详解Python字符串对象的实现

PyStringObject 结构体

Python 中的字符串对象在内部对应一个名叫 PyStringObject 的结构体。"ob_shash" 对应字符串经计算过的 hash值， "ob_sval" 指向一段长度为 "ob_size" 的字符串，且该字符串以'null'结尾（为了兼容C）。"ob_sval"的初始大小为1个字节，且 ob_sval[0]=0（对应空字符串）。若你还想知道"ob_size"被定义的位置，可以看一看 object.h 头文件中 PyObject_VAR_HEAD 对应部分。"ob_sstate" 用来指示某个字符串是否已经存在于intern机制对应的字典中，后面我们会再次提到这一点。

    typedef struct {
      PyObject_VAR_HEAD
      long ob_shash;
      int ob_sstate;
      char ob_sval[1];
    } PyStringObject;

字符串对象的创建

如下所示，当将一个新的字符串赋给一个变量时，发生了什么？

1>>> s1 = 'abc'
运行以上代码时，内部的 C 函数 "PyString_FromString" 将被调用并生成类似下面的伪代码：

    arguments: string object: 'abc'
    returns: Python string object with ob_sval = 'abc'
    PyString_FromString(string):
      size = length of string
      allocate string object + size for 'abc'. ob_sval will be of size: size + 1
      copy string to ob_sval
      return object

每次用到新的字符串时，都将分配一个字符串对象。

共享字符串对象

Python 有一个优雅的特性，就是变量之间的短字符串是共享的，这一特性可以节省所需的内存空间。短字符串就是那些长度为 0 个或者 1 个字节的字符串。而全局变量 "interned" 对应一个用于索引这些短字符串的字典。数组 "characters" 也可用于索引那些长度为 1 个字节的字符串，比如单个字母。后面我们将看到数组 "characters" 是如何被使用的。

    static PyStringObject *characters[UCHAR_MAX + 1];
    static PyObject *interned;

下面一起看看：当你在 Python 脚本中将一个短字符串赋值给一个变量时，背后发生了哪些事情。

    static PyStringObject *characters[UCHAR_MAX + 1];
    static PyObject *interned;

内容为 'a' 的字符串对象将被添加到 "interned" 字典中。字典中键（key）是一个指向该字符串对象的指针，而对应的值 就是一个相同的指针。在数组 "characters" 中，这一新的字符串对象在偏移量为 97 的位置被引用，因为字符 'a' 的ASCII码值便是 97。变量 "s2" 也指向了这一字符串对象。

而，当另外一个变量也被相同的字符串 'a' 赋值时，又会如何呢？

1>>> s3 = 'a'
上述代码执行后，将返回之前已创建的内容相同的字符串对象。因此，'s1' 和 's3' 两个变量都将指向同一个字符串对象。 数组 "characters" 便是用于检测字符串 'a' 是否已经存在，若存在，则返回指向该字符串对象的指针。

    if (size == 1 && (op = characters[*str & UCHAR_MAX]) != NULL)
    {
      ...
      return (PyObject *)op;
    }

下面我们新建一个内容为 'c' 的短字符串：

1>>> s4 = 'c'
那么，我们将得到如下结果：

我们还能发现，当按照下面 Python 脚本中的方式对一个字符串元素进行访问时，数组 "characters" 仍有用武之地。

    >>> s5 = 'abc'
    >>> s5[0]
    'a'

上面第二行代码中，返回的是数组 "characters" 偏移量为 97 的位置内的指针元素，而非新建一个值为 'a'的字符串。当我们访问某个字符串中的元素时，一个名叫 "string_item" d的函数将被调用，下方给出了函数体代码。其中，参数 'a' 便对应着字符串 "abc"，而参数 'i' 便是访问数组的索引值（本例中便为 0 ），函数返回的是指向某个字符串对象的指针。

    static PyObject *
    string_item(PyStringObject *a, register Py_ssize_t i)
    {
      char pchar;
      PyObject *v;
      ...
      pchar = a->ob_sval[i];
      v = (PyObject *)characters[pchar & UCHAR_MAX];
      if (v == NULL)
        // allocate string
      else {
        ...
        Py_INCREF(v);
      }
      return v;
    }

数组 "characters" 也可用于函数名长度为 1 时的情形，如下所示：

>>> def a(): pass
字符串查找

下面看看，当你在如下 Python 代码中进行字符串查找操作时，又会有那些事情发生呢？

    >>> s = 'adcabcdbdabcabd'
    >>> s.find('abcab')
    >>> 11

函数 "find" 返回一个索引值，说明是在字符串 "abcd" 的哪个位置找到字符串 "s" 的。若字符串未找到，函数返回值为 -1。

那么，内部到底干了些啥事情？内部调用了一个名为 "fastsearch" 的函数。这个函数是一个介于 BoyerMoore 和 Horspool 算法之间的混合版本，它兼具两者的优良特性。

我们将 "s"（s = 'adcabcdbdabcabd'）称作主字符串，而将 "p"（p = 'abcab'）称作模式串。n 和 m 分别表示字符串 s 和 字符串 p 的长度，其中，n = 15, m = 5。

在如下代码段中，明显看到，程序将进行首次判定：若 m > n,我们就知道必然不能找到这样的索引号，因此函数直接返回 -1 即可。

    w = n - m;
    if (w < 0)
      return -1;

当 m = 1 时，程序便在字符串 s 中一个个字符地进行遍历，若匹配成功则返回对应的索引位置。在本例中，变量 mode 值为 FAST_SEARCH，意味着我们想获取的是在主字符串中首次匹配的位置，而非模式串在主字符串中成功匹配的次数。

    if (m <= 1) {
      ...
      if (mode == FAST_COUNT) {
        ...
      } else {
        for (i = 0; i < n; i++)
          if (s[i] == p[0])
            return i;
      }
      return -1;
    }

考虑其他情况，比如 m > 1。首先创建一个压缩的boyer-moore delta 1 table（对应BM算法中的坏字符规则）,在此过程中需要声明两个变量："mask" 和 "skip"。

"mask" 是一个 32 位的位掩码（bitmask），将其最低的 5 个特征位作为开关位。该掩码是通过和模式串 "p" 进行操作产生的。它设计成一个布隆过滤器（bloom filter），用于检测一个字符是否出现在当前字符串中。这种机制使查找操作十分迅速，但是存在伪正的情况（false positives）。关于布隆过滤器，你想有更多了解的话可以看看 这里 。对于本例，下方说明了位掩码具体是如何产生的。

    mlast = m - 1
    /* process pattern[:-1] */
    for (mask = i = 0; i < mlast; i++) {
      mask |= (1 << (p[i] & 0x1F));
    }
    /* process pattern[-1] outside the loop */
    mask |= (1 << (p[mlast] & 0x1F));

字符串 "p" 的第一个字符为 'a'。字符'a'的二进制表示为 97 = 1100001。保留最低的 5 个特征位，我们得到了 00001，因此变 "mask" 初次被设定为 10（1 << 1）。当整个字符串 "p" 都经过处理后，mask 值为 1110。那么，我们应该如何使用这个位掩码呢？通过下方这行代码，我们用其来检测字符 "c" 位于字符串 "p" 哪个位置。

if ((mask & (1 << (c & 0x1F))))
那么，字符 'a' 在字符串 "p"（'abcab'）中是否存在呢？1110 & (1 << ('a' & 0X1F)) 运算结果的值是否为 true 呢？由于 1110 & (1 << ('a' & 0X1F)) = 1110 & 10 = 10，可知 'a' 确实存在于 'abcab'。当检测字符 'd'时，我们得到的是 false，对于其他字符（从 'e' 到 'z'）也是同样结果。因此，在本例中此类过滤器表现十分出众。 变量 "skip" 对应目标字符在主字符串中最后一个成功匹配的字符的索引位置（从后向前匹配）。假若模式串的最后一个匹配字符在主字符串中不存在，则 "skip" 值为 模式串 "p" 的长度减去 1。本例中，模式串最后一个为匹配字符位 'b',由于其在主串查找的当前位置向后跳两个字符后能够匹配到，因此变量 "skip" 的值为2。这个变量应用于一种名叫坏字符跳跃（bad-character skip）的规则。在如下示例中，p = 'abcab'，s = 'adcabcaba'。从主串 "s" 的 4 号索引位置（从 0 开始计算）开始匹配，若字符匹配成功则向前继续匹配。第一个匹配失败的索引位置为 1（此处 'b' 不等于 'd'）。我们可以看到，在模式串和主串最开始匹配的末端位置往后数三个字符，主串中也有一个 'b',而字符 'c' 也存在于 "p" 中，因此我们跳过了随后的 'b'。

下面，看下查找操作的循环部分（真实代码为 C 实现，而非 Python）：

    for i = 0 to n - m = 13:
      if s[i+m-1] == p[m-1]:
        if s[i:i+mlast] == p[0:mlast]:
          return i
        if s[i+m] not in p:
          i += m
        else:
          i += skip
      else:
        if s[i+m] not in p:
          i += m
    return -1

"s[i+m] not in p" 这行测试代码是基于位掩码实现的，"i += skip" 便对应坏字符跳跃。当主串下一个待匹配的字符在 "p" 中并未找到时，则执行 "i += m" 这行代码。

下面来看看，对于字符串 "p" 和 "s" 的匹配，算法具体是如何运行的。前三个步骤与上面类似，接着，字符 'd' 在字符串 "p" 并未找到，因此我们直接跳过等于"p"字符串长度的字符数，之后便迅速找到了一个匹配。

以上就是带领大家深入了解Python字符串对象实现的整个学习过程，希望对大家学习Python程序设计有所帮助。