python - PEP 412 是否使 __slots__ 变得多余？

Question

PEP 412 ，在 Python 3.3 中实现，引入改进的属性字典处理，有效减少类实例的内存占用。 __slots__是为同样的目的而设计的，那么再使用 __slots__ 有什么意义吗？

为了自己找出答案，我进行了以下测试，但结果没有多大意义:

class Slots(object):
    __slots__ = ['a', 'b', 'c', 'd', 'e']
    def __init__(self):
        self.a = 1
        self.b = 1
        self.c = 1
        self.d = 1
        self.e = 1  

class NoSlots(object):
    def __init__(self):
        self.a = 1
        self.b = 1
        self.c = 1
        self.d = 1
        self.e = 1

Python 3.3 结果:

>>> sys.getsizeof([Slots() for i in range(1000)])
Out[1]: 9024
>>> sys.getsizeof([NoSlots() for i in range(1000)])
Out[1]: 9024

Python 2.7 结果:

>>> sys.getsizeof([Slots() for i in range(1000)])
Out[1]: 4516
>>> sys.getsizeof([NoSlots() for i in range(1000)])
Out[1]: 4516

我预计至少 Python 2.7 的大小会有所不同，所以我假设测试有问题。

Answer 1

不，PEP 412 不会使 __slots__ 变得多余。

---

首先，Armin Rigo 是对的，您没有正确衡量它。您需要测量的是对象的大小、值、__dict__ 本身(仅适用于 NoSlots)和键(适用于 NoSlots )。

或者你可以按照他的建议去做:

cls = Slots if len(sys.argv) > 1 else NoSlots
def f():
    tracemalloc.start()
    objs = [cls() for _ in range(100000)]
    print(tracemalloc.get_traced_memory())
f()

当我在 OS X 的 64 位 CPython 3.4 上运行它时，我得到 8824968 for Slots 和 25624872 for NoSlots 。所以，看起来 NoSlots 实例需要 88 个字节，而 Slots 实例需要 256 个字节。

---

这怎么可能？

因为 __slots__ 和 key-split __dict__ 之间还有两个区别。

首先，字典使用的哈希表保持低于 2/3 满，并且它们呈指数增长并具有最小大小，因此您将有一些额外的空间。通过查看评论很好的 source 来计算出多少空间并不难。 : 你将拥有 8 个哈希桶而不是 5 个槽指针。

其次，词典本身不是免费的；它有一个标准的对象头、一个计数和两个指针。这听起来可能不是很多，但是当你谈论一个只有几个属性的对象时(请注意，大多数对象只有几个属性......)，dict header 可以做很多差异作为哈希表。

当然在你的例子中，值，所以这里涉及的唯一成本是对象本身，加上 5 个槽或 8 个哈希桶和字典头，所以差异非常显着。在现实生活中，__slots__ 很少有这么大的好处。

---

最后，请注意 PEP 412 仅声明:

Benchmarking shows that memory use is reduced by 10% to 20% for object-oriented programs

想想你在哪里使用__slots__。要么节省的钱太多以至于不使用 __slots__ 会很荒谬，要么你真的需要挤出最后的 15%。或者，您正在构建一个 ABC 或其他类，您希望这些类被谁知道是什么子类化，而这些子类可能需要节省。无论如何，在那些情况下，即使没有 __slots__ 也能获得一半的 yield ，甚至三分之二的 yield ，这仍然远远不够；你仍然需要使用 __slots__。

真正的胜利是在不值得使用 __slots__ 的情况下；您将免费获得小额福利。

(另外，肯定有一些程序员过度使用了 __slots__，也许这个改变可以说服他们中的一些人将他们的精力投入到微优化其他不太无关紧要的事情上，如果你很幸运。)