情况、不同领域的业务使用场景和发展趋势进行选择，综合考虑各方面因素。最适配业务的才是最好的！ 例如：如果业务只是简单的解析 http 请求返回的 json 串的部分字段，并且字段都是确定的，偶尔需要搜索功能，那 Gjson 是很不错的选择。

以下是一些个人观点，仅供参考：

不太推荐使用 Jsoniter 库 ，原因在于: Go 之前，官方 Json 库的性能就收到多方诟病。不过随着 Go 版本的迭代，标准 json 库的性能也越来越高，Jsonter 的性能优势也越来越窄。如果希望有极致的性能，应该选择 Easyjson 等方案而不是 Jsoniter，而且 Jsoniter 近年已经不活跃了。 比较推荐使用 Sonic 库 ，因不论从性能和功能总体而言，Sonic 的表现的确很亮眼；此外，通过了解 Sonic 的内部实现原理，提供一种对于 cpu 密集型操作优化的“野路子”，即：通过编写高性能的 C 代码并经过优化编译后供 Golang 直接调用。其实并不新鲜，因为实际上 Go 源码中的一些 cpu 密集型操作底层就是编译成了汇编后使用的，如：crypto 和 math。

参考资料：

深入 Go 中各个高性能 JSON 解析库：/archives/535 Go 语言原生的 json 包有什么问题？如何更好地处理 JSON 数据？：/developer/article/1820473 go-json#how-it-works：/goccy/go-json#how-it-works sonic ：基于 JIT 技术的开源全场景高性能 JSON 库 Introduction to Sonic：/bytedance/sonic/blob/main/ bytedance/sonic-readme：/bytedance/sonic@#section-readme 为字节节省数十万核的 json 库 sonic：/p/586050976

[1]/encoding/json?spm=

[2]/encoding/json?spm=

[3]/valyala/fastjson?spm=

[4]/tidwall/gjson?spm=

[5]/buger/jsonparser?spm=

[6]/json-iterator/go?spm=

[7]/goccy/go-json?spm=

[8]/mailru/easyjson?spm=

[9]/bytedance/sonic?spm=

[10]/zhao520a1a/go-base/blob/master/json/benchmark_test/..sh

[11]/zhao520a1a/go-base/blob/master/json/testdata/..go

[12]/zhao520a1a/go-base/blob/master/json/testdata/..go

[13]/zhao520a1a/go-base/blob/master/json/testdata/..json

[14]/zhao520a1a/go-base/blob/master/json/benchmark_test/..md

[15]/simdjson/simdjson?spm=

[16]/minio/simdjson-go?spm=

[17]/brahma-adshonor/gohook?spm=

[19]/bytedance/sonic?spm=#compatibility

[20]/bytedance/sonic/issues/172?spm=