字符串在Python内部是如何省内存的

转载

小张Python 2022-03-14 17:25:33

文章标签 字符串 ico python 文章分类 代码人生

作者：@weapon

0. 前言

Python3 起， str 就采用了 Unicode 编码（注意这里并不是 utf8 编码，尽管 .py 文件默认编码是 utf8 ）。每个标准 Unicode 字符占用 4 个字节。这对于内存来说，无疑是一种浪费。

Unicode 是表示了一种字符集，而为了传输方便，衍生出里如 utf8 , utf16 等编码方案来节省存储空间。Python内部存储字符串也采用了类似的形式。

1. 三种内部表示Unicode字符串

为了减少内存的消耗，Python 使用了三种不同单位长度来表示字符串：

每个字符 1 个字节（Latin-1）
每个字符 2 个字节（UCS-2）
每个字符 4 个字节（UCS-4）

源码中定义字符串结构体：

# Include/unicodeobject.h
typedef uint32_t Py_UCS4;
typedef uint16_t Py_UCS2;
typedef uint8_t Py_UCS1;

# Include/cpython/unicodeobject.h
typedef struct {
    PyCompactUnicodeObject _base;
    union {
        void *any;
        Py_UCS1 *latin1;
        Py_UCS2 *ucs2;
        Py_UCS4 *ucs4;
    } data;                     /* Canonical, smallest-form Unicode buffer */
} PyUnicodeObject;

如果字符串中所有字符都在 ascii 码范围内，那么就可以用占用 1 个字节的 Latin-1 编码进行存储。而如果字符串中存在了需要占用两个字节（比如中文字符），那么整个字符串就将采用占用 2 个字节 UCS-2 编码进行存储。

这点可以通过 sys.getsizeof 函数外部窥探来验证这个结论：

字符串在Python内部是如何省内存的_字符串

img

如图，存储 zh 所需的存储空间比 z 多 1 个字节， h 在这里占了 1 个字节；

存储 z中所需的存储空间比 '中' 多了 2 个字节， z 在这里占了 2 个字节。

大多数的自然语言采用 2 字节的编码就够了。但如果有一个 1G 的 ascii 文本加载到内存后，在文本中插入了一个 emoji 表情，那么字符串所需的空间将扩大到 4 倍，是不是很惊喜。

2. 为什么内部不采用 utf8 进行编码

最受欢迎的 Unicode 编码方案，Python内部却不使用它，为什么？

这里就得说下 utf8 编码带来的缺点。这种编码方案每个字符的占用字节长度是变化的，这就导致了无法按索引随机访问单个字符，例如 string[n]（使用utf8编码）则需要先统计前n个字符占用的字节长度。索引由 O(1) 变成了 O(n) ，这更无法让人接受。

因此Python内部采用了定长的方式存储字符串。

3. 字符串驻留机制

另一个节省内存的方式就是将一些短小的字符串做成池，当程序要创建字符串对象前检查池中是否有满足的字符串。在内部中，仅包含下划线（ _ ）、字母 和数字的长度不高过 20 的字符串才能驻留。驻留是在代码编译期间进行的，代码中的如下会进行驻留检查：

空字符串 '' 及所有；
变量名；
参数名；
字符串常量（代码中定义的所有字符串）；
字典键；
属性名称；

驻留机制节省大量的重复字符串内存。在内部，字符串驻留池由一个全局的 dict 维护，该字段将字符串用作键:

void PyUnicode_InternInPlace(PyObject **p)
{
    PyObject *s = *p;
    PyObject *t;

    if (s == NULL || !PyUnicode_Check(s))
        return;

    // 对PyUnicodeObjec进行类型和状态检查
    if (!PyUnicode_CheckExact(s))
        return;
    if (PyUnicode_CHECK_INTERNED(s))
        return;
    // 创建intern机制的dict
    if (interned == NULL) {
        interned = PyDict_New();
        if (interned == NULL) {
            PyErr_Clear(); /* Don't leave an exception */
            return;
        }
    }

    // 对象是否存在于inter中
    t = PyDict_SetDefault(interned, s, s);

    // 存在， 调整引用计数
    if (t != s) {
        Py_INCREF(t);
        Py_SETREF(*p, t);
        return;
    }
    /* The two references in interned are not counted by refcnt.
       The deallocator will take care of this */
    Py_REFCNT(s) -= 2;
    _PyUnicode_STATE(s).interned = SSTATE_INTERNED_MORTAL;
}

变量 interned 就是全局存放字符串池的字典的变量名 interned = PyDict_New() ，为了让 intern 机制中的字符串不被回收，设置字典时 PyDict_SetDefault(interned, s, s); 将字符串作为键同时也作为值进行设置，这样对于字符串对象的引用计数就会进行两次 +1 操作，这样存于字典中的对象在程序结束前永远不会为 0，这也是 y_REFCNT(s) -= 2; 将计数减 2 的原因。

从函数参数中可以看到其实字符串对象还是被创建了，内部其实始终会为字符串创建对象，但经过 inter 机制检查后，临时创建的字符串会因引用计数为 0 而被销毁，临时变量在内存中昙花一现然后迅速消失。

4. 字符串缓冲池

除了字符串驻留池，Python 还会保存所有 ascii 码内的单个字符：

static PyObject *unicode_latin1[256] = {NULL};

如果字符串其实是一个字符，那么优先从缓冲池中获取：

[unicodeobjec.c]
PyObject * PyUnicode_DecodeUTF8Stateful(const char *s,
                             Py_ssize_t size,
                             const char *errors,
                             Py_ssize_t *consumed){
    ...

    /* ASCII is equivalent to the first 128 ordinals in Unicode. */
    if (size == 1 && (unsigned char)s[0] < 128) {
return get_latin1_char((unsigned char)s[0]);
}
...
}