无论你程序是做什么的，它经常都需要处理大量的数据。这些数据大部分表现形式为strings（字符串）。然而，当你对字符串大批量的拷贝，切片和修改操作时是相当低效的。为什么？
让我们假设一个读取二进制数据的大文件示例，然后将部分数据拷贝到另外一个文件。要展示该程序所使用的内存，我们使用memory_profiler，一个强大的Python包，让我们可以一行一行观察程序所使用的内存。
@profile
def read_random():
with open("/dev/urandom", "rb") as source:
cOntent= source.read(1024 * 10000)
content_to_write = content[1024:]
print(f"content length: {len(content)}, content to write length {len(content_to_write)}")
with open("/dev/null", "wb") as target:
target.write(content_to_write)
if __name__ == "__main__":
read_random()
使用memory_profiler模块来执行以上程序，输出如下：
$ python -m memory_profiler example.py
content length: 10240000, content to write length 10238976
Filename: example.py
Line # Mem usage Increment Line COntents================================================
1 14.320 MiB 14.320 MiB @profile
2 def read_random():
3 14.320 MiB 0.000 MiB with open("/dev/urandom", "rb") as source:
4 24.117 MiB 9.797 MiB cOntent= source.read(1024 * 10000)
5 33.914 MiB 9.797 MiB content_to_write = content[1024:]
6 33.914 MiB 0.000 MiB print(f"content length: {len(content)}, content to write length {len(content_to_write)}")
7 33.914 MiB 0.000 MiB with open("/dev/null", "wb") as target:
8 33.914 MiB 0.000 MiB target.write(content_to_write)
我们通过source.read从/dev/unrandom加载了10 MB数据。Python需要大概需要分配10 MB内存来以字符串存储这个数据。之后的content[1024:]指令越过开头的一个单位的KB数据进行数据拷贝，也分配了大概10 MB。
这里有趣的是在哪里呢，也就是构建content_to_write时10 MB的程序内存增长。切片操作拷贝了除了开头的一个单位的KB其他所有的数据到一个新的字符串对象。
如果处理类似大量的字节数组对象操作那是简直就是灾难。如果你之前写过C语言，在使用memcpy()需要注意点是：在内存使用以及总体性能来说，复制内存很慢。
然而，作为C程序员的你，知道字符串其实就是由字符数组构成，你不非得通过拷贝也能只处理部分字符，通过使用基本的指针运算——只需要确保整个字符串是连续的内存区域。
在Python同样提供了buffer protocol实现。buffer protocol定义在PEP 3118，描述了使用C语言API实现各种类型的支持，例如字符串。
当一个对象实现了该协议，你就可以使用memoryview类构造一个memoryview对象引用原始内存对象。
>>> s = b"abcdefgh"
>>> view = memoryview(s)
>>> view[1]
98
>>> limited = view[1:3]
>>> limited
>>> bytes(view[1:3])
b\'bc\'
注意：98是字符b的ACSII码
在上面的例子中，在使用memoryview对象的切片操作，同样返回一个memoryview对象。意味着它并没有拷贝任何数据，而是通过引用部分数据实现的。
下面图示解释发生了什么：
因此，我们可以将之前的程序改造得更加高效。我们需要使用memoryview对象来引用数据，而不是开辟一个新的字符串。
@profile
def read_random():
with open("/dev/urandom", "rb") as source:
cOntent= source.read(1024 * 10000)
content_to_write = memoryview(content)[1024:]
print(f"content length: {len(content)}, content to write length {len(content_to_write)}")
with open("/dev/null", "wb") as target:
target.write(content_to_write)
if __name__ == "__main__":
read_random()
我们再一次使用memory profiler执行上面程序：
$ python -m memory_profiler example.py
content length: 10240000, content to write length 10238976
Filename: example.py
Line # Mem usage Increment Line COntents================================================
1 14.219 MiB 14.219 MiB @profile
2 def read_random():
3 14.219 MiB 0.000 MiB with open("/dev/urandom", "rb") as source:
4 24.016 MiB 9.797 MiB cOntent= source.read(1024 * 10000)
5 24.016 MiB 0.000 MiB content_to_write = memoryview(content)[1024:]
6 24.016 MiB 0.000 MiB print(f"content length: {len(content)}, content to write length {len(content_to_write)}")
7 24.016 MiB 0.000 MiB with open("/dev/null", "wb") as target:
8 24.016 MiB 0.000 MiB target.write(content_to_write)
在该程序中，source.read仍然分配了10 MB内存来读取文件内容。然而，使用memoryview来引用部分内容时，并没有额外在分配内存。
相比之前的版本，这里节省了大概50%的内存开销。
该技巧，在处理sockets通信的时候极其有用。当通过socket发送数据时，所有的数据可能并没有在一次调用就发送。
import socket
s = socket.socket(…)
s.connect(…)
# Build a bytes object with more than 100 millions times the letter `a`
data = b"a" * (1024 * 100000)
while data:
sent = s.send(data)
# Remove the first `sent` bytes sent
data = data[sent:] <2>
使用如下实现，程序一次次拷贝直到所有的数据发出。通过使用memoryview，可以实现zero-copy（零拷贝）方式来完成该工作，具有更高的性能：
import socket
s = socket.socket(…)
s.connect(…)
# Build a bytes object with more than 100 millions times the letter `a`
data = b"a" * (1024 * 100000)
mv = memoryview(data)
while mv:
sent = s.send(mv)
# Build a new memoryview object pointing to the data which remains to be sent
mv = mv[sent:]
在这里就不会发生任何拷贝，也不会在给data分配了100 MB内存之后再分配多余的内存来进行多次发送了。
目前，我们通过使用memoryview对象实现高效数据写入，但在某些情况下读取也同样适用。在Python中大部分 I/O 操作已经实现了buffer protocol机制。在本例中，我们并不需要memoryview对象，我可以请求 I/O 函数写入我们预定义好的对象：
>>> ba = bytearray(8)
>>> ba
bytearray(b\'\x00\x00\x00\x00\x00\x00\x00\x00\')
>>> with open("/dev/urandom", "rb") as source:
... source.readinto(ba)
...
8
>>> ba
bytearray(b\'`m.z\x8d\x0fp\xa1\')
通过该机制，我们可以很简单写入到预定义的buffer中（在C语言中，你可能需要多次调用malloc())。
适用memoryview，你甚至可以将数据放入到内存区域任意点：
>>> ba = bytearray(8)
>>> # Reference the _bytearray_ from offset 4 to its end
>>> ba_at_4 = memoryview(ba)[4:]
>>> with open("/dev/urandom", "rb") as source:
... # Write the content of /dev/urandom from offset 4 to the end of the
... # bytearray, effectively reading 4 bytes only
... source.readinto(ba_at_4)
...
4
>>> ba
bytearray(b\'\x00\x00\x00\x00\x0b\x19\xae\xb2\')
buffer protocol是实现低内存开销的基础，具备很强的性能。虽然Python隐藏了所有的内存分配，开发者不需要关系内部是怎么样实现的。
可以再去了解一下array模块和struct模块是如何处理buffer protocol的，zero copy操作是相当高效的。
京公网安备 11010802041100号