第 1 卷｜数据的本质

万物起源——计算机如何用有限的位表示无限的信息？这是所有上层设计的源头。

---

🎯 这一卷要回答什么

业务里你天天用 int、String、List、JSON、泛型——但能回答下面这些"小问题"吗？

• 为什么 (start + end) / 2 这种"看起来人畜无害"的写法会引发线上事故？补码到底解决了什么？
• 为什么 "abc" == "abc" 在 Java 里是 true，在 JS 里也是 true，但机制完全不同？
• 为什么 0.1 + 0.2 ≠ 0.3 是全世界 CPU 共同的"病"，而不是某门语言的 bug？
• 为什么 ArrayList 用 contains 在百万级数据下会把服务打挂？容器选择背后是哪一组权衡？
• 为什么 Java 的泛型是"假泛型"，C++ 是"真泛型"，Go 又是另一种实现？
• 同样的对象，序列化成 JSON 是 200 字节，序列化成 Protobuf 是 30 字节——差的 170 字节去哪了？
• 同一个 JSON 解析器，为什么 simdjson 比 Jackson 快 100 倍？

这一卷不是讲 API，是讲这些数据结构当年是为了什么矛盾被发明的。

---

📖 篇章总览（9 篇）

序号	文档	核心矛盾
1.1	数据编码设计原理 (opens new window)	全人类文字如何在 0/1 上达成共识？ASCII → Unicode → UTF-8
1.2	整型与位运算原理 (opens new window)	为什么是补码？整数溢出与位运算背后的硬件约束
1.3	浮点型数据设计灵魂 (opens new window)	IEEE 754 是工程妥协而非数学真理
1.4	字符串设计的灵魂	为何字符串要不可变？常量池、StringBuilder 的真正动机
1.5	值型变量和引用	值传递、引用传递、共享可变状态的本源
1.6	泛型设计灵魂思想	类型擦除 vs 单态化——同一个目标的两条工程路线
1.7	集合与容器设计原理	数组 / 链表 / 哈希 / 树——一组关于时间空间的根本权衡
1.8	序列化数据的思想	JSON / XML / Protobuf / Thrift 的体积与可读性 trade-off
1.9	数据解析设计思想	词法 / 语法 / SIMD —— 解析器为何能差出 100 倍

---

🔗 知识脉络

flowchart LR
    A[1.1 编码<br/>0/1 → 字符] --> B[1.2 整型<br/>0/1 → 整数]
    B --> C[1.3 浮点<br/>0/1 → 实数]
    A --> D[1.4 字符串<br/>字符 → 信息]
    C --> E[1.5 值与引用<br/>变量底层模型]
    D --> E
    E --> F[1.6 泛型<br/>类型抽象]
    F --> G[1.7 容器<br/>数据组织]
    G --> H[1.8 序列化<br/>对象 → 字节流]
    H --> I[1.9 解析<br/>字节流 → 对象]
    I -.闭环.-> A

数据从最底层的 0/1 编码出发，一路抽象到泛型与容器，再以序列化"压扁"回字节流，最后由解析器"还原"——这是一条完整的数据生命周期回路。

---

🌉 与其他卷的承接

• 承接序卷：序卷讲"为什么学"，本卷给出第一个具体的"什么"——数据。
• 通往第 2 卷：第 2 卷讲"对象怎么活在内存里"，必须先理解本卷的"数据怎么被表示"。
• 回响第 4 卷：序列化 / 拷贝 / 容器内存布局在第 4 卷会被再次提及，但视角从"数据格式"转到"内存与缓存"。

---

💡 学完你能回答

• 一个 emoji 占几个字节？为什么 MySQL utf8 不能存 emoji？
• 为什么 int 加法会"绕回"，编译器为何敢于据此做激进优化？
• String s = "a" + "b" 在编译期会发生什么？
• HashMap 的负载因子为何是 0.75？rehash 的代价从何而来？
• Java 泛型的擦除带来了哪些"看似不合理"的限制？
• 为什么大公司内部 RPC 大多用 Protobuf 而不是 JSON？
• 100MB 的 JSON 在浏览器里为什么会卡住主线程？怎么破？