Python內建類型bytes深入理解
引言
“深入認識Python內建類型”這部分的內容會從源碼角度為大家介紹Python中各種常用的內建類型。
在我們日常的開發(fā)中，str是很常用的一個內建類型，與之相關的我們比較少接觸的就是bytes，這里先為大家介紹一下bytes相關的知識點，下一篇博客再詳細介紹str的相關內容。
1 bytes和str之間的關系
不少語言中的字符串都是由字符數(shù)組（或稱為字節(jié)序列）來表示的，例如C語言：
char str[] = "Hello World!";
由于一個字節(jié)最多只能表示256種字符，要想覆蓋眾多的字符（例如漢字），就需要通過多個字節(jié)來表示一個字符，即多字節(jié)編碼。但由于原始字節(jié)序列中沒有維護編碼信息，操作不慎就很容易導致各種亂碼現(xiàn)象。
Python提供的解決方法是使用Unicode對象（也就是str對象），Unicode口語表示各種字符，無需關心編碼。但是在存儲或者網(wǎng)絡通訊時，字符串對象需要序列化成字節(jié)序列。為此，Python額外提供了字節(jié)序列對象——bytes。
str和bytes的關系如圖所示：
str對象統(tǒng)一表示一個字符串，不需要關心編碼；計算機通過字節(jié)序列與存儲介質和網(wǎng)絡介質打交道，字節(jié)序列用bytes對象表示；存儲或傳輸str對象時，需要將其序列化成字節(jié)序列，序列化過程也是編碼的過程。
2 bytes對象的結構：PyBytesObject
C源碼：
typedef struct {
PyObject_VAR_HEAD
Py_hash_t ob_shash;
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.
*/
} PyBytesObject;
源碼分析：
字符數(shù)組ob_sval存儲對應的字符，但是ob_sval數(shù)組的長度并不是ob_size，而是ob_size + 1.這是Python為待存儲的字節(jié)序列額外分配了一個字節(jié)，用于在末尾處保存’\0’，以便兼容C字符串。
ob_shash：用于保存字節(jié)序列的哈希值。由于計算bytes對象的哈希值需要遍歷其內部的字符數(shù)組，開銷相對較大。因此Python選擇將哈希值保存起來，以空間換時間（隨處可見的思想，hh），避免重復計算。
圖示如下：
3 bytes對象的行為
3.1 PyBytes_Type
C源碼：
PyTypeObject PyBytes_Type = {
PyVarObject_HEAD_INIT(&PyType_Type, 0)
"bytes",
PyBytesObject_SIZE,
sizeof(char),
// ...
&bytes_as_number, /* tp_as_number */
&bytes_as_sequence, /* tp_as_sequence */
&bytes_as_mapping, /* tp_as_mapping */
(hashfunc)bytes_hash, /* tp_hash */
// ...
};
數(shù)值型操作bytes_as_number：
static PyNumberMethods bytes_as_number = {
0, /*nb_add*/
0, /*nb_subtract*/
0, /*nb_multiply*/
bytes_mod, /*nb_remainder*/
};
bytes_mod：
static PyObject *
bytes_mod(PyObject *self, PyObject *arg)
{
if (!PyBytes_Check(self)) {
Py_RETURN_NOTIMPLEMENTED;
}
return _PyBytes_FormatEx(PyBytes_AS_STRING(self), PyBytes_GET_SIZE(self),
arg, 0);
}
可以看到，bytes對象只是借用%運算符實現(xiàn)字符串格式化，并不是真正意義上的數(shù)值運算（這里其實和最開始的分類標準是有點歧義的，按標準應該再分一個“格式型操作”，不過靈活處理也是必須的）：
>>> b'msg: a = %d, b = %d' % (1, 2) b'msg: a = 1, b = 2'
序列型操作bytes_as_sequence：
static PySequenceMethods bytes_as_sequence = {
(lenfunc)bytes_length, /*sq_length*/
(binaryfunc)bytes_concat, /*sq_concat*/
(ssizeargfunc)bytes_repeat, /*sq_repeat*/
(ssizeargfunc)bytes_item, /*sq_item*/
0, /*sq_slice*/
0, /*sq_ass_item*/
0, /*sq_ass_slice*/
(objobjproc)bytes_contains /*sq_contains*/
};
bytes支持的序列型操作包括以下5個：
- bytes_length：查詢序列長度
- bytes_concat：將兩個序列合并為一個
- bytes_repeat：將序列重復多次
- bytes_item：取出給定下標的序列元素
- bytes_contains：包含關系判斷
關聯(lián)型操作bytes_as_mapping：
static PyMappingMethods bytes_as_mapping = {
(lenfunc)bytes_length,
(binaryfunc)bytes_subscript,
0,
};
可以看到bytes支持獲取長度和切片兩個操作。
3.2 bytes_as_sequence
這里我們主要介紹以下bytes_as_sequence相關的操作
bytes_as_sequence中的操作都不復雜，但是會有一個“陷阱”，這里我們以bytes_concat操作來認識一下這個問題。C源碼如下：
/* This is also used by PyBytes_Concat() */
static PyObject *
bytes_concat(PyObject *a, PyObject *b)
{
Py_buffer va, vb;
PyObject *result = NULL;
va.len = -1;
vb.len = -1;
if (PyObject_GetBuffer(a, &va, PyBUF_SIMPLE) != 0 ||
PyObject_GetBuffer(b, &vb, PyBUF_SIMPLE) != 0) {
PyErr_Format(PyExc_TypeError, "can't concat %.100s to %.100s",
Py_TYPE(b)->tp_name, Py_TYPE(a)->tp_name);
goto done;
}
/* Optimize end cases */
if (va.len == 0 && PyBytes_CheckExact(b)) {
result = b;
Py_INCREF(result);
goto done;
}
if (vb.len == 0 && PyBytes_CheckExact(a)) {
result = a;
Py_INCREF(result);
goto done;
}
if (va.len > PY_SSIZE_T_MAX - vb.len) {
PyErr_NoMemory();
goto done;
}
result = PyBytes_FromStringAndSize(NULL, va.len + vb.len);
if (result != NULL) {
memcpy(PyBytes_AS_STRING(result), va.buf, va.len);
memcpy(PyBytes_AS_STRING(result) + va.len, vb.buf, vb.len);
}
done:
if (va.len != -1)
PyBuffer_Release(&va);
if (vb.len != -1)
PyBuffer_Release(&vb);
return result;
}
bytes_concat源碼大家可自行分析，這里直接以圖示形式來展示，主要是為了說明其中的“陷阱”。
圖示如下：
- Py_buffer提供了一套操作對象緩沖區(qū)的統(tǒng)一接口，屏蔽不同類型對象的內部差異
- bytes_concat則將兩個對象的緩沖區(qū)拷貝到一起，形成新的bytes對象
上述的拷貝過程是比較清晰的，但是這里隱藏著一個問題——數(shù)據(jù)拷貝的陷阱。
以合并3個bytes對象為例：
>>> a = b'abc' >>> b = b'def' >>> c = b'ghi' >>> result = a + b + c >>> result b'abcdefghi'
本質上這個過程會合并兩次
>>> t = a + b >>> result = t + c
在這個過程中，a和b的數(shù)據(jù)都會被拷貝兩遍，圖示如下：
不難推出，合并n個bytes對象，頭兩個對象需要拷貝n - 1次，只有最后一個對象不需要重復拷貝，平均下來每個對象大約要拷貝n/2次。因此，下面的代碼：
>>> result = b''
>>> for b in segments:
result += s
效率是很低的。我們可以使用join()來優(yōu)化：
>>> result = b''.join(segments)
join()方法是bytes對象提供的一個內建方法，可以高效合并多個bytes對象。join方法對數(shù)據(jù)拷貝進行了優(yōu)化：先遍歷待合并對象，計算總長度；然后根據(jù)總長度創(chuàng)建目標對象；最后再遍歷待合并對象，逐一拷貝數(shù)據(jù)。這樣一來，每個對象只需要拷貝一次，解決了重復拷貝的陷阱。（具體源碼大家可以自行去查看）
4 字符緩沖池
和小整數(shù)一樣，字符對象（即單字節(jié)的bytes對象）數(shù)量也很少，只有256個，但使用頻率非常高，因此以空間換時間能明顯提升執(zhí)行效率。字符緩沖池源碼如下：
static PyBytesObject *characters[UCHAR_MAX + 1];
下面我們從創(chuàng)建bytes對象的過程來看一下字符緩沖池的使用：PyBytes_FromStringAndSize()函數(shù)是負責創(chuàng)建bytes對象的通用接口，源碼如下：
PyObject *
PyBytes_FromStringAndSize(const char *str, Py_ssize_t size)
{
PyBytesObject *op;
if (size < 0) {
PyErr_SetString(PyExc_SystemError,
"Negative size passed to PyBytes_FromStringAndSize");
return NULL;
}
if (size == 1 && str != NULL &&
(op = characters[*str & UCHAR_MAX]) != NULL)
{
#ifdef COUNT_ALLOCS
one_strings++;
#endif
Py_INCREF(op);
return (PyObject *)op;
}
op = (PyBytesObject *)_PyBytes_FromSize(size, 0);
if (op == NULL)
return NULL;
if (str == NULL)
return (PyObject *) op;
memcpy(op->ob_sval, str, size);
/* share short strings */
if (size == 1) {
characters[*str & UCHAR_MAX] = op;
Py_INCREF(op);
}
return (PyObject *) op;
}
其中涉及字符緩沖區(qū)維護的關鍵步驟如下：
第10~17行：如果創(chuàng)建的對象為單字節(jié)對象，會先在characters數(shù)組的對應序號判斷是否已經有相應的對象存儲在了緩沖區(qū)中，如果有則直接取出
第28~31行：如果創(chuàng)建的對象為單字節(jié)對象，并且之前已經判斷了不在緩沖區(qū)中，則將其放入字符緩沖池的對應位置
由此可見，當Python程序開始運行時，字符緩沖池是空的。隨著單字節(jié)bytes對象的創(chuàng)建，緩沖池中的對象就慢慢多了起來。當緩沖池已緩存b’1’、b’2’、b’3’、b’a’、b’b’、b’c’這幾個字符時，內部結構如下：
示例：
注：這里大家可能在IDLE和PyCharm中獲得的結果不一致，這個問題在之前的博客中也提到過，查閱資料后得到的結論是：IDLE運行和PyCharm運行的方式不同。這里我將PyCharm代碼對應的代碼對象反編譯的結果展示給大家，但我對IDLE的認識還比較薄弱，以后有機會再給大家詳細補充這個知識（抱拳~）。
這里大家還是先以認識字符緩沖區(qū)這個概念為主，當然字節(jié)碼的相關知識掌握好了也是很有幫助的。以下是PyCharm運行的結果：
以下操作的相關講解可以看這篇博客：Python程序執(zhí)行過程與字節(jié)碼
示例1：
下面我們來看一下反編譯的結果：（下面的文件路徑我省略了，大家自己試驗的時候要輸入正確的路徑）
>>> text = open('D:\\...\\test2.py').read()
>>> result= compile(text,'D:\\...\\test2.py', 'exec')
>>> import dis
>>> dis.dis(result)
1 0 LOAD_CONST 0 (b'a')
2 STORE_NAME 0 (a)
2 4 LOAD_CONST 0 (b'a')
6 STORE_NAME 1 (b)
3 8 LOAD_NAME 2 (print)
10 LOAD_NAME 0 (a)
12 LOAD_NAME 1 (b)
14 IS_OP 0
16 CALL_FUNCTION 1
18 POP_TOP
20 LOAD_CONST 1 (None)
22 RETURN_VALUE
可以很清晰地看到，第5行和第8行的LOAD_CONST指令操作的都是下標為0的常量b’a’，因此此時a和b對應的是同一個對象，我們打印看一下：
>>> result.co_consts[0] b'a'
示例2：
為了確認只會緩存單字節(jié)的bytes對象，我在這里又嘗試了多字節(jié)的bytes對象，同樣還是在PyCharm環(huán)境下嘗試：
結果是比較出乎意料的：多字節(jié)的bytes對象依然是同一個。為了驗證這個想法，我們先來看一下對代碼對象的反編譯結果：
>>> text = open('D:\\...\\test3.py').read()
>>> result= compile(text,'D:\\...\\test3.py', 'exec')
>>> import dis
>>> dis.dis(result)
1 0 LOAD_CONST 0 (b'abc')
2 STORE_NAME 0 (a)
2 4 LOAD_CONST 0 (b'abc')
6 STORE_NAME 1 (b)
3 8 LOAD_NAME 2 (print)
10 LOAD_NAME 0 (a)
12 LOAD_NAME 1 (b)
14 IS_OP 0
16 CALL_FUNCTION 1
18 POP_TOP
20 LOAD_CONST 1 (None)
22 RETURN_VALUE
>>> result.co_consts[0]
b'abc'
可以看到，反編譯的結果和單字節(jié)的bytes對象沒有區(qū)別。。。
（TODO：這里我嘗試去看了PyBytes_FromStringAndSize()中相關的其他調用，但是由于水平有限，沒有找到這個問題的解釋，這個問題先暫時放下，隨著理解源碼更深刻再繼續(xù)解決）
以上就是Python內建類型bytes深入理解的詳細內容，更多關于Python內建類型bytes的資料請關注腳本之家其它相關文章！
相關文章
這篇文章給大家介紹了15個Python字符串格式化技巧,涵蓋了f-string的基本用法、格式化數(shù)字、日期時間、百分比、進制轉換、多行字符串、位置和關鍵字參數(shù)的format()方法等,這些技巧將幫助你編寫更高效、優(yōu)雅且Pythonic的代碼,需要的朋友可以參考下2024-11-11
字符串駐留機制是Python針對字符串對象采取的一種內存優(yōu)化技術。其目標是減少內存使用并提高程序的性能。這篇文章主要介紹了字符串駐留機制的簡單應用，需要的可以參考一下2023-04-04
圖形檢測在計算機視覺開發(fā)中是一項非常重要的操作，算法通過對圖像的檢測，分析出圖像中可能存在哪些形狀。本文詳細介紹了Python+OpenCV如何實現(xiàn)圖形檢測，感興趣的可以了解一下2022-04-04
在本篇文章里小編給大家整理是一篇關于python解決程序無法打開的相關文章內容，需要的朋友們可以學習下。2020-06-06
Dash?是一個用于構建基于?Web?的應用程序的?Python?庫，無需?JavaScript?。本文將利用Dash編寫一個簡單的Web匯率計算器，感興趣的可以了解一下2022-08-08
下面小編就為大家分享一篇Python中py文件引用另一個py文件變量的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-04-04
python hbase讀取數(shù)據(jù)發(fā)送kafka的方法
今天小編就為大家分享一篇python hbase讀取數(shù)據(jù)發(fā)送kafka的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-12-12
這篇文章主要介紹了python與QT聯(lián)合的詳細步驟,文章還展示了如何在Python中調用QT的.ui文件來實現(xiàn)GUI界面,并介紹了多窗口的應用,文中通過代碼介紹的非常詳細,需要的朋友可以參考下2024-12-12
在Python中,urllib庫是一個強大的模塊,用于處理URLs,它包含了多個子模塊,其中urllib.request是用于發(fā)出HTTP請求的核心組件,本文將深入探討urllib的基本使用、高級功能以及一些實際場景的示例,方便更全面地了解這個重要的網(wǎng)絡請求工具2024-01-01
本文主要介紹了Python中的內置函數(shù)locals()的具體用法和應用場景,locals()函數(shù)用于獲取當前局部符號表的字典,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧2024-09-09