英文：
https://arpitbhayani.me/blogs/string-interning

作者：arpit

來(lái)源：豌豆花下貓（Python貓）

聲明：本翻譯是出于交流學(xué)習(xí)的目的，基于 CC BY-NC-SA 4.0 授權(quán)協(xié)議。為便于閱讀，內(nèi)容略有改動(dòng)。

每種編程語(yǔ)言為了表現(xiàn)出色，并且實(shí)現(xiàn)卓越的性能，都需要有大量編譯器級(jí)與解釋器級(jí)的優(yōu)化。

由于字符串是任何編程語(yǔ)言中不可或缺的一個(gè)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體的性能。

在本文中，我們將深入研究 Python 的內(nèi)部實(shí)現(xiàn)，并了解 Python 如何使用一種名為字符串駐留（String Interning）的技術(shù)，實(shí)現(xiàn)解釋器的高性能。 本文的目的不僅在于介紹 Python 的內(nèi)部知識(shí)，而且還旨在使讀者能夠輕松地瀏覽 Python 的源代碼；因此，本文中將有很多出自 CPython 的代碼片段。

全文提綱如下：

1、什么是“字符串駐留”？

字符串駐留是一種編譯器/解釋器的優(yōu)化方法，它通過(guò)緩存一般性的字符串，從而節(jié)省字符串處理任務(wù)的空間和時(shí)間。

這種優(yōu)化方法不會(huì)每次都創(chuàng)建一個(gè)新的字符串副本，而是僅為每個(gè)適當(dāng)?shù)?/span>不可變值保留一個(gè)字符串副本，并使用指針引用之。

每個(gè)字符串的唯一拷貝被稱為它的intern，并因此而得名 String Interning。

Python貓注：String Interning 一般被譯為“字符串駐留”或“字符串留用”，在某些語(yǔ)言中可能習(xí)慣用 String Pool（字符串常量池）的概念，其實(shí)是對(duì)同一種機(jī)制的不同表述。intern 作為名詞時(shí)，是“實(shí)習(xí)生、實(shí)習(xí)醫(yī)生”的意思，在此可以理解成“駐留物、駐留值”。

查找字符串 intern 的方法可能作為公開(kāi)接口公開(kāi)，也可能不公開(kāi)。現(xiàn)代編程語(yǔ)言如 Java、Python、PHP、Ruby、Julia 等等，都支持字符串駐留，以使其編譯器和解釋器做到高性能。

2、為什么要駐留字符串？

字符串駐留提升了字符串比較的速度。 如果沒(méi)有駐留，當(dāng)我們要比較兩個(gè)字符串是否相等時(shí)，它的時(shí)間復(fù)雜度將上升到 O(n)，即需要檢查兩個(gè)字符串中的每個(gè)字符，才能判斷出它們是否相等。

但是，如果字符串是固定的，由于相同的字符串將使用同一個(gè)對(duì)象引用，因此只需檢查指針是否相同，就足以判斷出兩個(gè)字符串是否相等，不必再逐一檢查每個(gè)字符。由于這是一個(gè)非常普遍的操作，因此，它被典型地實(shí)現(xiàn)為指針相等性校驗(yàn)，僅使用一條完全沒(méi)有內(nèi)存引用的機(jī)器指令。

字符串駐留減少了內(nèi)存占用。 Python 避免內(nèi)存中充斥多余的字符串對(duì)象，通過(guò)享元設(shè)計(jì)模式共享和重用已經(jīng)定義的對(duì)象，從而優(yōu)化內(nèi)存占用。

3、Python的字符串駐留

像大多數(shù)其它現(xiàn)代編程語(yǔ)言一樣，Python 也使用字符串駐留來(lái)提高性能。在 Python 中，我們可以使用is運(yùn)算符，檢查兩個(gè)對(duì)象是否引用了同一個(gè)內(nèi)存對(duì)象。

因此，如果兩個(gè)字符串對(duì)象引用了相同的內(nèi)存對(duì)象，則is運(yùn)算符將得出True，否則為False。

>>> 'python' is 'python' True 

我們可以使用這個(gè)特定的運(yùn)算符，來(lái)判斷哪些字符串是被駐留的。在 CPython 的，字符串駐留是通過(guò)以下函數(shù)實(shí)現(xiàn)的，聲明在 unicodeobject.h 中，定義在 unicodeobject.c 中。

PyAPI_FUNC(void) PyUnicode_InternInPlace(PyObject **);

為了檢查一個(gè)字符串是否被駐留，CPython 實(shí)現(xiàn)了一個(gè)名為PyUnicode_CHECK_INTERNED的宏，同樣是定義在 unicodeobject.h 中。

這個(gè)宏表明了 Python 在PyASCIIObject結(jié)構(gòu)中維護(hù)著一個(gè)名為interned的成員變量，它的值表示相應(yīng)的字符串是否被駐留。

#define PyUnicode_CHECK_INTERNED(op)      (((PyASCIIObject *)(op))->state.interned)

4、字符串駐留的原理

在 CPython 中，字符串的引用被一個(gè)名為interned的 Python 字典所存儲(chǔ)、訪問(wèn)和管理。 該字典在第一次調(diào)用字符串駐留時(shí)，被延遲地初始化，并持有全部已駐留字符串對(duì)象的引用。

4.1 如何駐留字符串？

負(fù)責(zé)駐留字符串的核心函數(shù)是PyUnicode_InternInPlace，它定義在 unicodeobject.c 中，當(dāng)調(diào)用時(shí)，它會(huì)創(chuàng)建一個(gè)準(zhǔn)備容納所有駐留的字符串的字典interned，然后登記入?yún)⒅械膶?duì)象，令其鍵和值都使用相同的對(duì)象引用。

以下函數(shù)片段顯示了 Python 實(shí)現(xiàn)字符串駐留的過(guò)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 如何清理駐留的字符串？

清理函數(shù)從interned字典中遍歷所有的字符串，調(diào)整這些對(duì)象的引用計(jì)數(shù)，并把它們標(biāo)記為NOT_INTERNED，使其被垃圾回收。一旦所有的字符串都被標(biāo)記為NOT_INTERNED，則interned字典會(huì)被清空并刪除。

這個(gè)清理函數(shù)就是_PyUnicode_ClearInterned，在 unicodeobject.c 中定義。

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:
            /* fall through */         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、字符串駐留的實(shí)現(xiàn)

既然了解了字符串駐留及清理的內(nèi)部原理，我們就可以找出 Python 中所有會(huì)被駐留的字符串。

為了做到這點(diǎn)，我們要做的就是在 CPython 源代碼中查找PyUnicode_InternInPlace 函數(shù)的調(diào)用，并查看其附近的代碼。下面是在 Python 中關(guān)于字符串駐留的一些有趣的發(fā)現(xiàn)。

5.1 變量、常量與函數(shù)名

CPython 對(duì)常量（例如函數(shù)名、變量名、字符串字面量等）執(zhí)行字符串駐留。

以下代碼出自codeobject.c，它表明在創(chuàng)建新的PyCode對(duì)象時(shí)，解釋器將對(duì)所有編譯期的常量、名稱和字面量進(jìn)行駐留。

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 字典的鍵

CPython 還會(huì)駐留任何字典對(duì)象的字符串鍵。

當(dāng)在字典中插入元素時(shí)，解釋器會(huì)對(duì)該元素的鍵作字符串駐留。以下代碼出自 dictobject.c，展示了實(shí)際的行為。

有趣的地方：在PyUnicode_InternInPlace函數(shù)被調(diào)用處有一條注釋，它問(wèn)道，我們是否真的需要對(duì)所有字典中的全部鍵進(jìn)行駐留？

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); /* XXX Should we really? */     err = PyDict_SetItem(v, kv, item);
    Py_DECREF(kv);
    return err;
}

5.3 任何對(duì)象的屬性

Python 中對(duì)象的屬性可以通過(guò)setattr函數(shù)顯式地設(shè)置，也可以作為類成員的一部分而隱式地設(shè)置，或者在其數(shù)據(jù)類型中預(yù)定義。

CPython 會(huì)駐留所有這些屬性名，以便實(shí)現(xiàn)快速查找。 以下是函數(shù)PyObject_SetAttr的代碼片段，該函數(shù)定義在文件object.c中，負(fù)責(zé)為 Python 對(duì)象設(shè)置新屬性。

int PyObject_SetAttr(PyObject *v, PyObject *name, PyObject *value) {

    ........

    PyUnicode_InternInPlace(&name);

    ........
}

5.4 顯式地駐留

Python 還支持通過(guò)sys模塊中的intern函數(shù)進(jìn)行顯式地字符串駐留。

當(dāng)使用任何字符串對(duì)象調(diào)用此函數(shù)時(shí)，該字符串對(duì)象將被駐留。以下是 sysmodule.c 文件的代碼片段，它展示了在sys_intern_impl函數(shù)中的字符串駐留過(guò)程。

static PyObject * sys_intern_impl(PyObject *module, PyObject *s) {

    ........

    if (PyUnicode_CheckExact(s)) {
        Py_INCREF(s);
        PyUnicode_InternInPlace(&s);
        return s;
    }

    ........
}

6、字符串駐留的其它發(fā)現(xiàn)

只有編譯期的字符串會(huì)被駐留。 在解釋時(shí)或編譯時(shí)指定的字符串會(huì)被駐留，而動(dòng)態(tài)創(chuàng)建的字符串則不會(huì)。

Python貓注：這一條規(guī)則值得展開(kāi)思考，我曾經(jīng)在上面踩過(guò)坑……有兩個(gè)知識(shí)點(diǎn)，我相信 99% 的人都不知道：字符串的 join() 方法是動(dòng)態(tài)創(chuàng)建字符串，因此其創(chuàng)建的字符串不會(huì)被駐留；常量折疊機(jī)制也發(fā)生在編譯期，因此有時(shí)候容易把它跟字符串駐留搞混淆。

包含 ASCII 字符和下劃線的字符串會(huì)被駐留。 在編譯期間，當(dāng)對(duì)字符串字面量進(jìn)行駐留時(shí)，CPython 確保僅對(duì)匹配正則表達(dá)式[a-zA-Z0-9_]*的常量進(jìn)行駐留，因?yàn)樗鼈兎浅ＹN近于 Python 的標(biāo)識(shí)符。

Python貓注：關(guān)于 Python 中標(biāo)識(shí)符的命名規(guī)則，在 Python2 版本只有“字母、數(shù)字和下劃線”，但在 Python 3.x 版本中，已經(jīng)支持 Unicode 編碼。