【深度】扒开V8引擎的源码，我找到了你们想要的前端算法（下次面试官再问算法，用它怼回去！）

编程入门行业动态更新时间:2024-10-27 10:29:17

【深度】扒开V8引擎的源码，我找到了你们想要的前端<a href=https://www.elefans.com/category/jswz/34/1770096.html style= 算法（下次面试官再问算法，用它怼回去！）"/>

【深度】扒开V8引擎的源码，我找到了你们想要的前端算法（下次面试官再问算法，用它怼回去！）

算法对于前端工程师来说总有一层神秘色彩，这篇文章通过解读V8源码，带你探索Array.prototype.sort函数下的算法实现。

来，先把你用过的和听说过的排序算法都列出来：

快速排序
冒泡排序
插入排序
归并排序
堆排序
希尔排序
选择排序
计数排序
桶排序
基数排序
…

答题环节到了， sort 函数使用的以上哪一种算法？

如果你在网上搜索过关于 sort 源码的文章，可能会告诉你数组长度小于10用插入排序，否则用快速排序。

开始我也是这么认为的，可当我带着答案去 GitHub 验证的时候发现并非如此。

首先我并没有找到对应的 js 源码（文章说实现逻辑是用js写的），因为但新版本的V8源码已经修改，改用V8 Torque。V8 Torque是专门用来开发V8而创造的语言，语法类似TypeScript（再一次证明TypeScript的价值），它的编译器使用CodeStubAssembler转换成高效的汇编代码。
简单理解起来就是创造了一个类似TypeScript的高效的高级语言，这个语言的文件后缀是tq。

这里需要感谢 justjavac 大神指点~

其次当我开始阅读源码的时候，并没有找到使用快速排序的代码，也没有找到判断数组长度的常数值10。

所有的证据表明，之前的源码解读文章很可能已经过时。

那么最新版本的 V8 用的是什么排序算法呢？

算法解读

V8引擎在xx版本之后就舍弃了快速排序，因为它不是稳定的排序算法，在最坏情况下，时间复杂度会降级到O(n^2)。
而是采用了一种混合排序的算法：TimSort。
这种功能算法最初用于Python语言中，严格地说它t不属于以上10种排序算法中的任何一种，属于一种混合排序算法：
在数据量小的子数组中使用插入排序，然后再使用归并排序将有序的子数组进行合并排序，时间复杂度为 O(nlogn) 。

结合V8源码，具体实现步骤如下：

判断数组长度，小于2直接返回，不排序。
开始循环。
找出一个有序子数组，我们称之为“run”，长度为 currentRunLength 。
计算最小合并序列长度 minRunLength （这个值会根据数组长度动态变化，在32~64之间）。
比较 currentRunLength 和 minRunLength ，如果 currentRunLength >= minRunLength ，否则采用插入排序补足数组长度至 minRunLength ，将 run 压入栈 pendingRuns 中。
每次有新的 run 被压入 pendingRuns 时保证栈内任意3个连续的 run（run0, run1, run2）从下至上满足run0>run1 run2 && run1>run2 ，不满足的话进行调整直至满足。
如果剩余子数组为0，结束循环。
合并栈中所有 run，排序结束。

源码解读

源码路径

/thrid_party/v8/builtins/array-sort.tq

调用栈

1386 ArrayPrototypeSort
1403 ArrayTimSort
1369 ArrayTimSortImpl
1260 ComputeMinRunLength // 计算 minRunLength
// while循环 
1262 CountAndMakeRun // 计算当前 run 的长度
1267 BinaryInsertionSort // 用插入排序补足 run 长度
1274 MergeCollapse // 放入 pendingRuns 并根据需要进行调整
// 循环结束 
1281 MergeForceCollapse // 合并 pendingRuns 中所有 run

核心源码

tq语言虽然有些不一样，但如果有TypeScript基础的话阅读起来应该不成问题。
下面重点解读3个函数的源码：

// 在while循环之前调用，每次排序只调用一次，用来计算 minRunLength
macro ComputeMinRunLength(nArg: Smi): Smi {let n: Smi = nArg;let r: Smi = 0;assert(n >= 0);// 不断除以2，得到结果在 32~64 之间while (n >= 64) {r = r | (n & 1);n = n >> 1;}const minRunLength: Smi = n   r;assert(nArg < 64 || (32 <= minRunLength && minRunLength <= 64));return minRunLength;
}

// 计算第一个 run 的长度
macro CountAndMakeRun(implicit context: Context, sortState: SortState)(lowArg: Smi, high: Smi): Smi {assert(lowArg < high);// 这里保存的才是我们传入的数组数据const workArray = sortState.workArray;const low: Smi = lowArg   1;if (low == high) return 1;let runLength: Smi = 2;const elementLow = UnsafeCast<JSAny>(workArray.objects[low]);const elementLowPred = UnsafeCast<JSAny>(workArray.objects[low - 1]);// 调用比对函数来比对数据let order = sortState.Compare(elementLow, elementLowPred);const isDescending: bool = order < 0 ? true : false;let previousElement: JSAny = elementLow;// 遍历子数组并计算 run 的长度for (let idx: Smi = low   1; idx < high;   idx) {const currentElement = UnsafeCast<JSAny>(workArray.objects[idx]);order = sortState.Compare(currentElement, previousElement);if (isDescending) {if (order >= 0) break;} else {if (order < 0) break;}previousElement = currentElement;runLength;}if (isDescending) {ReverseRange(workArray, lowArg, lowArg   runLength);}return runLength;
}

//调整 pendingRuns ，使栈长度大于3时，所有 run 都满足 run[n]>run[n 1] run[n 2] 且 run[n 1]>run2[n 2]
transitioning macro MergeCollapse(context: Context, sortState: SortState) {const pendingRuns: FixedArray = sortState.pendingRuns;while (GetPendingRunsSize(sortState) > 1) {let n: Smi = GetPendingRunsSize(sortState) - 2;if (!RunInvariantEstablished(pendingRuns, n   1) ||!RunInvariantEstablished(pendingRuns, n)) {if (GetPendingRunLength(pendingRuns, n - 1) <GetPendingRunLength(pendingRuns, n   1)) {--n;}MergeAt(n); // 将第 n 个 run 和第 n 1 个 run 进行合并} else if (GetPendingRunLength(pendingRuns, n) <=GetPendingRunLength(pendingRuns, n   1)) {MergeAt(n); // 将第 n 个 run 和第 n 1 个 run 进行合并} else {break;}}}