Python源码剖析 - Python中的字符串对象

1. 前言

我们已经在【Python中的整数对象】章节中对定长对象进行了详细的讲解，接下来我们将介绍变长对象，而字符串类型，则是这类对象的典型代表。

这里必须先引入一个概念：

Python 中的变长对象分为两类：

变长可变对象 - 例如 List，创建后还能添加、删除元素
变长不可变对象 - 例如 String，Tuple，创建后，不再支持添加、删除等操作

2. PyStringObject初识

PyStringObject 是对字符串对象的实现方式。首先它是一个可变长度的对象，这个可变是只指在创建字符串对象的时候，这个长度并不固定。但是一旦创建完毕后，这个长度就固定了，不能再发生变化。

举例来说：

test_str = "Hello World"
test_url = "https://www.xtuz.net"

显而易见，test_str 的长度和 test_url 的长度并不一样，这个原因就是在字符串对象创建时 PyStringObject 并不限定长度，然后创建完毕后，改对象内部维护的字符串对象就不在改变了。

我们从源码中也可以进行佐证：

typedef struct {
    PyObject_VAR_HEAD
    long ob_shash;
    int ob_sstate;
    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.
     *     ob_sstate != 0 iff the string object is in stringobject.c's
     *       'interned' dictionary; in this case the two references
     *       from 'interned' to this object are *not counted* in ob_refcnt.
     */
} PyStringObject;

PyObject_VAR_HEAD 中的 ob_size （详见Python源码剖析 - 对象初探），记录变长对象的内存大小，ov_sval 作为字符指针指向一段内存，这段内存就是实际字符串。比例 test_str 的 ob_size 则为11。

ob_shash 则是该对象的哈希值，这在 dict 类型中是非常有用的，作为 key 值存在。

ob_sstate 则是表明该对象是否经过 intern 机制处理，简单来说就是即值同样的字符串对象仅仅会保存一份，放在一个字符串储蓄池中，是共用的，当然，肯定不能改变，这也决定了字符串必须是不可变对象。

3. PyStringObject创建

从代码上来看，可以有多种创建 PyStringObject 的方式：

PyAPI_FUNC(PyObject *) PyString_FromStringAndSize(const char *, Py_ssize_t);
PyAPI_FUNC(PyObject *) PyString_FromString(const char *);
PyAPI_FUNC(PyObject *) PyString_FromFormatV(const char*, va_list)
                                Py_GCC_ATTRIBUTE((format(printf, 1, 0)));
PyAPI_FUNC(PyObject *) PyString_FromFormat(const char*, ...)
                                Py_GCC_ATTRIBUTE((format(printf, 1, 2)));

其中，最常用的则是 PyString_FromString(const char *);

代码实现如下：

PyObject *
PyString_FromString(const char *str)
{
    register size_t size;
    register PyStringObject *op;

    assert(str != NULL);
    size = strlen(str);
    if (size > PY_SSIZE_T_MAX - PyStringObject_SIZE) {
        PyErr_SetString(PyExc_OverflowError,
            "string is too long for a Python string");
        return NULL;
    }
    if (size == 0 && (op = nullstring) != NULL) {
#ifdef COUNT_ALLOCS
        null_strings++;
#endif
        Py_INCREF(op);
        return (PyObject *)op;
    }
    if (size == 1 && (op = characters[*str & UCHAR_MAX]) != NULL) {
#ifdef COUNT_ALLOCS
        one_strings++;
#endif
        Py_INCREF(op);
        return (PyObject *)op;
    }

    /* Inline PyObject_NewVar */
    op = (PyStringObject *)PyObject_MALLOC(PyStringObject_SIZE + size);
    if (op == NULL)
        return PyErr_NoMemory();
    (void)PyObject_INIT_VAR(op, &PyString_Type, size);
    op->ob_shash = -1;
    op->ob_sstate = SSTATE_NOT_INTERNED;
    Py_MEMCPY(op->ob_sval, str, size+1);
    /* share short strings */
    if (size == 0) {
        PyObject *t = (PyObject *)op;
        PyString_InternInPlace(&t);
        op = (PyStringObject *)t;
        nullstring = op;
        Py_INCREF(op);
    } else if (size == 1) {
        PyObject *t = (PyObject *)op;
        PyString_InternInPlace(&t);
        op = (PyStringObject *)t;
        characters[*str & UCHAR_MAX] = op;
        Py_INCREF(op);
    }
    return (PyObject *) op;
}

简单来说，主要是三个逻辑：

判断字符串是否过长，过长，则返回 null 指针
判断是否是空串，空串，则则将引用
分配内存，并将字符串复制到 op->ob_sval 中

在完成创建后，内存布局如上所示

4. 字符缓冲池

我们已经在【Python中的整数对象】中阐述了 Python 对小整数的优化处理，而字符串的intern机制与此类似，其实就是会为长度为1的的字符创建对象池。

    if (size == 1 && (op = characters[*str & UCHAR_MAX]) != NULL) {
#ifdef COUNT_ALLOCS
        one_strings++;
#endif
        Py_INCREF(op);
        return (PyObject *)op;
    }


/* share short strings */
    if (size == 0) {
        PyObject *t = (PyObject *)op;
        PyString_InternInPlace(&t);
        op = (PyStringObject *)t;
        nullstring = op;
        Py_INCREF(op);
    } else if (size == 1) {
        PyObject *t = (PyObject *)op;
        PyString_InternInPlace(&t);
        op = (PyStringObject *)t;
        characters[*str & UCHAR_MAX] = op;
        Py_INCREF(op);
    }

每当创建长度为1的字符串的时候，都会把它存到 characters 里面，这样之后创建长度为1的字符时，如果检测到已经在characters里面了，就直接返回这个缓冲的对象，不用进行malloc，这也就是该缓冲池的作用。

5. 字符串对象的intern机制

在 CPython 中字符串的实现原理使用了一种叫做 Intern（字符串驻留）的技术来提高字符串效率。

先来看一段代码：

a='www.xtuz.net'
b='www.xtuz.net'
print(id(a), id(b))
print(a is b)

可以看到如下输出结果

(4420449312, 4420449312)
True

a 和 b 虽然值是一样的，但确实是两个不同的字符串对象，假设程序中存在大量值相同的字符串，系统就不得不为每个字符串重复地分配内存空间，显然，对系统来说是一种无谓的资源浪费。为了解决这种问题，Python 引入了 intern 机制。

Intern 是 Python 中的一个内建函数，该函数的作用就是对字符串进行 intern 机制处理，处理后返回字符串对象。我们发现但凡是值相同的字符串经过 intern 机制处理之后，返回的都是同一个字符串对象，这种方式在处理大数据的时候无疑能节省更多的内存空间，系统无需为相同的字符串重复分配内存，对于值相同的字符串共用一个对象即可。

Intern 实现机制的方式非常简单，就是通过维护一个字符串储蓄池，这个池子是一个字典结构，如果字符串已经存在于池子中了就不再去创建新的字符串，直接返回之前创建好的字符串对象，如果之前还没有加入到该池子中，则先构造一个字符串对象，并把这个对象加入到池子中去，方便下一次获取。

6. 更多内容

原文来自兔子先生网站：https://www.xtuz.net/detail-139.html

查看原文 >>> Python源码剖析 - Python中的字符串对象

如果你对Python语言感兴趣，可以关注我，或者关注我的微信公众号：xtuz666

posted @ 2020-03-28 18:07 兔子先生wt 阅读(413) 评论(0) 编辑收藏举报

刷新页面返回顶部