Python內(nèi)建類型str源碼學(xué)習(xí)
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。
在介紹常用類型str之前,在上一篇博客:Python源碼學(xué)習(xí)筆記:深入認(rèn)識Python內(nèi)建類型——bytes已經(jīng)為大家介紹了和str息息相關(guān)的bytes的源碼知識。這篇博客回味大家分析str相關(guān)的源碼。
1 Unicode
計算機存儲的基本單位是字節(jié),由8個比特位組成。由于英文只由26個字母加若干符號組成,因此英文字符可以直接用字節(jié)來保存。但是其他語言(例如中日韓等),由于字符眾多,不得不使用多個字節(jié)來進行編碼。
隨著計算機技術(shù)的傳播,非拉丁文字符編碼技術(shù)不斷發(fā)展,但是仍然存在兩個比較大的局限性:
- 不支持多語言:一種語言的編碼方案不能用于另外一種語言
- 沒有統(tǒng)一標(biāo)準(zhǔn):例如中文就有GBK、GB2312、GB18030等多種編碼標(biāo)準(zhǔn)
由于編碼方式不統(tǒng)一,開發(fā)人員就需要在不同編碼之間來回轉(zhuǎn)換,不可避免地會出現(xiàn)很多錯誤。為了解決這類不統(tǒng)一問題,Unicode標(biāo)準(zhǔn)被提出了。Unicode對世界上大部分文字系統(tǒng)進行整理、編碼,讓計算機可以用統(tǒng)一的方式處理文本。Unicode目前已經(jīng)收錄了超過14萬個字符,天然地支持多語言。(Unicode的uni就是“統(tǒng)一”的詞根)
2 Python中的Unicode
2.1 Unicode對象的好處
Python在3之后,str對象內(nèi)部改用Unicode表示,因此在源碼中成為Unicode對象。使用Unicode表示的好處是:程序核心邏輯統(tǒng)一使用Unicode,只需在輸入、輸出層進行解碼、編碼,可最大程度地避免各種編碼問題。
圖示如下:
2.2 Python對Unicode的優(yōu)化
問題:由于Unicode收錄字符已經(jīng)超過14萬個,每個字符至少需要4個字節(jié)來保存(這里應(yīng)該是因為2個字節(jié)不夠,所以才用4個字節(jié),一般不會使用3個字節(jié))。而英文字符用ASCII碼表示僅需要1個字節(jié),使用Unicode反而會使頻繁使用的英文字符的開銷變?yōu)樵瓉淼?倍。
首先我們來看一下Python中不同形式的str對象的大小差異:
>>> sys.getsizeof('ab') - sys.getsizeof('a') 1 >>> sys.getsizeof('一二') - sys.getsizeof('一') 2 >>> sys.getsizeof('????') - sys.getsizeof('??') 4
由此可見,Python內(nèi)部對Unicode對象進行了優(yōu)化:根據(jù)文本內(nèi)容,選擇底層存儲單元。
Unicode對象底層存儲根據(jù)文本字符的Unicode碼位范圍分成三類:
- PyUnicode_1BYTE_KIND:所有字符碼位在U+0000到U+00FF之間
- PyUnicode_2BYTE_KIND:所有字符碼位在U+0000到U+FFFF之間,且至少有一個字符的碼位大于U+00FF
- PyUnicode_1BYTE_KIND:所有字符碼位在U+0000到U+10FFFF之間,且至少有一個字符的碼位大于U+FFFF
對應(yīng)枚舉如下:
enum PyUnicode_Kind { /* String contains only wstr byte characters. This is only possible when the string was created with a legacy API and _PyUnicode_Ready() has not been called yet. */ PyUnicode_WCHAR_KIND = 0, /* Return values of the PyUnicode_KIND() macro: */ PyUnicode_1BYTE_KIND = 1, PyUnicode_2BYTE_KIND = 2, PyUnicode_4BYTE_KIND = 4 };
根據(jù)不同的分類,選擇不同的存儲單元:
/* Py_UCS4 and Py_UCS2 are typedefs for the respective unicode representations. */ typedef uint32_t Py_UCS4; typedef uint16_t Py_UCS2; typedef uint8_t Py_UCS1;
對應(yīng)關(guān)系如下:
文本類型 | 字符存儲單元 | 字符存儲單元大?。ㄗ止?jié)) |
---|---|---|
PyUnicode_1BYTE_KIND | Py_UCS1 | 1 |
PyUnicode_2BYTE_KIND | Py_UCS2 | 2 |
PyUnicode_4BYTE_KIND | Py_UCS4 | 4 |
由于Unicode內(nèi)部存儲結(jié)構(gòu)因文本類型而異,因此類型kind必須作為Unicode對象公共字段進行保存。Python內(nèi)部定義了一些標(biāo)志位,作為Unicode公共字段:(介于筆者水平有限,這里的字段在后續(xù)內(nèi)容中不會全部介紹,大家后續(xù)可以自行了解。抱拳~)
- interned:是否為interned機制維護
- kind:類型,用于區(qū)分字符底層存儲單元大小
- compact:內(nèi)存分配方式,對象與文本緩沖區(qū)是否分離
- asscii:文本是否均為純ASCII
通過PyUnicode_New函數(shù),根據(jù)文本字符數(shù)size以及最大字符maxchar初始化Unicode對象。該函數(shù)主要是根據(jù)maxchar為Unicode對象選擇最緊湊的字符存儲單元以及底層結(jié)構(gòu)體:(源碼比較長,這里就不列出了,大家可以自行了解,下面以表格形式展現(xiàn))
maxchar < 128 | 128 <= maxchar < 256 | 256 <= maxchar < 65536 | 65536 <= maxchar < MAX_UNICODE | |
---|---|---|---|---|
kind | PyUnicode_1BYTE_KIND | PyUnicode_1BYTE_KIND | PyUnicode_2BYTE_KIND | PyUnicode_4BYTE_KIND |
ascii | 1 | 0 | 0 | 0 |
字符存儲單元大?。ㄗ止?jié)) | 1 | 1 | 2 | 4 |
底層結(jié)構(gòu)體 | PyASCIIObject | PyCompactUnicodeObject | PyCompactUnicodeObject | PyCompactUnicodeObject |
3 Unicode對象的底層結(jié)構(gòu)體
3.1 PyASCIIObject
C源碼:
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;
源碼分析:
length:文本長度
hash:文本哈希值
state:Unicode對象標(biāo)志位
wstr:緩存C字符串的一個wchar_t指針,以“\0”結(jié)束(這里和我看的另一篇文章講得不太一樣,另一個描述是:ASCII文本緊接著位于PyASCIIObject結(jié)構(gòu)體后面,我個人覺得現(xiàn)在的這種說法比較準(zhǔn)確,畢竟源碼結(jié)構(gòu)體后面沒有別的字段了)
圖示如下:
(注意這里state字段后面有一個4字節(jié)大小的空洞,這是結(jié)構(gòu)體字段內(nèi)存對齊造成的現(xiàn)象,主要是為了優(yōu)化內(nèi)存訪問效率)
ASCII文本由wstr指向,以’abc’和空字符串對象’'為例:
3.2 PyCompactUnicodeObject
如果文本不全是ASCII,Unicode對象底層便由PyCompactUnicodeObject結(jié)構(gòu)體保存。C源碼如下:
/* Non-ASCII strings allocated through PyUnicode_New use the PyCompactUnicodeObject structure. state.compact is set, and the data immediately follow the structure. */ 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;
PyCompactUnicodeObject在PyASCIIObject的基礎(chǔ)上增加了3個字段:
utf8_length:文本UTF8編碼長度
utf8:文本UTF8編碼形式,緩存以避免重復(fù)編碼運算
wstr_length:wstr的“長度”(這里所謂的長度沒有找到很準(zhǔn)確的說法,筆者也不太清楚怎么能打印出來,大家可以自行研究下)
注意到,PyASCIIObject中并沒有保存UTF8編碼形式,這是因為ASCII本身就是合法的UTF8,這也是ASCII文本底層由PyASCIIObject保存的原因。
結(jié)構(gòu)圖示:
3.3 PyUnicodeObject
PyUnicodeObject則是Python中str對象的具體實現(xiàn)。C源碼如下:
/* Strings allocated through PyUnicode_FromUnicode(NULL, len) use the PyUnicodeObject structure. The actual string data is initially in the wstr block, and copied into the data block using _PyUnicode_Ready. */ typedef struct { PyCompactUnicodeObject _base; union { void *any; Py_UCS1 *latin1; Py_UCS2 *ucs2; Py_UCS4 *ucs4; } data; /* Canonical, smallest-form Unicode buffer */ } PyUnicodeObject;
3.4 示例
在日常開發(fā)時,要結(jié)合實際情況注意字符串拼接前后的內(nèi)存大小差別:
>>> import sys >>> text = 'a' * 1000 >>> sys.getsizeof(text) 1049 >>> text += '??' >>> sys.getsizeof(text) 4080
4 interned機制
如果str對象的interned標(biāo)志位為1,Python虛擬機將為其開啟interned機制,
源碼如下:(相關(guān)信息在網(wǎng)上可以看到很多說法和解釋,這里筆者能力有限,暫時沒有找到最確切的答案,之后補充。抱拳~但是我們通過分析源碼應(yīng)該是能看出一些門道的)
/* This dictionary holds all interned unicode strings. Note that references to strings in this dictionary are *not* counted in the string's ob_refcnt. When the interned string reaches a refcnt of 0 the string deallocation function will delete the reference from this dictionary. Another way to look at this is that to say that the actual reference count of a string is: s->ob_refcnt + (s->state ? 2 : 0) */ static PyObject *interned = NULL; void PyUnicode_InternInPlace(PyObject **p) { PyObject *s = *p; PyObject *t; #ifdef Py_DEBUG assert(s != NULL); assert(_PyUnicode_CHECK(s)); #else if (s == NULL || !PyUnicode_Check(s)) return; #endif /* If it's a subclass, we don't really know what putting it in the interned dict might do. */ if (!PyUnicode_CheckExact(s)) return; if (PyUnicode_CHECK_INTERNED(s)) return; if (interned == NULL) { interned = PyDict_New(); if (interned == NULL) { PyErr_Clear(); /* Don't leave an exception */ return; } } Py_ALLOW_RECURSION t = PyDict_SetDefault(interned, s, s); Py_END_ALLOW_RECURSION if (t == NULL) { PyErr_Clear(); return; } 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; }
可以看到,源碼前面還是做一些基本的檢查。我們可以看一下37行和50行:將s添加到interned字典中時,其實s同時是key和value(這里我不太清楚為什么會這樣做),所以s對應(yīng)的引用計數(shù)是+2了的(具體可以看PyDict_SetDefault()的源碼),所以在50行時會將計數(shù)-2,保證引用計數(shù)的正確。
考慮下面的場景:
>>> class User: def __init__(self, name, age): self.name = name self.age = age >>> user = User('Tom', 21) >>> user.__dict__ {'name': 'Tom', 'age': 21}
由于對象的屬性由dict保存,這意味著每個User對象都要保存一個str對象‘name’,這會浪費大量的內(nèi)存。而str是不可變對象,因此Python內(nèi)部將有潛在重復(fù)可能的字符串都做成單例模式,這就是interned機制。Python具體做法就是在內(nèi)部維護一個全局dict對象,所有開啟interned機制的str對象均保存在這里,后續(xù)需要使用的時候,先創(chuàng)建,如果判斷已經(jīng)維護了相同的字符串,就會將新創(chuàng)建的這個對象回收掉。
示例:
由不同運算生成’abc’,最后都是同一個對象:
>>> a = 'abc' >>> b = 'ab' + 'c' >>> id(a), id(b), a is b (2752416949872, 2752416949872, True)
5 總結(jié)
個人反思:在寫這篇博客時查閱了很多資料,看到了很多已有的但是不同的說法,在整理學(xué)習(xí)的時候感覺有些吃力,不過盡可能地沒有直接輸出不確切的觀點,而是基于真正的源碼來為大家分析。并且str的相關(guān)內(nèi)容應(yīng)該是目前為止內(nèi)建類型中最多最雜的,后續(xù)會補充的list和dict的相關(guān)內(nèi)容都比它要清晰明確,當(dāng)然其中最大的問題肯定還是筆者的能力。博客中應(yīng)該還是有錯誤和不足的地方,但盡量對源碼部分的解釋做到準(zhǔn)確。目前筆者能力有限,今后進步之后再對該篇博客中錯誤和不足的地方進行修正補充。抱拳~
以上就是Python內(nèi)建類型str源碼學(xué)習(xí)的詳細內(nèi)容,更多關(guān)于Python內(nèi)建類型str的資料請關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
解決Python print 輸出文本顯示 gbk 編碼錯誤問題
這篇文章主要介紹了解決Python print 輸出文本顯示 gbk 編碼錯誤問題,本文給出了三種解決方法,需要的朋友可以參考下2018-07-07Python設(shè)計模式優(yōu)雅構(gòu)建代碼全面教程示例
Python作為一門多范式的編程語言,提供了豐富的設(shè)計模式應(yīng)用場景,在本文中,我們將詳細介紹 Python 中的各種設(shè)計模式,包括創(chuàng)建型、結(jié)構(gòu)型和行為型模式2023-11-11spark?dataframe全局排序id與分組后保留最大值行
這篇文章主要為大家介紹了spark?dataframe全局排序id與分組后保留最大值行實現(xiàn)詳解,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2023-02-02pandas pd.cut()與pd.qcut()的具體實現(xiàn)
本文主要介紹了pandas pd.cut()與pd.qcut()的具體實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2023-01-01