Python 存儲字符串時是如何節省空間的？

本文爲翻譯文章，已獲得 @rushter 的許可
原文連接：rushter.com/blog/python…
轉載請註明出處

從 Python 3 開始，str 類型表明着 Unicode 字符串。取決於編碼的類型，一個 Unicode 字符可能會佔 4 個字節，這個有些時候有點浪費內存。

出於內存佔用以及性能方面的考慮，Python 內部採用下面 3 種方式來存儲 Unicode 字符：

• 一個字符佔一個字節（Latin-1 編碼）
• 一個字符佔二個字節（UCS-2 編碼）
• 一個字符佔四個字節（UCS-4 編碼）

使用 Python 進行開發的時候，咱們會以爲字符串的處理都很相似，不少時候根本不須要注意這些差異。但是，當碰到大量的字符處理的時候，這些細節就要特別注意了。

咱們能夠作一些小實驗來體會下上面三種方式的差異。方法 sys.getsizeof 用來獲取一個對象所佔用的字節，這裏咱們會用到。

>>> import sys
>>> string = 'hello'
>>> sys.getsizeof(string)
54
>>> # 1-byte encoding
... sys.getsizeof(string + '!') - sys.getsizeof(string)
1
>>> # 2-byte encoding
... string2  = '你'
>>> sys.getsizeof(string2 + '好') - sys.getsizeof(string2)
2
>>> sys.getsizeof(string2)
76
>>> # 4-byte encoding
... string3 = '🐍'
>>> sys.getsizeof(string3 + '💻') - sys.getsizeof(string3)
4
>>> sys.getsizeof(string3)
80
複製代碼

如上所示，當字符串的內容不一樣時，所採用的編碼也會不一樣。須要注意的是，Python 中每一個字符串都會另外佔用 49-80 字節的空間，用於存儲額外的一些信息，好比哈希、字符串長度、字符串字節數和字符串標識。這麼一來，一個空字符串會佔用 49 個字節，也就好理解了。

咱們能夠經過 cbytes 直接獲取一個對象的編碼類型：

import ctypes


class PyUnicodeObject(ctypes.Structure):
    # internal fields of the string object
    _fields_ = [("ob_refcnt", ctypes.c_long),
                ("ob_type", ctypes.c_void_p),
                ("length", ctypes.c_ssize_t),
                ("hash", ctypes.c_ssize_t),
                ("interned", ctypes.c_uint, 2),
                ("kind", ctypes.c_uint, 3),
                ("compact", ctypes.c_uint, 1),
                ("ascii", ctypes.c_uint, 1),
                ("ready", ctypes.c_uint, 1),
                # ...
                # ...
                ]


def get_string_kind(string):
    return PyUnicodeObject.from_address(id(string)).kind
複製代碼

而後測試

>>> get_string_kind('Hello')
1
>>> get_string_kind('你好')
2
>>> get_string_kind('🐍')
4
複製代碼

若是一個字符串中的全部字符都能用 ASCII 表示，那麼 Python 會使用 Latin-1 編碼。簡單說下，Latin-1 用於表示前 256 個 Unicode 字符。它能支持不少拉丁語言，好比英語、瑞典語、意大利語等。不過，若是是漢語、日語、西伯爾語等非拉丁語言，Latin-1 編碼就行不通了。由於這些語言的文字的碼位值（編碼值）超過了 1 個字節的範圍（0-255）。

>>> ord('a')
97
>>> ord('你')
20320
>>> ord('!')
33
複製代碼

大部分語言文字使用 2 個字節（UCS-2）來編碼就已經足夠了。4 個字節（UCS-4）的編碼在保存特殊符號、emoji 表情或者少見的語言文字的時候會用到。

設想有一個 10GB 的 ASCII 文本文件，咱們準備將其讀到內存裏面去。若是你插入一個 emoji 表情到文件中，文件佔用空間將會達到 4 倍。若是你處理 NLP 問題較多的話，這種差異你應該能常常體會到。

Python 內部爲何不直接使用 UTF-8 編碼

最多見的 Unicode 編碼是 UTF-8，可是 Python 內部並無使用它。

UTF-8 編碼字符的時候，取決於字符的內容，佔的空間在 1-4 個字節內發生變化。這是一種特別省空間的存儲方式，但正由於這種變長的存儲方式，致使字符串不能經過下標直接進行隨機讀取，只能遍歷進行查找。好比，若是採用的是 UTF-8 編碼的話，Python 獲取 string[5] 只能一個一個字符的進行掃描，直至找到目標字符。若是是定長編碼的話也就沒有問題了，要用一個下標定位一個字符，只須要用下標乘以指定長度（一、2 或者 4）就能肯定。

字符串駐留

Python 中的空字符串和 ASCII 字符都會使用到字符串駐留（string interning）技術。怎麼理解？你就把這些字符（串）看做是單例的就行。也就是說，兩個相同內容的字符串若是使用了駐留的技術，那麼內存裏面其實就只開闢了一個空間。

>>> a = 'hello'
>>> b = 'world'
>>> a[4],b[1]
('o', 'o')
>>> id(a[4]), id(b[1]), a[4] is b[1]
(4567926352, 4567926352, True)
>>> id('')
4545673904
>>> id('')
4545673904
複製代碼

正如你看到的那樣，a 中的字符 o 和 b 中的字符 o 有着一樣的內存地址。Python 中的字符串是不可修改的，因此提早爲某些字符分配好位置便於後面使用也是可行的。

使用到字符串駐留的除了 ASCII 字符、空竄以外，字符長度不超過 20 的串也使用到了一樣的技術，前提是這些串的內容在編譯的時候就能肯定。

這包括：

• 方法名、類型
• 變量名
• 參數名
• 常量（代碼中定義的字符串）
• 字典的鍵
• 屬性名

當你在交互式命令行中編寫代碼的時候，語句一樣也會先被編譯成字節碼。因此說，交互式命令行中的短字符串也會被駐留。

>>> a = 'teststring'
>>> b = 'teststring'
>>> id(a), id(b), a is b
(4569487216, 4569487216, True)
>>> a = 'test'*5
>>> b = 'test'*5
>>> len(a), id(a), id(b), a is b
(20, 4569499232, 4569499232, True)
>>> a = 'test'*6
>>> b = 'test'*6
>>> len(a), id(a), id(b), a is b
(24, 4569479328, 4569479168, False)
複製代碼

由於必須是常量字符串會使用到駐留，因此下面的例子不能達到駐留的效果：

>>> open('test.txt','w').write('hello')
5
>>> open('test.txt','r').read()
'hello'
>>> a = open('test.txt','r').read()
>>> b = open('test.txt','r').read()
>>> id(a), id(b), a is b
(4384934576, 4384934688, False)
>>> len(a), id(a), id(b), a is b
(5, 4384934576, 4384934688, False)
複製代碼

字符串駐留技術，減小了大量的重複字符串的內存分配。Python 底層經過字典實現的這種技術，這些暫存的字符串做爲字典的鍵。若是想要知道某個字符串是否已經駐留，使用字典的查找操做就能肯定。

Python 的 unicode 對象的實現（https://github.com/python/cpython/blob/master/Objects/unicodeobject.c）大約有 16,000 行 C 代碼，其中有不少小優化在本文中未說起。若是你想更多的瞭解 Python 中的 Unicode，推薦你去看一下字符串相關的 PEPs（https://www.python.org/dev/peps/），同時查看下 unicode 對象的源碼。

本文首發於公衆號「小小後端」。