python分配buffer_Python使用Zero-Copy和Buffer Protocol实现高性能编程

无论你程序是做什么的，它经常都需要处理大量的数据。这些数据大部分表现形式为strings(字符串)。然而，当你对字符串大批量的拷贝，切片和修改操作时是相当低效的。为什么？

让我们假设一个读取二进制数据的大文件示例，然后将部分数据拷贝到另外一个文件。要展示该程序所使用的内存，我们使用memory_profiler，一个强大的Python包，让我们可以一行一行观察程序所使用的内存。

@profile

def read_random():

with open("/dev/urandom", "rb") as source:

content = source.read(1024 * 10000)

content_to_write = content[1024:]

print(f"content length: {len(content)}, content to write length {len(content_to_write)}")

with open("/dev/null", "wb") as target:

target.write(content_to_write)

if __name__ == "__main__":

read_random()

使用memory_profiler模块来执行以上程序，输出如下：

$ python -m memory_profiler example.py

content length: 10240000, content to write length 10238976

Filename: example.py

Line # Mem usage Increment Line Contents

================================================

1 14.320 MiB 14.320 MiB @profile

2 def read_random():

3 14.320 MiB 0.000 MiB with open("/dev/urandom", "rb") as source:

4 24.117 MiB 9.797 MiB content = source.read(1024 * 10000)

5 33.914 MiB 9.797 MiB content_to_write = content[1024:]

6 33.914 MiB 0.000 MiB print(f"content length: {len(content)}, content to write length {len(content_to_write)}")

7 33.914 MiB 0.000 MiB with open("/dev/null", "wb") as target:

8 33.914 MiB 0.000 MiB target.write(content_to_write)

我们通过source.read从/dev/unrandom加载了10 MB数据。Python需要大概需要分配10 MB内存来以字符串存储这个数据。之后的content[1024:]指令越过开头的一个单位的KB数据进行数据拷贝，也分配了大概10 MB。

这里有趣的是在哪里呢，也就是构建content_to_write时10 MB的程序内存增长。切片操作拷贝了除了开头的一个单位的KB其他所有的数据到一个新的字符串对象。

如果处理类似大量的字节数组对象操作那是简直就是灾难。如果你之前写过C语言，在使用memcpy()需要注意点是：在内存使用以及总体性能来说，复制内存很慢。

然而，作为C程序员的你，知道字符串其实就是由字符数组构成，你不非得通过拷贝也能只处理部分字符，通过使用基本的指针运算——只需要确保整个字符串是连续的内存区域。

在Python同样提供了buffer protocol实现。buffer protocol定义在PEP 3118，描述了使用C语言API实现各种类型的支持，例如字符串。

当一个对象实现了该协议，你就可以使用memoryview类构造一个memoryview对象引用原始内存对象。

>>> s = b"abcdefgh"

>>> view = memoryview(s)

>>> view[1]

98

>>> limited = view[1:3]

>>> limited

>>> bytes(view[1:3])

b'bc'

注意：98是字符b的ACSII码

在上面的例子中，在使用memoryview对象的切片操作，同样返回一个memoryview对象。意味着它并没有拷贝任何数据，而是通过引用部分数据实现的。

下面图示解释发生了什么：

因此，我们可以将之前的程序改造得更加高效。我们需要使用memoryview对象来引用数据，而不是开辟一个新的字符串。

@profile

def read_random():

with open("/dev/urandom", "rb") as source:

content = source.read(1024 * 10000)

content_to_write = memoryview(content)[1024:]

print(f"content length: {len(content)}, content to write length {len(content_to_write)}")

with open("/dev/null", "wb") as target:

target.write(content_to_write)

if __name__ == "__main__":

read_random()

我们再一次使用memory profiler执行上面程序：

$ python -m memory_profiler example.py

content length: 10240000, content to write length 10238976

Filename: example.py

Line # Mem usage Increment Line Contents

================================================

1 14.219 MiB 14.219 MiB @profile

2 def read_random():

3 14.219 MiB 0.000 MiB with open("/dev/urandom", "rb") as source:

4 24.016 MiB 9.797 MiB content = source.read(1024 * 10000)

5 24.016 MiB 0.000 MiB content_to_write = memoryview(content)[1024:]

6 24.016 MiB 0.000 MiB print(f"content length: {len(content)}, content to write length {len(content_to_write)}")

7 24.016 MiB 0.000 MiB with open("/dev/null", "wb") as target:

8 24.016 MiB 0.000 MiB target.write(content_to_write)

在该程序中，source.read仍然分配了10 MB内存来读取文件内容。然而，使用memoryview来引用部分内容时，并没有额外在分配内存。

相比之前的版本，这里节省了大概50%的内存开销。

该技巧，在处理sockets通信的时候极其有用。当通过socket发送数据时，所有的数据可能并没有在一次调用就发送。

import socket

s = socket.socket(…)

s.connect(…)

# Build a bytes object with more than 100 millions times the letter `a`

data = b"a" * (1024 * 100000)

while data:

sent = s.send(data)

# Remove the first `sent` bytes sent

data = data[sent:] <2>

使用如下实现，程序一次次拷贝直到所有的数据发出。通过使用memoryview，可以实现zero-copy(零拷贝)方式来完成该工作，具有更高的性能：

import socket

s = socket.socket(…)

s.connect(…)

# Build a bytes object with more than 100 millions times the letter `a`

data = b"a" * (1024 * 100000)

mv = memoryview(data)

while mv:

sent = s.send(mv)

# Build a new memoryview object pointing to the data which remains to be sent

mv = mv[sent:]

在这里就不会发生任何拷贝，也不会在给data分配了100 MB内存之后再分配多余的内存来进行多次发送了。

目前，我们通过使用memoryview对象实现高效数据写入，但在某些情况下读取也同样适用。在Python中大部分 I/O 操作已经实现了buffer protocol机制。在本例中，我们并不需要memoryview对象，我可以请求 I/O 函数写入我们预定义好的对象：

>>> ba = bytearray(8)

>>> ba

bytearray(b'\x00\x00\x00\x00\x00\x00\x00\x00')

>>> with open("/dev/urandom", "rb") as source:

... source.readinto(ba)

...

8

>>> ba

bytearray(b'`m.z\x8d\x0fp\xa1')

通过该机制，我们可以很简单写入到预定义的buffer中(在C语言中，你可能需要多次调用malloc())。

适用memoryview，你甚至可以将数据放入到内存区域任意点：

>>> ba = bytearray(8)

>>> # Reference the _bytearray_ from offset 4 to its end

>>> ba_at_4 = memoryview(ba)[4:]

>>> with open("/dev/urandom", "rb") as source:

... # Write the content of /dev/urandom from offset 4 to the end of the

... # bytearray, effectively reading 4 bytes only

... source.readinto(ba_at_4)

...

4

>>> ba

bytearray(b'\x00\x00\x00\x00\x0b\x19\xae\xb2')

buffer protocol是实现低内存开销的基础，具备很强的性能。虽然Python隐藏了所有的内存分配，开发者不需要关系内部是怎么样实现的。

可以再去了解一下array模块和struct模块是如何处理buffer protocol的，zero copy操作是相当高效的。