详解字符串在Python内部是如何省内存的

起步

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。

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：

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。

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，这就导致了无法按所以随机访问单个字符，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。所以由 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。

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。

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]);
 }
 ...
}

然后再经过 intern 机制后被保存到 intern 池中，这样驻留池中和缓冲池中，两者都是指向同一个字符串对象了。

严格来说，这个单字符缓冲池并不是省内存的方案，因为从中取出的对象几乎都会保存到缓冲池中，这个方案是为了减少字符串对象的创建。

总结

本文介绍了两种是节省内存的方案。一个字符串的每个字符在占用空间大小是相同的，取决于字符串中的最大字符。

短字符串会放到一个全局的字典中，该字典中的字符串成了单例模式，从而节省内存。

来源：https://segmentfault.com/a/1190000021677331