深入理解python字符串之节省内存

Python3中字符串str 采用了 Unicode 编码（注意.py 文件默认编码是才是 utf8 ）。Unicode 是一种字符集，其中每个标准 Unicode 字符占用 4 个字节，这对于内存显然是存在浪费的。为了方便，在传输过程中，衍生出转化为 utf8 , utf16 等编码方案来节省存储空间。Python内部存储字符串采用类似方法节省内存。

Unicode字符串内部表示

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）

python 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;

可见，对于不同字符串采用不同的存储类型编码表示，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。即：

• 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。
• 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（4字节编码），那么文本字符串所需的空间将扩大到 4 倍，是不是很惊喜。

以上结论我们可以通过 sys.getsizeof 函数来外部窥探验证这个结论：

 

如上图，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。因此大多数的自然语言采用 2 字节的编码就够了。

内部不采用 utf8 进行编码的原因

utf8 编码编码方案每个字符的占用字节长度是变化的，因此如果使用utf8编码，string[n]访问单个字符时，就需要先统计前n个字符占用的字节长度，索引由 O(1) 变成了 O(n) 。因此无法按索引随机访问，这更无法让人接受。

所以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，代码中以下部分会进行驻留检查：

• 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，从而节省内存。
• 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。