python 中 str 和 unicode 存储所占字节数目问题

[xinali]

In [243]: s1 = '\xe4\xb9\xa0\xe6\x83\xaf'

In [244]: s2 = u'\xe4\xb9\xa0\xe6\x83\xaf'

In [245]: len(s1)
Out[245]: 6

In [246]: len(s2)
Out[246]: 6

In [247]: s1.__sizeof__()
Out[247]: 43

In [248]: s2.__sizeof__()
Out[248]: 76

s1 的数据类型为 str ， s2 的数据类型为 unicode ，其中两个数据的 len 是相同的，但是其所占用的 bytes(字节数)是怎么算的呢？

[pixstone]

len 是是返回 char 的数量
sizeof 是返回占用空间，比如 utf － 8 编码下的 占用空间多， 假如 "a" 在 ascii 中占一位，那么 “续” 在 unicode 就占 2 位了， 但 len 都是 1 。具体 utf － 8 和 ascii 具体占几位 我忘记了。。

[xinali]

@pixstone 你说的我知道，我不清楚的是，怎么计算的 sizeof ，字节数我怎么算也跟它给出的不一样

[GeekGao]

__sizeof__是 2.6+版本支持的，但不作为生产环境用途， 与之相关功能说明请参考文档中的： sys.getsizeof ，它不是用来计算 string 长度的！

[justou]

sizeof 计算的是那个对象占用的空间(跟 C 语言的 sizeof 类似), 而 str, unicode 在底层都是一个 C 结构体表示的, 所以这样算出来的字节数是整个结构体的字节数(包括里面字符指针的内存大小)

如果要获得里面字符字节数, 需要直接访问里面的 buffer 信息
from array import array

s1 = '\xe4\xb9\xa0\xe6\x83\xaf'
s2 = u'\xe4\xb9\xa0\xe6\x83\xaf'

arr = array('c', s1)
print arr.buffer_info()[1] * arr.itemsize

uarr = array('u', s2)
print uarr.buffer_info()[1] * uarr.itemsize

[xinali]

@GeekGao 您能先把问题看好了，再回答吗？

[justou]

另外, 也可以这样来测试
In [1]: ''.__sizeof__()
Out[1]: 21

In [2]: '1'.__sizeof__()
Out[2]: 22

In [3]: '123'.__sizeof__()
Out[3]: 24

In [4]: u''.__sizeof__()
Out[4]: 26

In [5]: u'1'.__sizeof__()
Out[5]: 28

创建一个空对象来看这个对象对应结构体的大小, 然后慢慢加字符进去看大小之差

[GeekGao]

@xinali 你没看懂我意思么，意思就是说你这么算 unicode 长度是不对的， len 和__sizeof__ 不是一个概念。

[ovear]

https://zh.wikipedia.org/zh/UTF-8 utf8 是变长的。。

[GeekGao]

@justou 官方邮件组说不同平台返回结果可能不同

[xinali]

@GeekGao 我的意思它俩就不是一个概念，所以才想弄清楚 sizeof 的计算方式的

[xinali]

@ovear 这个还没有讨论到具体的字符集的问题

[mulog]

python 的 str 又不是只存字符串本身。。

```C
typedef struct {
PyObject_VAR_HEAD
long ob_shash;
int ob_sstate;
char ob_sval[1];
} PyStringObject;
```
具体怎么算我也不知道，我猜是 16 + 8 + 4 + 8 + len(your_str) + 1
unicode 同理，有兴趣去看代码嘛。。

[yangtukun1412]

64 位默认情况下, PyStringObject 结构体占用 37 字节, 每增加一个字符就多一个 char 的 size.
PyUnicodeObject 结构体占用 48 字节, 每增加一个字符就多一个 Py_UNICODE_TYPE 的 size, 这个值是在编译时根据 Py_UNICODE_SIZE 指定的, 默认 ucs2 的情况下应该是 unsigned short, 2 字节.

值得注意的是, unicode 在计算 size 的时候多加了 1 位: sizeof(Py_UNICODE) * (v->length + 1), 因此 sys.getsizeof(u'') == 50.

[GeekGao]

看了下代码，关于这个__sizeof__方法不同对象提供的方法不同，其中你要的 stringobject 的实现：

static PyObject *
string_sizeof(PyStringObject *v)
{
Py_ssize_t res;
res = PyStringObject_SIZE + v->ob_size * v->ob_type->tp_itemsize;
return PyInt_FromSsize_t(res);
}

其中 v->ob_size 是实际长度（ byte ），
PyStringObject_SIZE 相当于 sizeof(PyStringObject)，
tp_itemsize 为 sizeof(char)

代码版本： CPython 2.7.x

[GeekGao]

unicodeobject 对应实现为：
static PyObject *
unicode__sizeof__(PyUnicodeObject *v)
{
return PyInt_FromSsize_t(sizeof(PyUnicodeObject) +
sizeof(Py_UNICODE) * (v->length + 1));
}

[shuax]

sizeof 的意思是我实现这个东西的时候花了多少内存，和 len 没有什么好比较的。