json转map-探究｜Go JSON 三方包哪家强？

阿里妹导读

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 := json.Unmarshal([]byte(`"Hello, world!"`), &s)assert.NoError(t, err)fmt.Println(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 = json.Unmarshal([]byte(`{"UserName":"root","passWord":"123456"}`), &cert)if err != nil {    fmt.Println("err =", err)} else {    fmt.Println("username =", cert.Username)    fmt.Println("password =", cert.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：

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：

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 (2023.04.19)

社区维护性

StdLib(encoding/json)[2]

✔️

✔️

N/A

–

–

FastJson(valyala/fastjson)[3]

✔️

✔️

❌

1.9k

较差

GJson(tidwall/gjson)[4]

✔️

✔️

❌

12.1k

较好

JsonParser(buger/jsonparser)[5]

✔️

✔️

❌

5k

较差

JsonIter(json-iterator/go)[6]

✔️

✔️

部分兼容

12.1k

较差

GoJson(goccy/go-json)[7]

✔️

✔️

✔️

2.2k

较好

EasyJson(mailru/easyjson)[8]

✔️

✔️

❌

4.1k

较差

Sonic(bytedance/sonic)[9]

✔️

✔️

✔️

4.1k

较好

评判标准

评判标准包含三个维度：

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：

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：

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 *testing.B) {    _, _ = json.Marshal(_GenericValue)    b.SetBytes(int64(len(TwitterJson)))    b.ResetTimer()for i := 0; i < b.N; i++ {        _, _ = json.Marshal(_GenericValue)    }}func BenchmarkEncoder_Binding_StdLib(b *testing.B) {    _, _ = json.Marshal(&_BindingValue)    b.SetBytes(int64(len(TwitterJson)))    b.ResetTimer()for i := 0; i < b.N; i++ {        _, _ = json.Marshal(&_BindingValue)    }}func BenchmarkEncoder_Parallel_Generic_StdLib(b *testing.B) {    _, _ = json.Marshal(_GenericValue)    b.SetBytes(int64(len(TwitterJson)))    b.ResetTimer()    b.RunParallel(func(pb *testing.PB) {for pb.Next() {            _, _ = json.Marshal(_GenericValue)        }    })}func BenchmarkEncoder_Parallel_Binding_StdLib(b *testing.B) {    _, _ = json.Marshal(&_BindingValue)    b.SetBytes(int64(len(TwitterJson)))    b.ResetTimer()    b.RunParallel(func(pb *testing.PB) {for pb.Next() {            _, _ = json.Marshal(&_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      sync.Mutex}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(unsafe.Pointer(typ))%caches].functions[typ]return do, ok}func save(typ *rtype, do function) {cache := global[uintptr(unsafe.Pointer(typ))%caches]  cache.lock.Lock()  cache.functions[typ] = do  cache.lock.Unlock()}

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：

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

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 unquotequote 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json转map，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）。Sync.Map 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 types.ValueTypep unsafe.Pointer}

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

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json转map，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 "github.com/brahma-adshonor/gohook"func main() {// 在main函数的入口hook当前使用的json库（如encoding/json）    gohook.Hook(json.Marshal, sonic.Marshal, nil)    gohook.Hook(json.Unmarshal, sonic.Unmarshal, 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（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 *testing.T) {  data := map[string]string{"&&": ""}// 标准库var w1 = bytes.NewBuffer(nil)  enc1 := json.NewEncoder(w1)  err := enc1.Encode(data)  assert.NoError(t, err)// Sonic 库var w2 = bytes.NewBuffer(nil)  enc2 := encoder.NewStreamEncoder(w2)  err = enc2.Encode(data)  assert.NoError(t, err)  fmt.Printf("%v%v", w1.String(), w2.String())}// 运行结果：{"u0026u0026":"u003cu003e"}{"&&":""}

若有需要可以通过下面方式开启：

import "github.com/bytedance/sonic/encoder"v := map[string]string{"&&":""}ret, err := encoder.Encode(v, EscapeHTML) // ret == `{"u0026u0026":{"X":" u003e"}}`enc := encoder.NewStreamEncoder(w)enc.SetEscapeHTML(true)err := enc.Encode(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""github.com/bytedance/sonic""github.com/bytedance/sonic/option")func init() {var v HugeStruct// For most large types (nesting depth <= option.DefaultMaxInlineDepth)    err := sonic.Pretouch(reflect.TypeOf(v))// with more CompileOption...    err := sonic.Pretouch(reflect.TypeOf(v),// If the type is too deep nesting (nesting depth > option.DefaultMaxInlineDepth),// you can set compile recursive loops in Pretouch for better stability in JIT.        option.WithCompileRecursiveDepth(loop),// For a large nested struct, try to set a smaller depth to reduce compiling time.        option.WithCompileMaxInlineDepth(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 "github.com/bytedance/sonic"import "github.com/bytedance/sonic/encoder"// Binding map onlym := map[string]interface{}{}v, err := encoder.Encode(m, encoder.SortMapKeys)// Or ast.Node.SortKeys() before marshalvar root := sonic.Get(JSON)err := root.SortKeys()

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：

参考资料：

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[19]#compatibility

[20]

阿里云开发者社区，千万开发者的选择

阿里云开发者社区，百万精品技术内容、千节免费系统课程、丰富的体验场景、活跃的社群活动、行业专家分享交流，欢迎点击【阅读原文】加入我们。

限时特惠：本站每日持续更新海量设计资源，一年会员只需29.9元，全站资源免费下载
站长微信：ziyuanshu688