從 Python 3 開始，str 類型代表著 Unicode 字符串。取決於編碼的類型，一個 Unicode 字符可能會佔 4 個字節，這個有些時候有點浪費內存。
出於內存佔用以及性能方面的考慮，Python 內部採用下面 3 種方式來存儲 Unicode 字符：
- 一個字符佔一個字節（Latin-1 編碼）
- 一個字符佔二個字節（UCS-2 編碼）
- 一個字符佔四個字節（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佔用的字節，這裡我們會用到。
>>> 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 = ''
>>> sys.getsizeof(string3 + '') - sys.getsizeof(string3)
4
>>> sys.getsizeof(string3)
80
如上所示，當字符串的內容不同時，所採用的編碼也會不同。需要注意的是，Python 中每個字符串都會另外佔用 49-80 字節的空間，用於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。這麼一來，一個空字符串會佔用 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
然後測試
>>> get_string_kind('Hello')
1
>>> get_string_kind('你好')
2
>>> get_string_kind('')
4
如果一個字符串中的所有字符都能用 ASCII 表示，那麼 Python 會使用 Latin-1 編碼。簡單說下，Latin-1 用於表示前 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 個字節的範圍（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裡面去。如果你插入一個 emoji 表情到文件中，文件佔用空間將會達到 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 內部為什麼不直接使用 UTF-8 編碼
最常見的 Unicode 編碼是 UTF-8，但是 Python 內部並沒有使用它。
UTF-8 編碼字符的時候，取決於字符的內容，佔的空間在 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，如果採用的是 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。怎麼理解？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，那麼內存裡面其實就只開闢了一個空間。
>>> 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於後面使用也是可行的。
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，減少了大量的重複字符串的內存分配。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。
如果你對Python編程感興趣，那麼記得私信小編“007”領取全套Python資料哦。
閱讀更多 菜鳥帶你學編程 的文章
