字符串在Python內部怎么省內存

這篇文章主要介紹字符串在Python內部怎么省內存，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

起步

Python3 起，str 就采用了 Unicode 編碼（注意這里并不是 utf8 編碼，盡管 .py 文件默認編碼是 utf8 ）。 每個標準 Unicode 字符占用 4 個字節(jié)。這對于內存來說，無疑是一種浪費。

Unicode 是表示了一種字符集，而為了傳輸方便，衍生出里如 utf8 , utf16 等編碼方案來節(jié)省存儲空間。Python內部存儲字符串也采用了類似的形式。

三種內部表示Unicode字符串

為了減少內存的消耗，Python使用了三種不同單位長度來表示字符串：

• 每個字符 1 個字節(jié)（Latin-1）

• 每個字符 2 個字節(jié)（UCS-2）

• 每個字符 4 個字節(jié)（UCS-4）

源碼中定義字符串結構體：

# 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 碼范圍內，那么就可以用占用 1 個字節(jié)的 Latin-1 編碼進行存儲。而如果字符串中存在了需要占用兩個字節(jié)（比如中文字符），那么整個字符串就將采用占用 2 個字節(jié) UCS-2 編碼進行存儲。

這點可以通過 sys.getsizeof 函數(shù)外部窺探來驗證這個結論：

如圖，存儲 'zh' 所需的存儲空間比 'z' 多 1 個字節(jié)， h 在這里占了 1 個字節(jié)；

存儲 'z中' 所需的存儲空間比 '中' 多了 2 個字節(jié)，z 在這里占了 2 個字節(jié)。

大多數(shù)的自然語言采用 2 字節(jié)的編碼就夠了。但如果有一個 1G 的 ascii 文本加載到內存后，在文本中插入了一個 emoji 表情，那么字符串所需的空間將擴大到 4 倍，是不是很驚喜。

為什么內部不采用 utf8 進行編碼

最受歡迎的 Unicode 編碼方案，Python內部卻不使用它，為什么？

這里就得說下 utf8 編碼帶來的缺點。這種編碼方案每個字符的占用字節(jié)長度是變化的，這就導致了無法按所以隨機訪問單個字符，例如 string[n] （使用utf8編碼）則需要先統(tǒng)計前n個字符占用的字節(jié)長度。所以由 O(1) 變成了 O(n) ，這更無法讓人接受。

因此Python內部采用了定長的方式存儲字符串。

字符串駐留機制

另一個節(jié)省內存的方式就是將一些短小的字符串做成池，當程序要創(chuàng)建字符串對象前檢查池中是否有滿足的字符串。在內部中，僅包含下劃線（_）、字母 和 數(shù)字 的長度不高過 20 的字符串才能駐留。駐留是在代碼編譯期間進行的，代碼中的如下會進行駐留檢查：

• 空字符串 '' 及所有；

• 變量名；

• 參數(shù)名；

• 字符串常量（代碼中定義的所有字符串）；

• 字典鍵；

• 屬性名稱；

駐留機制節(jié)省大量的重復字符串內存。在內部，字符串駐留池由一個全局的 dict 維護，該字段將字符串用作鍵:

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

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

  // 對PyUnicodeObjec進行類型和狀態(tài)檢查
  if (!PyUnicode_CheckExact(s))
    return;
  if (PyUnicode_CHECK_INTERNED(s))
    return;
  // 創(chuàng)建intern機制的dict
  if (interned == NULL) {
    interned = PyDict_New();
    if (interned == NULL) {
      PyErr_Clear(); /* Don't leave an exception */
      return;
    }
  }

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

  // 存在， 調整引用計數(shù)
  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;
}

變量 interned 就是全局存放字符串池的字典的變量名 interned = PyDict_New()，為了讓 intern 機制中的字符串不被回收，設置字典時 PyDict_SetDefault(interned, s, s); 將字符串作為鍵同時也作為值進行設置，這樣對于字符串對象的引用計數(shù)就會進行兩次 +1 操作，這樣存于字典中的對象在程序結束前永遠不會為 0，這也是 y_REFCNT(s) -= 2; 將計數(shù)減 2 的原因。

從函數(shù)參數(shù)中可以看到其實字符串對象還是被創(chuàng)建了，內部其實始終會為字符串創(chuàng)建對象，但經(jīng)過 inter 機制檢查后，臨時創(chuàng)建的字符串會因引用計數(shù)為 0 而被銷毀，臨時變量在內存中曇花一現(xiàn)然后迅速消失。

字符串緩沖池

除了字符串駐留池，Python 還會保存所有 ascii 碼內的單個字符：

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

如果字符串其實是一個字符，那么優(yōu)先從緩沖池中獲?。?/p>

[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]);
  }
  ...
}

然后再經(jīng)過 intern 機制后被保存到 intern 池中，這樣駐留池中和緩沖池中，兩者都是指向同一個字符串對象了。

嚴格來說，這個單字符緩沖池并不是省內存的方案，因為從中取出的對象幾乎都會保存到緩沖池中，這個方案是為了減少字符串對象的創(chuàng)建。

以上是“字符串在Python內部怎么省內存”這篇文章的所有內容，感謝各位的閱讀！希望分享的內容對大家有幫助，更多相關知識，歡迎關注億速云行業(yè)資訊頻道！