Python內(nèi)建類型bytes深入理解

更新時間：2022年05月17日 16:12:46 作者：Blanker

這篇文章主要為大家介紹了Python內(nèi)建類型bytes的深入理解，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪

引言

“深入認(rèn)識Python內(nèi)建類型”這部分的內(nèi)容會從源碼角度為大家介紹Python中各種常用的內(nèi)建類型。

在我們?nèi)粘５拈_發(fā)中，str是很常用的一個內(nèi)建類型，與之相關(guān)的我們比較少接觸的就是bytes，這里先為大家介紹一下bytes相關(guān)的知識點，下一篇博客再詳細介紹str的相關(guān)內(nèi)容。

1 bytes和str之間的關(guān)系

不少語言中的字符串都是由字符數(shù)組（或稱為字節(jié)序列）來表示的，例如C語言：

char str[] = "Hello World!";

由于一個字節(jié)最多只能表示256種字符，要想覆蓋眾多的字符（例如漢字），就需要通過多個字節(jié)來表示一個字符，即多字節(jié)編碼。但由于原始字節(jié)序列中沒有維護編碼信息，操作不慎就很容易導(dǎo)致各種亂碼現(xiàn)象。

Python提供的解決方法是使用Unicode對象（也就是str對象），Unicode口語表示各種字符，無需關(guān)心編碼。但是在存儲或者網(wǎng)絡(luò)通訊時，字符串對象需要序列化成字節(jié)序列。為此，Python額外提供了字節(jié)序列對象——bytes。

str和bytes的關(guān)系如圖所示：

str對象統(tǒng)一表示一個字符串，不需要關(guān)心編碼；計算機通過字節(jié)序列與存儲介質(zhì)和網(wǎng)絡(luò)介質(zhì)打交道，字節(jié)序列用bytes對象表示；存儲或傳輸str對象時，需要將其序列化成字節(jié)序列，序列化過程也是編碼的過程。

2 bytes對象的結(jié)構(gòu)：PyBytesObject

C源碼：

typedef struct {
    PyObject_VAR_HEAD
    Py_hash_t ob_shash;
    char ob_sval[1];
    /* Invariants:
     *     ob_sval contains space for 'ob_size+1' elements.
     *     ob_sval[ob_size] == 0.
     *     ob_shash is the hash of the string or -1 if not computed yet.
     */
} PyBytesObject;

源碼分析：

字符數(shù)組ob_sval存儲對應(yīng)的字符，但是ob_sval數(shù)組的長度并不是ob_size，而是ob_size + 1.這是Python為待存儲的字節(jié)序列額外分配了一個字節(jié)，用于在末尾處保存’\0’，以便兼容C字符串。

ob_shash：用于保存字節(jié)序列的哈希值。由于計算bytes對象的哈希值需要遍歷其內(nèi)部的字符數(shù)組，開銷相對較大。因此Python選擇將哈希值保存起來，以空間換時間（隨處可見的思想，hh），避免重復(fù)計算。

圖示如下：

3 bytes對象的行為

3.1 PyBytes_Type

C源碼：

PyTypeObject PyBytes_Type = {
    PyVarObject_HEAD_INIT(&PyType_Type, 0)
    "bytes",
    PyBytesObject_SIZE,
    sizeof(char),
    // ...
    &bytes_as_number,                           /* tp_as_number */
    &bytes_as_sequence,                         /* tp_as_sequence */
    &bytes_as_mapping,                          /* tp_as_mapping */
    (hashfunc)bytes_hash,                       /* tp_hash */
    // ...
};

數(shù)值型操作bytes_as_number：

static PyNumberMethods bytes_as_number = {
    0,              /*nb_add*/
    0,              /*nb_subtract*/
    0,              /*nb_multiply*/
    bytes_mod,      /*nb_remainder*/
};

bytes_mod：

static PyObject *
bytes_mod(PyObject *self, PyObject *arg)
{
    if (!PyBytes_Check(self)) {
        Py_RETURN_NOTIMPLEMENTED;
    }
    return _PyBytes_FormatEx(PyBytes_AS_STRING(self), PyBytes_GET_SIZE(self),
                             arg, 0);
}

可以看到，bytes對象只是借用%運算符實現(xiàn)字符串格式化，并不是真正意義上的數(shù)值運算（這里其實和最開始的分類標(biāo)準(zhǔn)是有點歧義的，按標(biāo)準(zhǔn)應(yīng)該再分一個“格式型操作”，不過靈活處理也是必須的）：

>>> b'msg: a = %d, b = %d' % (1, 2)
b'msg: a = 1, b = 2'

序列型操作bytes_as_sequence：

static PySequenceMethods bytes_as_sequence = {
    (lenfunc)bytes_length, /*sq_length*/
    (binaryfunc)bytes_concat, /*sq_concat*/
    (ssizeargfunc)bytes_repeat, /*sq_repeat*/
    (ssizeargfunc)bytes_item, /*sq_item*/
    0,                  /*sq_slice*/
    0,                  /*sq_ass_item*/
    0,                  /*sq_ass_slice*/
    (objobjproc)bytes_contains /*sq_contains*/
};

bytes支持的序列型操作包括以下5個：

bytes_length：查詢序列長度
bytes_concat：將兩個序列合并為一個
bytes_repeat：將序列重復(fù)多次
bytes_item：取出給定下標(biāo)的序列元素
bytes_contains：包含關(guān)系判斷

關(guān)聯(lián)型操作bytes_as_mapping：

static PyMappingMethods bytes_as_mapping = {
    (lenfunc)bytes_length,
    (binaryfunc)bytes_subscript,
    0,
};

可以看到bytes支持獲取長度和切片兩個操作。

3.2 bytes_as_sequence

這里我們主要介紹以下bytes_as_sequence相關(guān)的操作

bytes_as_sequence中的操作都不復(fù)雜，但是會有一個“陷阱”，這里我們以bytes_concat操作來認(rèn)識一下這個問題。C源碼如下：

/* This is also used by PyBytes_Concat() */
static PyObject *
bytes_concat(PyObject *a, PyObject *b)
{
    Py_buffer va, vb;
    PyObject *result = NULL;
    va.len = -1;
    vb.len = -1;
    if (PyObject_GetBuffer(a, &va, PyBUF_SIMPLE) != 0 ||
        PyObject_GetBuffer(b, &vb, PyBUF_SIMPLE) != 0) {
        PyErr_Format(PyExc_TypeError, "can't concat %.100s to %.100s",
                     Py_TYPE(b)->tp_name, Py_TYPE(a)->tp_name);
        goto done;
    }
    /* Optimize end cases */
    if (va.len == 0 && PyBytes_CheckExact(b)) {
        result = b;
        Py_INCREF(result);
        goto done;
    }
    if (vb.len == 0 && PyBytes_CheckExact(a)) {
        result = a;
        Py_INCREF(result);
        goto done;
    }
    if (va.len > PY_SSIZE_T_MAX - vb.len) {
        PyErr_NoMemory();
        goto done;
    }
    result = PyBytes_FromStringAndSize(NULL, va.len + vb.len);
    if (result != NULL) {
        memcpy(PyBytes_AS_STRING(result), va.buf, va.len);
        memcpy(PyBytes_AS_STRING(result) + va.len, vb.buf, vb.len);
    }
  done:
    if (va.len != -1)
        PyBuffer_Release(&va);
    if (vb.len != -1)
        PyBuffer_Release(&vb);
    return result;
}

bytes_concat源碼大家可自行分析，這里直接以圖示形式來展示，主要是為了說明其中的“陷阱”。

圖示如下：

Py_buffer提供了一套操作對象緩沖區(qū)的統(tǒng)一接口，屏蔽不同類型對象的內(nèi)部差異
bytes_concat則將兩個對象的緩沖區(qū)拷貝到一起，形成新的bytes對象

上述的拷貝過程是比較清晰的，但是這里隱藏著一個問題——數(shù)據(jù)拷貝的陷阱。

以合并3個bytes對象為例：

>>> a = b'abc'
>>> b = b'def'
>>> c = b'ghi'
>>> result = a + b + c
>>> result
b'abcdefghi'

本質(zhì)上這個過程會合并兩次

>>> t = a + b
>>> result = t + c

在這個過程中，a和b的數(shù)據(jù)都會被拷貝兩遍，圖示如下：

不難推出，合并n個bytes對象，頭兩個對象需要拷貝n - 1次，只有最后一個對象不需要重復(fù)拷貝，平均下來每個對象大約要拷貝n/2次。因此，下面的代碼：

>>> result = b''
>>> for b in segments:
    	result += s

效率是很低的。我們可以使用join()來優(yōu)化：

>>> result = b''.join(segments)

join()方法是bytes對象提供的一個內(nèi)建方法，可以高效合并多個bytes對象。join方法對數(shù)據(jù)拷貝進行了優(yōu)化：先遍歷待合并對象，計算總長度；然后根據(jù)總長度創(chuàng)建目標(biāo)對象；最后再遍歷待合并對象，逐一拷貝數(shù)據(jù)。這樣一來，每個對象只需要拷貝一次，解決了重復(fù)拷貝的陷阱。（具體源碼大家可以自行去查看）

4 字符緩沖池

和小整數(shù)一樣，字符對象（即單字節(jié)的bytes對象）數(shù)量也很少，只有256個，但使用頻率非常高，因此以空間換時間能明顯提升執(zhí)行效率。字符緩沖池源碼如下：

static PyBytesObject *characters[UCHAR_MAX + 1];

下面我們從創(chuàng)建bytes對象的過程來看一下字符緩沖池的使用：PyBytes_FromStringAndSize()函數(shù)是負責(zé)創(chuàng)建bytes對象的通用接口，源碼如下：

PyObject *
PyBytes_FromStringAndSize(const char *str, Py_ssize_t size)
{
    PyBytesObject *op;
    if (size < 0) {
        PyErr_SetString(PyExc_SystemError,
            "Negative size passed to PyBytes_FromStringAndSize");
        return NULL;
    }
    if (size == 1 && str != NULL &&
        (op = characters[*str & UCHAR_MAX]) != NULL)
    {
#ifdef COUNT_ALLOCS
        one_strings++;
#endif
        Py_INCREF(op);
        return (PyObject *)op;
    }
    op = (PyBytesObject *)_PyBytes_FromSize(size, 0);
    if (op == NULL)
        return NULL;
    if (str == NULL)
        return (PyObject *) op;
    memcpy(op->ob_sval, str, size);
    /* share short strings */
    if (size == 1) {
        characters[*str & UCHAR_MAX] = op;
        Py_INCREF(op);
    }
    return (PyObject *) op;
}

其中涉及字符緩沖區(qū)維護的關(guān)鍵步驟如下：

第10~17行：如果創(chuàng)建的對象為單字節(jié)對象，會先在characters數(shù)組的對應(yīng)序號判斷是否已經(jīng)有相應(yīng)的對象存儲在了緩沖區(qū)中，如果有則直接取出

第28~31行：如果創(chuàng)建的對象為單字節(jié)對象，并且之前已經(jīng)判斷了不在緩沖區(qū)中，則將其放入字符緩沖池的對應(yīng)位置

由此可見，當(dāng)Python程序開始運行時，字符緩沖池是空的。隨著單字節(jié)bytes對象的創(chuàng)建，緩沖池中的對象就慢慢多了起來。當(dāng)緩沖池已緩存b’1’、b’2’、b’3’、b’a’、b’b’、b’c’這幾個字符時，內(nèi)部結(jié)構(gòu)如下：

示例：

注：這里大家可能在IDLE和PyCharm中獲得的結(jié)果不一致，這個問題在之前的博客中也提到過，查閱資料后得到的結(jié)論是：IDLE運行和PyCharm運行的方式不同。這里我將PyCharm代碼對應(yīng)的代碼對象反編譯的結(jié)果展示給大家，但我對IDLE的認(rèn)識還比較薄弱，以后有機會再給大家詳細補充這個知識（抱拳~）。

這里大家還是先以認(rèn)識字符緩沖區(qū)這個概念為主，當(dāng)然字節(jié)碼的相關(guān)知識掌握好了也是很有幫助的。以下是PyCharm運行的結(jié)果：

以下操作的相關(guān)講解可以看這篇博客：Python程序執(zhí)行過程與字節(jié)碼

示例1：

下面我們來看一下反編譯的結(jié)果：（下面的文件路徑我省略了，大家自己試驗的時候要輸入正確的路徑）

>>> text = open('D:\\...\\test2.py').read()
>>> result= compile(text,'D:\\...\\test2.py', 'exec')
>>> import dis
>>> dis.dis(result)
  1           0 LOAD_CONST               0 (b'a')
              2 STORE_NAME               0 (a)
  2           4 LOAD_CONST               0 (b'a')
              6 STORE_NAME               1 (b)
  3           8 LOAD_NAME                2 (print)
             10 LOAD_NAME                0 (a)
             12 LOAD_NAME                1 (b)
             14 IS_OP                    0
             16 CALL_FUNCTION            1
             18 POP_TOP
             20 LOAD_CONST               1 (None)
             22 RETURN_VALUE

可以很清晰地看到，第5行和第8行的LOAD_CONST指令操作的都是下標(biāo)為0的常量b’a’，因此此時a和b對應(yīng)的是同一個對象，我們打印看一下：

>>> result.co_consts[0]
b'a'

示例2：

為了確認(rèn)只會緩存單字節(jié)的bytes對象，我在這里又嘗試了多字節(jié)的bytes對象，同樣還是在PyCharm環(huán)境下嘗試：

結(jié)果是比較出乎意料的：多字節(jié)的bytes對象依然是同一個。為了驗證這個想法，我們先來看一下對代碼對象的反編譯結(jié)果：

>>> text = open('D:\\...\\test3.py').read()
>>> result= compile(text,'D:\\...\\test3.py', 'exec')
>>> import dis
>>> dis.dis(result)
  1           0 LOAD_CONST               0 (b'abc')
              2 STORE_NAME               0 (a)
  2           4 LOAD_CONST               0 (b'abc')
              6 STORE_NAME               1 (b)
  3           8 LOAD_NAME                2 (print)
             10 LOAD_NAME                0 (a)
             12 LOAD_NAME                1 (b)
             14 IS_OP                    0
             16 CALL_FUNCTION            1
             18 POP_TOP
             20 LOAD_CONST               1 (None)
             22 RETURN_VALUE
>>> result.co_consts[0]
b'abc'

可以看到，反編譯的結(jié)果和單字節(jié)的bytes對象沒有區(qū)別。。。

（TODO：這里我嘗試去看了PyBytes_FromStringAndSize()中相關(guān)的其他調(diào)用，但是由于水平有限，沒有找到這個問題的解釋，這個問題先暫時放下，隨著理解源碼更深刻再繼續(xù)解決）

以上就是Python內(nèi)建類型bytes深入理解的詳細內(nèi)容，更多關(guān)于Python內(nèi)建類型bytes的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: