每种编程语言为了表现出色,并且实现卓越的性能,都需要有大量编译器级与解释器级的优化。
由于字符串是任何编程语言中不可或缺的一个部分,因此,如果有快速操作字符串的能力,就可以迅速地提高整体的性能。
在本文中,我们将深入研究 Python 的内部实现,并了解 Python 如何使用一种名为字符串驻留(String Interning)的技术,实现解释器的高性能。 本文的目的不仅在于介绍 Python 的内部知识,而且还旨在使读者能够轻松地浏览 Python 的源代码;因此,本文中将有很多出自 CPython 的代码片段。
全文提纲如下:
(在 Python猫 公众号回复数字“0215”,下载思维导图)
1、什么是“字符串驻留”?
字符串驻留是一种编译器/解释器的优化方法,它通过缓存一般性的字符串,从而节省字符串处理任务的空间和时间。
这种优化方法不会每次都创建一个新的字符串副本,而是仅为每个适当的不可变值保留一个字符串副本,并使用指针引用之。
每个字符串的唯一拷贝被称为它的intern,并因此而得名 String Interning。
Python猫注:String Interning 一般被译为“字符串驻留”或“字符串留用”,在某些语言中可能习惯用 String Pool(字符串常量池)的概念,其实是对同一种机制的不同表述。intern 作为名词时,是“实习生、实习医生”的意思,在此可以理解成“驻留物、驻留值”。
查找字符串 intern 的方法可能作为公开接口公开,也可能不公开。现代编程语言如 Java、Python、PHP、Ruby、Julia 等等,都支持字符串驻留,以使其编译器和解释器做到高性能。
2、为什么要驻留字符串?
字符串驻留提升了字符串比较的速度。 如果没有驻留,当我们要比较两个字符串是否相等时,它的时间复杂度将上升到 O(n),即需要检查两个字符串中的每个字符,才能判断出它们是否相等。
但是,如果字符串是固定的,由于相同的字符串将使用同一个对象引用,因此只需检查指针是否相同,就足以判断出两个字符串是否相等,不必再逐一检查每个字符。由于这是一个非常普遍的操作,因此,它被典型地实现为指针相等性校验,仅使用一条完全没有内存引用的机器指令。
字符串驻留减少了内存占用。 Python 避免内存中充斥多余的字符串对象,通过享元设计模式共享和重用已经定义的对象,从而优化内存占用。
3、Python的字符串驻留
像大多数其它现代编程语言一样,Python 也使用字符串驻留来提高性能。在 Python 中,我们可以使用is运算符,检查两个对象是否引用了同一个内存对象。
因此,如果两个字符串对象引用了相同的内存对象,则is运算符将得出True,否则为False。
- >>> 'python' is 'python'
- True
我们可以使用这个特定的运算符,来判断哪些字符串是被驻留的。在 CPython 的,字符串驻留是通过以下函数实现的,声明在 unicodeobject.h 中,定义在 unicodeobject.c 中。
- PyAPI_FUNC(void) PyUnicode_InternInPlace(PyObject **);
为了检查一个字符串是否被驻留,CPython 实现了一个名为PyUnicode_CHECK_INTERNED的宏,同样是定义在 unicodeobject.h 中。
这个宏表明了 Python 在PyASCIIObject结构中维护着一个名为interned的成员变量,它的值表示相应的字符串是否被驻留。
- #define PyUnicode_CHECK_INTERNED(op) \
- (((PyASCIIObject *)(op))->state.interned)
4、字符串驻留的原理
在 CPython 中,字符串的引用被一个名为interned的 Python 字典所存储、访问和管理。 该字典在第一次调用字符串驻留时,被延迟地初始化,并持有全部已驻留字符串对象的引用。
4.1 如何驻留字符串?
负责驻留字符串的核心函数是PyUnicode_InternInPlace,它定义在 unicodeobject.c 中,当调用时,它会创建一个准备容纳所有驻留的字符串的字典interned,然后登记入参中的对象,令其键和值都使用相同的对象引用。
以下函数片段显示了 Python 实现字符串驻留的过程。
- void
- PyUnicode_InternInPlace(PyObject **p)
- {
- PyObject *s = *p;
-
- .........
-
- // Lazily build the dictionary to hold interned Strings
- if (interned == NULL) {
- interned = PyDict_New();
- if (interned == NULL) {
- PyErr_Clear();
- return;
- }
- }
-
- PyObject *t;
-
- // Make an entry to the interned dictionary for the
- // given object
- t = PyDict_SetDefault(interned, s, s);
-
- .........
-
- // The two references in interned dict (key and value) are
- // not counted by refcnt.
- // unicode_dealloc() and _PyUnicode_ClearInterned() take
- // care of this.
- Py_SET_REFCNT(s, Py_REFCNT(s) - 2);
-
- // Set the state of the string to be INTERNED
- _PyUnicode_STATE(s).interned = SSTATE_INTERNED_MORTAL;
- }
4.2 如何清理驻留的字符串?
清理函数从interned字典中遍历所有的字符串,调整这些对象的引用计数,并把它们标记为NOT_INTERNED,使其被垃圾回收。一旦所有的字符串都被标记为NOT_INTERNED,则interned字典会被清空并删除。
这个清理函数就是_PyUnicode_ClearInterned,在 unicodeobject.c 中定义。
- void
- _PyUnicode_ClearInterned(PyThreadState *tstate)
- {
- .........
-
- // Get all the keys to the interned dictionary
- PyObject *keys = PyDict_Keys(interned);
-
- .........
-
- // Interned Unicode strings are not forcibly deallocated;
- // rather, we give them their stolen references back
- // and then clear and DECREF the interned dict.
-
- for (Py_ssize_t i = 0; i < n; i++) {
- PyObject *s = PyList_GET_ITEM(keys, i);
-
- .........
-
- switch (PyUnicode_CHECK_INTERNED(s)) {
- case SSTATE_INTERNED_IMMORTAL:
- Py_SET_REFCNT(s, Py_REFCNT(s) + 1);
- break;
- case SSTATE_INTERNED_MORTAL:
- // Restore the two references (key and value) ignored
- // by PyUnicode_InternInPlace().
- Py_SET_REFCNT(s, Py_REFCNT(s) + 2);
- break;
- case SSTATE_NOT_INTERNED:
-
- default:
- Py_UNREACHABLE();
- }
-
- // marking the string to be NOT_INTERNED
- _PyUnicode_STATE(s).interned = SSTATE_NOT_INTERNED;
- }
-
- // decreasing the reference to the initialized and
- // access keys object.
- Py_DECREF(keys);
-
- // clearing the dictionary
- PyDict_Clear(interned);
-
- // clearing the object interned
- Py_CLEAR(interned);
- }
5、字符串驻留的实现
既然了解了字符串驻留及清理的内部原理,我们就可以找出 Python 中所有会被驻留的字符串。
为了做到这点,我们要做的就是在 CPython 源代码中查找PyUnicode_InternInPlace 函数的调用,并查看其附近的代码。下面是在 Python 中关于字符串驻留的一些有趣的发现。
5.1 变量、常量与函数名
CPython 对常量(例如函数名、变量名、字符串字面量等)执行字符串驻留。
以下代码出自codeobject.c,它表明在创建新的PyCode对象时,解释器将对所有编译期的常量、名称和字面量进行驻留。
- PyCodeObject *
- PyCode_NewWithPosOnlyArgs(int argcount, int posonlyargcount, int kwonlyargcount,
- int nlocals, int stacksize, int flags,
- PyObject *code, PyObject *consts, PyObject *names,
- PyObject *varnames, PyObject *freevars, PyObject *cellvars,
- PyObject *filename, PyObject *name, int firstlineno,
- PyObject *linetable)
- {
-
- ........
-
- if (intern_strings(names) < 0) {
- return NULL;
- }
-
- if (intern_strings(varnames) < 0) {
- return NULL;
- }
-
- if (intern_strings(freevars) < 0) {
- return NULL;
- }
-
- if (intern_strings(cellvars) < 0) {
- return NULL;
- }
-
- if (intern_string_constants(consts, NULL) < 0) {
- return NULL;
- }
-
- ........
-
- }
5.2 字典的键
CPython 还会驻留任何字典对象的字符串键。
当在字典中插入元素时,解释器会对该元素的键作字符串驻留。以下代码出自 dictobject.c,展示了实际的行为。
有趣的地方:在PyUnicode_InternInPlace函数被调用处有一条注释,它问道,我们是否真的需要对所有字典中的全部键进行驻留?
- int
- PyDict_SetItemString(PyObject *v, const char *key, PyObject *item)
- {
- PyObject *kv;
- int err;
- kv = PyUnicode_FromString(key);
- if (kv == NULL)
- return -1;
-
- // Invoking String Interning on the key
- PyUnicode_InternInPlace(&kv);
-
- err = PyDict_SetItem(v, kv, item);
- Py_DECREF(kv);
- return err;
- }
5.3 任何对象的属性
Python 中对象的属性可以通过setattr函数显式地设置,也可以作为类成员的一部分而隐式地设置,或者在其数据类型中预定义。
CPython 会驻留所有这些属性名,以便实现快速查找。 以下是函数PyObject_SetAttr的代码片段,该函数定义在文件object.c中,负责为 Python 对象设置新属性。
- int
- PyObject_SetAttr(PyObject *v, PyObject *name, PyObject *value)
- {
-
- ........
-
- PyUnicode_InternInPlace(&name);
-
- ........
- }
5.4 显式地驻留
Python 还支持通过sys模块中的intern函数进行显式地字符串驻留。
当使用任何字符串对象调用此函数时,该字符串对象将被驻留。以下是 sysmodule.c 文件的代码片段,它展示了在sys_intern_impl函数中的字符串驻留过程。
- static PyObject *
- sys_intern_impl(PyObject *module, PyObject *s)
- {
-
- ........
-
- if (PyUnicode_CheckExact(s)) {
- Py_INCREF(s);
- PyUnicode_InternInPlace(&s);
- return s;
- }
-
- ........
- }
6、字符串驻留的其它发现
只有编译期的字符串会被驻留。 在解释时或编译时指定的字符串会被驻留,而动态创建的字符串则不会。
Python猫注:这一条规则值得展开思考,我曾经在上面踩过坑……有两个知识点,我相信 99% 的人都不知道:字符串的 join() 方法是动态创建字符串,因此其创建的字符串不会被驻留;常量折叠机制也发生在编译期,因此有时候容易把它跟字符串驻留搞混淆。
包含 ASCII 字符和下划线的字符串会被驻留。 在编译期间,当对字符串字面量进行驻留时,CPython 确保仅对匹配正则表达式[a-zA-Z0-9_]*的常量进行驻留,因为它们非常贴近于 Python 的标识符。
Python猫注:关于 Python 中标识符的命名规则,在 Python2 版本只有“字母、数字和下划线”,但在 Python 3.x 版本中,已经支持 Unicode 编码。
参考材料字符串驻留(https://en.wikipedia.org/wiki/String_interning)
CPython优化(https://stummjr.org/post/cpython-optimizations/)
Python对象第三部分:字符串驻留(https://medium.com/@bdov_/https-medium-com-bdov-python-objects-part-iii-string-interning-625d3c7319de)
Python字符串驻留的内部原理(http://guilload.com/python-string-interning/)
Python优化机制:常量折叠(https://mp.weixin.qq.com/s/p1Zb_linFLWwPlNyA5Ui1Q)
join()方法的神奇用处与Intern机制的软肋(https://mp.weixin.qq.com/s/M2uHVqaHe_nyO5jT60V_6Q)
英文:https://arpitbhayani.me/blogs/string-interning
作者:arpit
译者:豌豆花下猫(“Python猫”公众号作者)
声明:本翻译是出于交流学习的目的,基于 CC BY-NC-SA 4.0 授权协议。为便于阅读,内容略有改动。
本文转载自微信公众号「Python猫」,可以通过以下二维码关注。转载本文请联系Python猫公众号。