Capítulo 07: Manipulação de Texto: StringBuilder e Regex Source Generators

Capítulo 07: Manipulação de Texto: StringBuilder e Regex Source Generators

Especialização em Sistemas com C# • C# 12 & .NET 8 • POO Moderna, LINQ, Concorrência e Arquitetura Corporativa

---

🗺️ Mapa Conceitual do Ecossistema de Texto e Processamento de Strings em C#

flowchart TD
    Texto["Processamento de Texto em .NET"] --> String["System.String (Imutável, UTF-16, String Pool)"]
    Texto --> Builder["StringBuilder (Buffer Dinâmico Mutável)"]
    Texto --> RegexMod["Expressões Regulares"]

    subgraph STRING_INTERNALS["Internals de System.String"]
        HeapAlloc["Alocação de Heap a Cada Concatenação (+)"]
        InternPool["String Interning (Reuso de Literais Idênticos)"]
    end

    subgraph REGEX_TYPES["Evolução das Expressões Regulares"]
        Interpreted["new Regex() (Lento, Interpretação em Runtime)"]
        Compiled["RegexOptions.Compiled (Gera Bytecode IL Dinâmico)"]
        SourceGen["[GeneratedRegex] (C# 11/12: Código C# Nativo em Tempo de Build)"]
    end

    String --> STRING_INTERNALS
    RegexMod --> REGEX_TYPES

    SourceGen --> FastExec["Máxima Velocidade de Execução, Zero Reflexão e AOT Friendly"]

    style Texto fill:#e1f5fe,stroke:#03a9f4,stroke-width:2px
    style STRING_INTERNALS fill:#ede7f6,stroke:#7e57c2,stroke-width:2px
    style SourceGen fill:#e8f5e9,stroke:#4caf50,stroke-width:2px
    style FastExec fill:#fff3e0,stroke:#ff9800,stroke-width:2px

---

🏛️ 1. A Imutabilidade de System.String e a Armadilha da Concatenação

No .NET, instâncias de System.String são estritamente imutáveis:

1. Uma vez criada, a sequência de caracteres UTF-16 no Heap não pode ser alterada.
2. Qualquer operação ingênua como str += "novo texto" dentro de um laço cria um novo objeto string completo no Heap, descartando a string anterior para o Garbage Collector.
3. Se você concatenar strings 10.000 vezes em um laço, terá alocado dezenas de megabytes de memória fragmentada para produzir um texto de poucos kilobytes.

1.1 O Pool de Strings (String Interning):

Para otimizar o consumo de memória, a CLR mantém uma tabela hash interna chamada Intern Pool. Todas as strings literais constantes declaradas no código fonte compartilham a mesma instância física de memória em tempo de execução:

string s1 = "telemetria_sistema";
string s2 = "telemetria_sistema";

// Ambas apontam para o MESMO endereço de memória no Heap!
bool mesmoEndereco = object.ReferenceEquals(s1, s2); // Retorna True

---

⚙️ 2. StringBuilder: O Buffer de Concatenação Eficiente

Para montagem de strings em múltiplas etapas ou dentro de laços, a classe StringBuilder gerencia internamente um bloco de memória mutável:

• Não cria instâncias intermediárias a cada Append.
• Expande seu buffer interno em blocos ligados caso exceda a capacidade inicial.
• Boa Prática Crítica: Sempre forneça uma estimativa de tamanho inicial via construtor new StringBuilder(capacidadeInicial).

---

📦 3. Regex Source Generators ([GeneratedRegex]) no .NET 8

Tradicionalmente, a biblioteca System.Text.RegularExpressions utilizava uma de duas abordagens:

1. Modo Interpretado (new Regex(pattern)): Analisa a gramática da regex em tempo de execução através de um motor de autômato genérico. Lento e com alocações contínuas.
2. Modo Compilado (RegexOptions.Compiled): Compila a regex em bytecode IL em tempo de execução via Reflection.Emit. Mais rápido, mas aumenta o tempo de inicialização (Cold Start) e é incompatível com Native AOT.

No C# 11/12 e .NET 8, a abordagem padrão ouro é o Regex Source Generator:

• O compilador Roslyn inspeciona a expressão regular durante a compilação do projeto.
• Ele emite código C# customizado ultra-otimizado com laços e switches simples, desenrolando o autômato finito diretamente no código fonte gerado.
• Custo de inicialização instantâneo, zero reflexão e compatibilidade total com compilação AOT.

public static partial class ExtratorLogs
{
    // O Roslyn implementa este método gerando código C# de alta performance nos bastidores!
    [GeneratedRegex(@"^\[(?<data>\d{4}-\d{2}-\d{2})\]\s+(?<msg>.*)$")]
    public static partial Regex PadraoLog();
}

---

📊 4. Matriz Comparativa: Métodos de Processamento Textual

Recurso	Alocações no Heap	Complexidade de Concatenação	Cenário Ideal
Concatenação +	Alta (uma string nova por +)	Quadrática $O(N^2)$ em loops	Apenas para 2 ou 3 strings simples
StringBuilder	Mínima (um único buffer)	Linear $O(N)$	Laços repetitivos e relatórios longos
ReadOnlySpan<char>	Zero Alocação	Instantânea $O(1)$	Parsers, tokenizadores e substrings
[GeneratedRegex]	Mínima	Máxima velocidade de CPU	Validação e extração com padrões complexos

---

🔬 5. Laboratório de Arquitetura: Handlers de Interpolação de Strings (C# 10+)

Antes do C# 10, escrever $"Valor: {x}, Data: {d}" era internamente traduzido para string.Format("Valor: {0}, Data: {1}", x, d), o que gerava boxing de tipos primitivos inteiros e alocações de arrays de objetos.

A partir do C# 10, a linguagem introduziu os Interpolated String Handlers:

• O compilador mapeia a string interpolada para uma struct de alta velocidade (DefaultInterpolatedStringHandler).
• Os valores são formatados diretamente para dentro de um buffer de pilha (Span<char>).
• Se a string não for utilizada (por exemplo, em uma chamada de log desativada logger.LogDebug($"Dado: {Calcular()}")), o compilador evita avaliar os argumentos, poupando ciclos de CPU.