Python何时为相同的字符串分配新的内存？

Question

两个具有相同字符的Python字符串a == b，可以共享内存id（a）== id（b），或者可以在内存中两次，id（a）！= id（b）。尝试

ab = "ab"
print id( ab ), id( "a"+"b" )

Python在这里认识到新创建的“ a” +“ b”与内存中已经存在的“ ab”相同-不错。

现在考虑一个由N个长的州名组成的列表[“ Arizona”，“ Alaska”，“ Alaska”，“ California”
…]（在我的情况下为N〜500000）。
我看到50个不同的id（）s⇒每个字符串“ Arizona” …仅存储一次，很好。
但是将列表写入磁盘，然后再次读回：“相同”列表现在具有N个不同的id（），增加了内存，请参见下文。

怎么了-谁能解释Python字符串内存分配？

""" when does Python allocate new memory for identical strings ?
    ab = "ab"
    print id( ab ), id( "a"+"b" )  # same !
    list of N names from 50 states: 50 ids, mem ~ 4N + 50S, each string once
    but list > file > mem again: N ids, mem ~ N * (4 + S)
"""

from __future__ import division
from collections import defaultdict
from copy import copy
import cPickle
import random
import sys

states = dict(
AL = "Alabama",
AK = "Alaska",
AZ = "Arizona",
AR = "Arkansas",
CA = "California",
CO = "Colorado",
CT = "Connecticut",
DE = "Delaware",
FL = "Florida",
GA = "Georgia",
)

def nid(alist):
    """ nr distinct ids """
    return "%d ids  %d pickle len" % (
        len( set( map( id, alist ))),
        len( cPickle.dumps( alist, 0 )))  # rough est ?
# cf http://stackoverflow.com/questions/2117255/python-deep-getsizeof-list-with-contents

N = 10000
exec( "\n".join( sys.argv[1:] ))  # var=val ...
random.seed(1)

    # big list of random names of states --
names = []
for j in xrange(N):
    name = copy( random.choice( states.values() ))
    names.append(name)
print "%d strings in mem:  %s" % (N, nid(names) )  # 10 ids, even with copy()

    # list to a file, back again -- each string is allocated anew
joinsplit = "\n".join(names).split()  # same as > file > mem again
assert joinsplit == names
print "%d strings from a file:  %s" % (N, nid(joinsplit) )

# 10000 strings in mem:  10 ids  42149 pickle len  
# 10000 strings from a file:  10000 ids  188080 pickle len
# Python 2.6.4 mac ppc

新增25jan：
Python内存（或任何程序的）中有两种字符串：

• 唯一字符串的Ucache中的Ustring：可以节省内存，并且如果两个都在Ucache中，则可以使a == b快速
• Ostrings，其他的，可以存储多次。

intern(astring)将字符串放入Ucache（Alex
+1）；除此之外，我们对Python如何将Ostrings移到Ucache一无所知-在“ ab”之后，“ a” +“
b”是如何进入的？（“文件中的字符串”没有意义-无法知道。）
简而言之，Ucache（可能有几个）仍然模糊。

历史脚注： SPITBOL
统一所有字符串ca。1970年。

Answer 1

Python语言的每种 实现 都可以自由地在分配不可变对象（例如字符串）中进行权衡取舍-
制作一个新对象，或者找到一个现有的相等对象并使用一个以上引用，对于该语言而言，观点看法。当然，在实践中，现实世界中的实现会做出合理的折衷：在找到这样的对象时，再引用一个合适的现有对象既便宜又容易，如果要找到合适的现有对象（可能会可能不存在）看起来可能需要很长时间才能搜索到。

因此，例如，在一个函数中多次出现相同字符串文字（在我所知道的所有实现中）将使用“对同一对象的新引用”策略，因为在构建该函数的常量池时，它非常容易快捷避免重复；但是跨
单独的
功能执行此操作可能是一项非常耗时的任务，因此现实世界中的实现要么根本不执行此操作，要么仅在某些启发式确定的情况子集中做到这一点，而这些子集可以希望我们合理地权衡编译时间（通过搜索相同的现有常量而降低）与内存消耗（如果不断制作新的常量副本会增加内存消耗）。

我不知道Python的任何实现（或与此有关的其他具有常量字符串的语言，例如Java）在从文件中读取数据时会麻烦识别可能的重复项（以通过多个引用重用单个对象），
-这似乎不是一个有希望的折衷办法（在这里您要付出 运行时的 费用，而不是 编译
时的费用，所以这种折衷的吸引力就更小了）。当然，如果您知道（由于应用程序级别的考虑）这样的不可变对象很大并且很容易发生很多重复，则可以很容易地实现自己的“常量池”策略（实习生可以帮助您为字符串做这件事，但是不难为自己而作，例如具有不可变项的元组，巨大的长整数，