从 python 3 开始，str 类型代表着 unicode 字符串。取决于编码的类型，一个 unicode 字符可能会占 4 个字节，这个有些时候有点浪费内存。
出于内存占用以及性能方面的考虑，python 内部采用下面 3 种方式来存储 unicode 字符：
- 一个字符占一个字节（latin-1 编码）
- 一个字符占二个字节（ucs-2 编码）
- 一个字符占四个字节（ucs-4 编码）
使用 python 进行开发的时候，我们会觉得字符串的处理都很类似，很多时候根本不需要注意这些差别。可是，当碰到大量的字符处理的时候，这些细节就要特别注意了。
我们可以做一些小实验来体会下上面三种方式的差别。方法 sys.getsizeof 用来获取一个对象所占用的字节，这里我们会用到。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
>>> 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，当字符串的内容不同时，所采用的编码也会不同。需要注意的是，python 中每个字符串都会另外占用 49-80 字节的空间，用于存储额外的一些信息，比如哈希、字符串长度、字符串字节数和字符串标识。这么一来，一个空字符串会占用 49 个字节，也就好理解了。
我们可以通过 cbytes 直接获取一个对象的编码类型：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
import ctypesclass 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 |
然后测试
|
1
2
3
4
5
6
|
>>> get_string_kind('hello')1>>> get_string_kind('你好')2>>> get_string_kind(':snake:')4 |
如果一个字符串中的所有字符都能用 ascii 表示，那么 python 会使用 latin-1 编码。简单说下，latin-1 用于表示前 256 个 unicode 字符。它能支持很多拉丁语言，比如英语、瑞典语、意大利语等。不过，如果是汉语、日语、西伯尔语等非拉丁语言，latin-1 编码就行不通了。因为这些语言的文字的码位值（编码值）超过了 1 个字节的范围（0-255）。
|
1
2
3
4
5
6
|
>>> ord('a')97>>> ord('你')20320>>> ord('!')33 |
大部分语言文字使用 2 个字节（ucs-2）来编码就已经足够了。4 个字节（ucs-4）的编码在保存特殊符号、emoji 表情或者少见的语言文字的时候会用到。
设想有一个 10gb 的 ascii 文本文件，我们准备将其读到内存里面去。如果你插入一个 emoji 表情到文件中，文件占用空间将会达到 4 倍。如果你处理 nlp 问题较多的话，这种差别你应该能经常体会到。
python 内部为什么不直接使用 utf-8 编码
最常见的 unicode 编码是 utf-8，但是 python 内部并没有使用它。
utf-8 编码字符的时候，取决于字符的内容，占的空间在 1-4 个字节内发生变化。这是一种特别省空间的存储方式，但正因为这种变长的存储方式，导致字符串不能通过下标直接进行随机读取，只能遍历进行查找。比如，如果采用的是 utf-8 编码的话，python 获取 string[5] 只能一个一个字符的进行扫描，直至找到目标字符。如果是定长编码的话也就没有问题了，要用一个下标定位一个字符，只需要用下标乘以指定长度（1、2 或者 4）就能确定。
字符串驻留
python 中的空字符串和 ascii 字符都会使用到字符串驻留（string interning）技术。怎么理解？你就把这些字符（串）看作是单例的就行。也就是说，两个相同内容的字符串如果使用了驻留的技术，那么内存里面其实就只开辟了一个空间。
|
1
2
3
4
5
6
7
8
9
10
|
>>> 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 |
正如你看到的那样，a 中的字符 o 和 b 中的字符 o 有着同样的内存地址。python 中的字符串是不可修改的，所以提前为某些字符分配好位置便于后面使用也是可行的。
使用到字符串驻留的除了 ascii 字符、空窜之外，字符长度不超过 20 的串也使用到了同样的技术，前提是这些串的内容在编译的时候就能确定。
这包括：
- 方法名、类型
- 变量名
- 参数名
- 常量（代码中定义的字符串）
- 字典的键
- 属性名
当你在交互式命令行中编写代码的时候，语句同样也会先被编译成字节码。所以说，交互式命令行中的短字符串也会被驻留。
|
1
2
3
4
5
6
7
8
9
10
11
12
|
>>> 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) |
因为必须是常量字符串会使用到驻留，所以下面的例子不能达到驻留的效果：
|
1
2
3
4
5
6
7
8
9
10
|
>>> 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) |
字符串驻留技术，减少了大量的重复字符串的内存分配。python 底层通过字典实现的这种技术，这些暂存的字符串作为字典的键。如果想要知道某个字符串是否已经驻留，使用字典的查找操作就能确定。
python 的 unicode 对象的实现（ https://github.com/python/cpython/blob/master/objects/unicodeobject.c ）大约有 16,000 行 c 代码，其中有很多小优化在本文中未提及。如果你想更多的了解 python 中的 unicode，推荐你去看一下字符串相关的 peps（https://www.python.org/dev/peps/ ），同时查看下 unicode 对象的源码。
总结
以上所述是小编给大家介绍的python 存储字符串时节省空间的方法,希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！原文链接：https://juejin.im/post/5cbcf233e51d456e7349dc28
