MyTetra Share
Делитесь знаниями!
Управление памятью
Время создания: 31.12.2017 21:40
Раздел: Python - Память
Запись: xintrea/mytetra_db_mcold/master/base/1514745648ghlow26ukf/text.html на raw.githubusercontent.com

Использование памяти в Python


Сколько памяти занимает 1 миллион целых чисел?


Меня часто донимали размышление о том, насколько эффективно Python использует память по сравнению с другими языками программирования. Например, сколько памяти нужно, чтобы работать с 1 миллионом целых чисел? А с тем же количеством строк произвольной длины?
Как оказалось, в Python есть возможность получить необходимую информацию прямо из интерактивной консоли, не обращаясь к исходному коду на C (хотя, для верности, мы туда все таки заглянем). 
Удовлетворив любопытство, мы залезем внутрь типов данных и узнаем, на что именно расходуется память.

Все примеры были сделаны в CPython версии 2.7.4 на 32 битной машине. В конце приведена таблица для потребности в памяти на 64 битной машине.

Необходимые инструменты


sys.getsizeof и метод __sizeof__()


Первый инструмент, который нам потребуется находится в стандартной библиотеки sys. Цитируем официальную документацию:

sys.getsizeof(объект[, значение_по_умолчанию])

Возвращает размер объекта в байтах.
Если указано значение по умолчанию, то оно вернется, если объект не предоставляет способа получить размер. В противном случае возникнет исключение TypeError.
Getsizeof() вызывает метод объекта __sizeof__ и добавляет размер дополнительной информации, которая хранится для сборщика мусора, если он используется.



Алгоритм работы getsizeof(), переписанной на Python, мог бы выглядеть следующем образом:

Py_TPFLAGS_HAVE_GC = 1 << 14 # константа. в двоичным виде равна 0b100000000000000

def sys_getsizeof(obj, default = None)

    if obj.hasattr('__sizeof__'):

        size = obj.__sizeof__()

    elif default is not None:

        return default

    else:

        raise TypeError('Объект не имеет атрибута __sizeof__')

    # Если у типа объекта установлен флаг HAVE_GC

    if type(obj).__flags__ & Py_TPFLAGS_HAVE_GC:

        size = size + размер PyGC_Head

    return size




Где PyGC_Head — элемент двойного связанного списка, который используется сборщиком мусора для обнаружения кольцевых ссылок. В исходном коде он представлен следующей структурой:

typedef union _gc_head {

struct {

union _gc_head *gc_next;

union _gc_head *gc_sourcev;

Py_ssize_t gc_refs;

} gc;

long double dummy;

} PyGC_Head;




Размер PyGC_Head будет равен 12 байт на 32 битной и 24 байта на 64 битной машине.

Попробуем вызвать getsizeof() в консоли и посмотрим, что получится:

>>> import sys

>>> GC_FLAG = 1 << 14

>>> sys.getsizeof(1)

12

>>> (1).__sizeof__()

12

>>> bool(type(1).__flags__ & GC_FLAG)

False

>>> sys.getsizeof(1.1)

16

>>> (1.1).__sizeof__()

16

>>> bool(type(1.1).__flags__ & GC_FLAG)

False

>>> sys.getsizeof('')

21

>>> ''.__sizeof__()

21

>>> bool(type('').__flags__ & GC_FLAG)

False

>>> sys.getsizeof('hello')

26

>>> sys.getsizeof(tuple())

24

>>> tuple().__sizeof__()

12

>>> bool(type(tuple()).__flags__ & GC_FLAG)

True

>>> sys.getsizeof(tuple((1, 2, 3)))

36




За исключением магии с проверкой флагов, все очень просто.
Как видно из примера, int и float занимают 12 и 16 байт соответственно. Str занимает 21 байт и еще по одному байту на каждый символ содержимого. Пустой кортеж занимает 12 байт, и дополнительно 4 байта на каждый элемент. Для простых типов данных (которые не содержат ссылок на другие объекты, и соответственно, не отслеживаются сборщиком мусора), значение sys.getsizeof равно значению, возвращаемого методом __sizeof__().

id() и ctypes.string_at


Теперь выясним, на что именно расходуется память.
Для этого нужно нам нужны две вещи: во-первых, узнать, где именно хранится объект, а во-вторых, получить прямой доступ на чтение из памяти. Несмотря на то, что Python тщательно оберегает нас от прямого обращения к памяти, это сделать все таки возможно. При этом нужно быть осторожным, так как это может привести к ошибке сегментирования.

Встроенная функция id() возвращает адрес памяти, где храниться начала объекта (сам объект является C структурой)

>>> obj = 1

>>> id(obj)

158020320




Чтобы считать данные по адресу памяти нужно воспользоваться функцией string_at из модуля ctypes. Ее официальное описание не очень подробное:

ctypes.string_at(адрес[, длина])
Это функция возвращает строку, с началом в ячейки памяти «адрес». Если «длина» не указана, то считается что строка zero-terminated,



Теперь попробуем считать данные по адресу, который вернул нам id():

>>> import ctypes

>>> obj = 1

>>> sys.getsizeof(obj)

12

>>> ctypes.string_at(id(obj), 12)

'u\x01\x00\x00 \xf2&\x08\x01\x00\x00\x003\x01\x00\x00 \xf2&\x08\x00\x00\x00\x001\x00\x00\x00'




Вид шестнадцатеричного кода не очень впечатляет, но мы близки к истине.

Модель Struct


Для того чтобы представить вывод в значения, удобные для восприятия, воспользуемся еще одним модулем. Здесь нам поможет функция unpack() из модуля struct.

struct
Этот модуль производит преобразование между значениями Python и структурами на C, представленными в виде строк. 

struct.unpack(формат, строка)
Разбирает строку в соответствие с данным форматов. Всегда возвращает кортеж, даже если строка содержит только один элемент. Строка должна содержать в точности то количество информации, как описано форматом.



Форматы данных, которые нам потребуются.

символ

Значение C

Значение Python

Длина на 32битной машине

c

char

Строка из одного символа

1

i

int

int

4

l

long

int

4

L

unsigned long

int

4

d

double

float

8



Теперь собираем все вместе и посмотрим на внутреннее устройство некоторых типов данных.

Int


>>> obj = 1

>>> sys.getsizeof(obj), obj.__sizeof__()

(12, 12)

>>> struct.unpack('LLl', ctypes.string_at(id(obj), 12))

(373, 136770080, 1)




О формате значений несложно догадаться. 

Первое число (373) — количество указателей, на объект.

>>> obj2 = obj

>>> struct.unpack('LLl', ctypes.string_at(id(obj), 12))

(374, 136770080, 1)



Как видно, число увеличилось на единицу, после того как мы создали еще одну ссылку на объект.

Второе число (136770080) — указатель (id) на тип объекта:

>>> type(obj)

<type 'int'>

>>> id(type(obj) )

136770080




Третье число (1) — непосредственно содержимое объекта.

>>> obj = 1234567

>>> struct.unpack('LLl', ctypes.string_at(id(obj), 12))

(1, 136770080, 1234567)



Наши догадки можно подтвердить, заглянув в исходный код CPython

typedef struct {

PyObject_HEAD

long ob_ival;

} PyIntObject;



Здесь PyObject_HEAD — макрос, общий для всех встроенных объектов, а ob_ival — значение типа long. Макрос PyObject_HEAD добавляет счетчик количества указателей на объект и указатель на родительский тип объекта — как раз то, что мы и видели.

Float


Число с плавающей запятой очень похоже на int, но представлено в памяти C значением типа double.

typedef struct {

PyObject_HEAD

double ob_fval;

} PyFloatObject;




В этом легко убедиться:

>>> obj = 1.1

>>> sys.getsizeof(obj), obj.__sizeof__()

(16, 16)

>>> struct.unpack('LLd', ctypes.string_at(id(obj), 16)

(1, 136763968, 1.1)




Строка (Str)


Строка представлена в виде массива символов, оканчивающимся нулевым байтом. Также в структуре строки отдельного сохраняется ее длина, хэш от ее содержания и флаг, определяющий, хранится ли она во внутреннем кэше interned.

typedef struct {

PyObject_VAR_HEAD

long ob_shash; # хэш от строки

int ob_sstate; # находится ли в кэше?

char ob_sval[1]; # содержимое строки + нулевой байт

} PyStringObject;



Макрос PyObject_VAR_HEAD включает в себя PyObject_HEAD и добавляет значение long ob_ival, в котором хранится длина строки.

>>> obj = 'hello world'

>>> sys.getsizeof(obj), obj.__sizeof__()

(32, 32)

>>> struct.unpack('LLLli' + 'c' * (len(obj) + 1), ctypes.string_at(id(obj), 4*5 + len(obj) + 1))

(1, 136790112, 11, -1500746465, 0, 'h', 'e', 'l', 'l', 'o', ' ', 'w', 'o', 'r', 'l', 'd', '\x00')




Четвертое значение соответствует хэшу от строки, в чем нетрудно убедиться.

>>> hash(obj)

-1500746465




Как видно, значение sstate равно 0, так что строка сейчас не кэшируется. Попробуем ее добавить в кэш:

>>> intern(obj)

'hello world'

>>> struct.unpack('LLLli' + 'c' * (len(obj) + 1), ctypes.string_at(id(obj), 4*5 + len(obj) + 1))

(2, 136790112, 11, -1500746465, 1, 'h', 'e', 'l', 'l', 'o', ' ', 'w', 'o', 'r', 'l', 'd', '\x00')



Кортеж (Tuple)


Кортеж представлен в виде массива из указателей. Так как его использование может приводить к возникновению кольцевых ссылок, он отслеживается сборщиком мусора, на что расходуется дополнительная память (об этом нам напоминает вызов sys.getsizeof())

Структура tuple похоже на строку, только в ней отсутствуют специальные поля, кроме длины.

typedef struct {

PyObject_VAR_HEAD

PyObject *ob_item[1];

} PyTupleObject;




>>> obj = (1,2,3)

>>> sys.getsizeof(obj), obj.__sizeof__()

(36, 24)

>>> struct.unpack('LLL'+'L'*len(obj), ctypes.string_at(id(obj), 12+4*len(obj)))

(1, 136532800, 3, 146763112, 146763100, 146763088)

>>> for i in obj: print i, id(i)

1 146763112

2 146763100

3 146763088



Как видим из примера, последние три элементы кортежа являются указателями на его содержимое.

Остальные базовые типы данных (unicode, list, dict, set, frozenset) можно исследовать аналогичным образом. 

Что в итоге?


Тип

Имя в CPython

формат

Формат, для вложенных объектов

Длина на 32bit

Длина на 64bit

Память для GC*

Int

PyIntObject

LLl

12

24

float

PyFloatObject

LLd

16

24

str

PyStringObject

LLLli+c*(длина+1)

21+длина

37+длина

unicode

PyUnicodeObject

LLLLlL

L*(длина+1)

28+4*длина

52+4*длина

tuple

PyTupleObject

LLL+L*длина

12+4*длина

24+8*длина

Есть

list

PyListObject

L*5

L*длину

20+4*длина

40+8*длина

Есть

Set/
frozenset

PySetObject

L*7+(lL)*8+lL

LL* длина

(<=5 элементов) 100
(>5 элементов) 100+8*длина

(<=5 элементов) 200
(>5 элементов) 200+16*длина

Есть

dict

PyDictObject

L*7+(lLL)*8

lLL*длина

(<=5 элементов) 124
(>5 элементов) 124+12*длина

(<=5 элементов) 248
(>5 элементов) 248+24*длина

Есть

* Добавляет 12 байт на 32 битной машине и 32 байта на 64 битной машине

Мы видим, что простые типы данных в Python в два-три раза больше своих прототипов на C. Разница обусловлена необходимостью хранить количество ссылок на объект и указатель на его тип (содержимое макроса PyObject_HEAD). Частично это компенсируется внутренним кэшированием, который позволяет повторно использовать ранее созданные объекты (это возможно только для неизменяемых типов).

Для строк и кортежей разница не такая значительная — добавляется некоторая постоянная величина.

А списки, словари и множества, как правило, занимают больше на 1/3, чем необходимо. Это обусловлено реализацией алгоритма добавления новых элементов, который приносит в жертву память ради экономии времени процессора.

Итак, отвечаем на вопрос в начале статьи: чтобы сохранить 1 миллион целых чисел нам потребуется 11.4 мегабайт (12*10^6 байт) на сами числа и дополнительно 3.8 мегабайт (12 + 4 + 4*10^6 байт) на кортеж, которых будет хранить на них ссылки.

UPD: Опечатки.
UPD: В подзаголовке «1 миллион целых чисел», вместо «1 миллион простых чисел»

 
MyTetra Share v.0.58
Яндекс индекс цитирования