字符串在Python內部是如何省內存的

起步

Python3 起，str 就採用了 Unicode 編碼（注意這裏並非 utf8 編碼，儘管 .py 文件默認編碼是 utf8 ）。 每一個標準 Unicode 字符佔用 4 個字節。這對於內存來講，無疑是一種浪費。

Unicode 是表示了一種字符集，而爲了傳輸方便，衍生出裏如 utf8 , utf16 等編碼方案來節省存儲空間。Python內部存儲字符串也採用了相似的形式。

三種內部表示Unicode字符串

爲了減小內存的消耗，Python使用了三種不一樣單位長度來表示字符串：

• 每一個字符 1 個字節（Latin-1）
• 每一個字符 2 個字節（UCS-2）
• 每一個字符 4 個字節（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;
複製代碼

若是字符串中全部字符都在 ascii 碼範圍內，那麼就能夠用佔用 1 個字節的 Latin-1 編碼進行存儲。而若是字符串中存在了須要佔用兩個字節（好比中文字符），那麼整個字符串就將採用佔用 2 個字節 UCS-2 編碼進行存儲。

這點能夠經過 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 在這裏佔了 1 個字節；

存儲 'z中' 所需的存儲空間比 '中' 多了 2 個字節，z 在這裏佔了 2 個字節。

大多數的天然語言採用 2 字節的編碼就夠了。但若是有一個 1G 的 ascii 文本加載到內存後，在文本中插入了一個 emoji 表情，那麼字符串所需的空間將擴大到 4 倍，是否是很驚喜。

爲何內部不採用 utf8 進行編碼

最受歡迎的 Unicode 編碼方案，Python內部卻不使用它，爲何？

這裏就得說下 utf8 編碼帶來的缺點。這種編碼方案每一個字符的佔用字節長度是變化的，這就致使了沒法按因此隨機訪問單個字符，例如 string[n] （使用utf8編碼）則須要先統計前n個字符佔用的字節長度。因此由 O(1) 變成了 O(n) ，這更沒法讓人接受。

所以Python內部採用了定長的方式存儲字符串。

字符串駐留機制

另外一個節省內存的方式就是將一些短小的字符串作成池，當程序要建立字符串對象前檢查池中是否有知足的字符串。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，代碼中的以下會進行駐留檢查：

• 空字符串 '' 及全部；
• 變量名；
• 參數名；
• 字符串常量（代碼中定義的全部字符串）；
• 字典鍵；
• 屬性名稱；

駐留機制節省大量的重複字符串內存。在內部，字符串駐留池由一個全局的 dict 維護，該字段將字符串用做鍵:

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;
    // 建立intern機制的dict
    if (interned == NULL) {
        interned = PyDict_New();
        if (interned == NULL) {
            PyErr_Clear(); /* Don't leave an exception */ return; } } // 對象是否存在於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; } 複製代碼

變量 interned 就是全局存放字符串池的字典的變量名 interned = PyDict_New()，爲了讓 intern 機制中的字符串不被回收，設置字典時 PyDict_SetDefault(interned, s, s); 將字符串做爲鍵同時也做爲值進行設置，這樣對於字符串對象的引用計數就會進行兩次 +1 操做，這樣存於字典中的對象在程序結束前永遠不會爲 0，這也是 y_REFCNT(s) -= 2; 將計數減 2 的緣由。

從函數參數中能夠看到其實字符串對象仍是被建立了，內部其實始終會爲字符串建立對象，但通過 inter 機制檢查後，臨時建立的字符串會因引用計數爲 0 而被銷燬，臨時變量在內存中曇花一現而後迅速消失。

字符串緩衝池

除了字符串駐留池，Python 還會保存全部 ascii 碼內的單個字符：

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

若是字符串實際上是一個字符，那麼優先從緩衝池中獲取：

[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]);
    }
    ...
}
複製代碼

而後再通過 intern 機制後被保存到 intern 池中，這樣駐留池中和緩衝池中，二者都是指向同一個字符串對象了。

嚴格來講，這個單字符緩衝池並非省內存的方案，由於從中取出的對象幾乎都會保存到緩衝池中，這個方案是爲了減小字符串對象的建立。

總結

本文介紹了兩種是節省內存的方案。一個字符串的每一個字符在佔用空間大小是相同的，取決於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。