欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python源码剖析 - Python中的字符串对象

程序员文章站 2022-06-15 13:17:59
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 ,创建后还能添加、删除元素 变长不可变对象 例如 ,`T ......

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 stringtuple, 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:

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

Python源码剖析 - Python中的字符串对象

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:

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