字符串在Python內部是怎么省內存的

本篇內容介紹了“字符串在Python內部是怎么省內存的”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

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。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（Latin-1）每個字符 2 個字節（UCS-2）每個字符 4 個字節（UCS-4）

源碼中定義字符串結構體：

# Include/unicodeobject.htypedef uint32_t Py_UCS4;typedef uint16_t Py_UCS2;typedef uint8_t Py_UCS1;# Include/cpython/unicodeobject.htypedef 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（比如中文字符），那么整個字符串就將采用占用 2 個字節 UCS-2 編碼進行存儲。

這點可以通過 sys.getsizeof 函數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， h 在這里占了 1 個字節；

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

大多數的自然語言采用 2 字節的編碼就夠了。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）則需要先統計前n個字符占用的字節長度。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進行類型和狀態檢查  if (!PyUnicode_CheckExact(s))    return;  if (PyUnicode_CHECK_INTERNED(s))    return;  // 創建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  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; 將計數減 2 的原因。

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

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，那么優先從緩沖池中獲取：

[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]);  }  ...}

然后再經過 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建。

總結

本文介紹了兩種是節省內存的方案。一個字符串的每個字符在占用空間大小是相同的，取決于字符串中的最大字符。

短字符串會放到一個全局的字典中，該字典中的字符串成了單例模式，從而節省內存。

“字符串在Python內部是怎么省內存的”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！