首先需要明白,在Python3.5的源码里,我们操作的文本字符串是以unicode的形式存在的。
如果字符串中仅仅包含ASCII,那么会通过c文件中的PyUnicode_New函数进行创建,创建的结构体是PyASCIIObject,该结构体的内容如下:
typedef struct {
PyObject_HEAD
Py_ssize_t length; /* Number of code points in the string */
Py_hash_t hash; /* Hash value; -1 if not set */
struct {
unsigned int interned:2;
unsigned int kind:3;
unsigned int compact:1;
unsigned int ascii:1;
unsigned int ready:1;
unsigned int :24;
} state;
wchar_t *wstr; /* wchar_t representation (null-terminated) */
} PyASCIIObject;
仅ASCII的字符串初始化会把state中的ascii和compact都进行设置,其中的ascii用于表明字符串是否是纯ASCII,compact用于表明是否是紧凑型字符串,如果是紧凑型字符串,会仅申请一块内容地址用来存放结构和和数据(结构体后紧挨着数据),非紧凑型会申请两块内存,分别存放结构体和数据。
这个结构体继承了PyObject_HEAD,那说明是一个定长Object(Python中一切皆对象,都是PyObject),即大小在没初始化之前就确定了,很显然,每个ASCII字符就是一个字节,而length是我们定义的字符串的长度,hash是计算的字符串哈希值(因为Python的字符串是定长不可变对象)。
在state结构体当中,interned用于字符串的优化缓冲机制,即对于特定的字符串,如果重复出现,只会指向interned字典当中已经存在的字符串地址,这样面对相同字符串的时候就不需要重复申请地址了,有点像C++中的移动语义,直接接管过来,当然这里还涉及了一些引用计数的问题,下回再讲。
kind则用于表明字符串的类型,目前就只有4种类型,宽字节(2字节或者4字节,由平台决定),1字节,2字节和4字节。
ready用于表明字符串对象布局是否初始化完整了,我也不太了解这个字段的用途,但是根据C文件的代码来看,只要内存申请完毕,就会被设置为1。
最后一个字段无名,用于保证PyUnicode_DATA()被填充为4字节。
wstr是一个不包含结束标志\0的字符指针。
如果是一个非ASCII字符串,会使用PyCompactUnicodeObject置入PyUnicode_New中进行初始化,结构如下:
typedef struct {
PyASCIIObject _base;
Py_ssize_t utf8_length; /* Number of bytes in utf8, excluding the
* terminating \0. */
char *utf8; /* UTF-8 representation (null-terminated) */
Py_ssize_t wstr_length; /* Number of code points in wstr, possible
* surrogates count as two code points. */
} PyCompactUnicodeObject;
它继承自ASCII结构体,utf8_length用于记录uft8字段长度(包括结束符\0),utf8字符指针表示无结束符的字符串,wstr_length是宽字符的长度。
如果字符串使用PyUnicodeObject结构体置入PyUnicode_FromUnicode中进行初始化,那么就会存在两块内存地址,分别存放结构体和数据。
typedef struct {
PyCompactUnicodeObject _base;
union {
void *any;
Py_UCS1 *latin1;
Py_UCS2 *ucs2;
Py_UCS4 *ucs4;
} data; /* Canonical, smallest-form Unicode buffer */
} PyUnicodeObject;
其中多了一个联合体,联合体内部的成员公用一块内存地址,这里自然是4个字节,可以方便进行1,2,4字节的数据存储和转化。
综上可以得知,虽然Python3.5的字符串对象都是unicode,但是为了节省内存,并非每一个字符都是4字节,而是针对0-255设置为1字节,256-65535设置为2字节,之后才是4字节。
这里我们分析第一个ASCII字符串的初始化,采用PyUnicode_New和PyASCIIObject结构体。
PyObject * PyUnicode_New(Py_ssize_t size, Py_UCS4 maxchar)
{
PyObject *obj;
PyCompactUnicodeObject *unicode;
void *data;
enum PyUnicode_Kind kind;
int is_sharing, is_ascii;
Py_ssize_t char_size;
Py_ssize_t struct_size;
/* 优化空字符串 */
//如果是空字符串的话,会直接引用全局的unicode_empty对象
if (size == 0 && unicode_empty != NULL) {
Py_INCREF(unicode_empty);
return unicode_empty;
}
is_ascii = 0;
is_sharing = 0;
//计算ASCII结构体大小
struct_size = sizeof(PyCompactUnicodeObject);
//分别用于1,2,4字节大小的内存分配
if (maxchar < 128) {
kind = PyUnicode_1BYTE_KIND;
char_size = 1;
is_ascii = 1;
struct_size = sizeof(PyASCIIObject);
}
else if (maxchar < 256) {
kind = PyUnicode_1BYTE_KIND;
char_size = 1;
}
else if (maxchar < 65536) {
kind = PyUnicode_2BYTE_KIND;
char_size = 2;
if (sizeof(wchar_t) == 2)
is_sharing = 1;
}
else {
if (maxchar > MAX_UNICODE) {
PyErr_SetString(PyExc_SystemError,
"invalid maximum character passed to PyUnicode_New");
return NULL;
}
kind = PyUnicode_4BYTE_KIND;
char_size = 4;
if (sizeof(wchar_t) == 4)
is_sharing = 1;
}
/* 防止内存越界 */
if (size < 0) {
PyErr_SetString(PyExc_SystemError,
"Negative size passed to PyUnicode_New");
return NULL;
}
if (size > ((PY_SSIZE_T_MAX - struct_size) / char_size - 1))
return PyErr_NoMemory();
/*
这里的内存分配很简单,就是申请了结构体+字符串(有结束符)大小的内存
*/
obj = (PyObject *) PyObject_MALLOC(struct_size + (size + 1) * char_size);
if (obj == NULL)
return PyErr_NoMemory();
obj = PyObject_INIT(obj, &PyUnicode_Type);
if (obj == NULL)
return NULL;
//申请内存后将内存指针转化
unicode = (PyCompactUnicodeObject *)obj;
if (is_ascii)
data = ((PyASCIIObject*)obj) + 1;
else
data = unicode + 1;
//对结构体参数初始化
_PyUnicode_LENGTH(unicode) = size;
_PyUnicode_HASH(unicode) = -1;
_PyUnicode_STATE(unicode).interned = 0;
_PyUnicode_STATE(unicode).kind = kind;
_PyUnicode_STATE(unicode).compact = 1;
_PyUnicode_STATE(unicode).ready = 1;
_PyUnicode_STATE(unicode).ascii = is_ascii;
//如果是ASSCII,把结尾设置为0,把宽字符设置为空
if (is_ascii) {
((char*)data)[size] = 0;
_PyUnicode_WSTR(unicode) = NULL;
}
else if (kind == PyUnicode_1BYTE_KIND) {
((char*)data)[size] = 0;
_PyUnicode_WSTR(unicode) = NULL;
_PyUnicode_WSTR_LENGTH(unicode) = 0;
unicode->utf8 = NULL;
unicode->utf8_length = 0;
}
else {
unicode->utf8 = NULL;
unicode->utf8_length = 0;
if (kind == PyUnicode_2BYTE_KIND)
((Py_UCS2*)data)[size] = 0;
else /* kind == PyUnicode_4BYTE_KIND */
((Py_UCS4*)data)[size] = 0;
if (is_sharing) {
_PyUnicode_WSTR_LENGTH(unicode) = size;
_PyUnicode_WSTR(unicode) = (wchar_t *)data;
}
else {
_PyUnicode_WSTR_LENGTH(unicode) = 0;
_PyUnicode_WSTR(unicode) = NULL;
}
}
#ifdef Py_DEBUG
unicode_fill_invalid((PyObject*)unicode, 0);
#endif
assert(_PyUnicode_CheckConsistency((PyObject*)unicode, 0));
return obj;
}
这里实际上返回的是obj,而不是unicode,所以做的工作其实就是分配一块指向数据的内存,而unicode是用来做安全审查工作和初始化结构体的。