Python 存儲字符串時節省空間的方法

從 Python 3 開始，str 類型代表著 Unicode 字符串。取決于編碼的類型，一個 Unicode 字符可能會占 4 個字節，這個有些時候有點浪費內存。

出于內存占用以及性能方面的考慮，Python 內部采用下面 3 種方式來存儲 Unicode 字符：

• 一個字符占一個字節（Latin-1 編碼）
• 一個字符占二個字節（UCS-2 編碼）
• 一個字符占四個字節（UCS-4 編碼）

使用 Python 進行開發的時候，我們會覺得字符串的處理都很類似，很多時候根本不需要注意這些差別。可是，當碰到大量的字符處理的時候，這些細節就要特別注意了。

我們可以做一些小實驗來體會下上面三種方式的差別。方法 sys.getsizeof 用來獲取一個對象所占用的字節，這里我們會用到。

>>> import sys
>>> string = 'hello'
>>> sys.getsizeof(string)
54
>>> # 1-byte encoding
... sys.getsizeof(string + '!') - sys.getsizeof(string)
1
>>> # 2-byte encoding
... string2 = '你'
>>> sys.getsizeof(string2 + '好') - sys.getsizeof(string2)
2
>>> sys.getsizeof(string2)
76
>>> # 4-byte encoding
... string3 = ':snake:'
>>> sys.getsizeof(string3 + ':computer:') - sys.getsizeof(string3)
4
>>> sys.getsizeof(string3)
80

如上所示，當字符串的內容不同時，所采用的編碼也會不同。需要注意的是，Python 中每個字符串都會另外占用 49-80 字節的空間，用于存儲額外的一些信息，比如哈希、字符串長度、字符串字節數和字符串標識。這么一來，一個空字符串會占用 49 個字節，也就好理解了。

我們可以通過 cbytes 直接獲取一個對象的編碼類型：

import ctypes
class PyUnicodeObject(ctypes.Structure):
 # internal fields of the string object
 _fields_ = [("ob_refcnt", ctypes.c_long),
    ("ob_type", ctypes.c_void_p),
    ("length", ctypes.c_ssize_t),
    ("hash", ctypes.c_ssize_t),
    ("interned", ctypes.c_uint, 2),
    ("kind", ctypes.c_uint, 3),
    ("compact", ctypes.c_uint, 1),
    ("ascii", ctypes.c_uint, 1),
    ("ready", ctypes.c_uint, 1),
    # ...
    # ...
    ]
def get_string_kind(string):
 return PyUnicodeObject.from_address(id(string)).kind

然后測試

>>> get_string_kind('Hello')
1
>>> get_string_kind('你好')
2
>>> get_string_kind(':snake:')
4

如果一個字符串中的所有字符都能用 ASCII 表示，那么 Python 會使用 Latin-1 編碼。簡單說下，Latin-1 用于表示前 256 個 Unicode 字符。它能支持很多拉丁語言，比如英語、瑞典語、意大利語等。不過，如果是漢語、日語、西伯爾語等非拉丁語言，Latin-1 編碼就行不通了。因為這些語言的文字的碼位值（編碼值）超過了 1 個字節的范圍（0-255）。

>>> ord('a')
97
>>> ord('你')
20320
>>> ord('!')
33

大部分語言文字使用 2 個字節（UCS-2）來編碼就已經足夠了。4 個字節（UCS-4）的編碼在保存特殊符號、emoji 表情或者少見的語言文字的時候會用到。

設想有一個 10GB 的 ASCII 文本文件，我們準備將其讀到內存里面去。如果你插入一個 emoji 表情到文件中，文件占用空間將會達到 4 倍。如果你處理 NLP 問題較多的話，這種差別你應該能經常體會到。

Python 內部為什么不直接使用 UTF-8 編碼

最常見的 Unicode 編碼是 UTF-8，但是 Python 內部并沒有使用它。

UTF-8 編碼字符的時候，取決于字符的內容，占的空間在 1-4 個字節內發生變化。這是一種特別省空間的存儲方式，但正因為這種變長的存儲方式，導致字符串不能通過下標直接進行隨機讀取，只能遍歷進行查找。比如，如果采用的是 UTF-8 編碼的話，Python 獲取 string[5] 只能一個一個字符的進行掃描，直至找到目標字符。如果是定長編碼的話也就沒有問題了，要用一個下標定位一個字符，只需要用下標乘以指定長度（1、2 或者 4）就能確定。

字符串駐留

Python 中的空字符串和 ASCII 字符都會使用到字符串駐留（string interning）技術。怎么理解？你就把這些字符（串）看作是單例的就行。也就是說，兩個相同內容的字符串如果使用了駐留的技術，那么內存里面其實就只開辟了一個空間。

>>> a = 'hello'
>>> b = 'world'
>>> a[4],b[1]
('o', 'o')
>>> id(a[4]), id(b[1]), a[4] is b[1]
(4567926352, 4567926352, True)
>>> id('')
4545673904
>>> id('')
4545673904

正如你看到的那樣，a 中的字符 o 和 b 中的字符 o 有著同樣的內存地址。Python 中的字符串是不可修改的，所以提前為某些字符分配好位置便于后面使用也是可行的。

使用到字符串駐留的除了 ASCII 字符、空竄之外，字符長度不超過 20 的串也使用到了同樣的技術，前提是這些串的內容在編譯的時候就能確定。

這包括：

• 方法名、類型
• 變量名
• 參數名
• 常量（代碼中定義的字符串）
• 字典的鍵
• 屬性名
  

當你在交互式命令行中編寫代碼的時候，語句同樣也會先被編譯成字節碼。所以說，交互式命令行中的短字符串也會被駐留。

>>> a = 'teststring'
>>> b = 'teststring'
>>> id(a), id(b), a is b
(4569487216, 4569487216, True)
>>> a = 'test'*5
>>> b = 'test'*5
>>> len(a), id(a), id(b), a is b
(20, 4569499232, 4569499232, True)
>>> a = 'test'*6
>>> b = 'test'*6
>>> len(a), id(a), id(b), a is b
(24, 4569479328, 4569479168, False)

因為必須是常量字符串會使用到駐留，所以下面的例子不能達到駐留的效果：

>>> open('test.txt','w').write('hello')
5
>>> open('test.txt','r').read()
'hello'
>>> a = open('test.txt','r').read()
>>> b = open('test.txt','r').read()
>>> id(a), id(b), a is b
(4384934576, 4384934688, False)
>>> len(a), id(a), id(b), a is b
(5, 4384934576, 4384934688, False)

字符串駐留技術，減少了大量的重復字符串的內存分配。Python 底層通過字典實現的這種技術，這些暫存的字符串作為字典的鍵。如果想要知道某個字符串是否已經駐留，使用字典的查找操作就能確定。

Python 的 unicode 對象的實現（ https://github.com/python/cpython/blob/master/Objects/unicodeobject.c ）大約有 16,000 行 C 代碼，其中有很多小優化在本文中未提及。如果你想更多的了解 Python 中的 Unicode，推薦你去看一下字符串相關的 PEPs（ https://www.python.org/dev/peps/ ），同時查看下 unicode 對象的源碼。

總結

以上所述是小編給大家介紹的Python 存儲字符串時節省空間的方法,希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持！
如果你覺得本文對你有幫助，歡迎轉載，煩請注明出處，謝謝！