python字节码分析

Python对不可变序列进行重复拼接操作效率会很低，因为每次都会生成一个新的对象，解释器需要把原来对象中的元素先复制到新的对象里，然后再追加新的元素。

但是CPython对字符串操作进行了优化，因为对字符串做+=操作实在是太普遍了。因此，初始化str时会预留出额外的可扩展空间，从而进行增量操作的时候不会有复制再追加的这个步骤。

通过字节码研究一下这个过程。

>>> s_code = 'a += "b"'
>>> c = compile(s_code, '', 'exec')
>>> c.co_code
b'e\x00\x00d\x00\x007Z\x00\x00d\x01\x00S'
>>> c.co_names
('a',)
>>> c.co_consts
('b', None)

得到的字节码是Bytes类型的。这里穿插一些Bytes类型的知识。

Bytes类型

b'e\x00\x00d\x00\x007Z\x00\x00d\x01\x00S'，b表示是Bytes类型。Bytes以二进制字节序列的形式记录数据，每一个字符就代表一个字节（8位）。比如上面的e表示二进制0110 0101。部分ASCII码对照表如下图所示。

但是，不是所有的字节都是可显示的，甚至有些字节无法对应到ASCII码上（因为ASCII码只定义了128个字符，而一个字节有256个）。比如0000 0000对应的ASCII是不可显示的、0111 1111没有对应的ASCII码。

为了表示这些无法显示的字节，就引入了\x符号，其表示后续的字符为16进制。如，\x00表示16进制的00，也就是二进制的0000 0000。

至此，所有字节都可被表示。

字节码分析

回到开始的代码。为了显示方便，将b'e\x00\x00d\x00\x007Z\x00\x00d\x01\x00S'转为16进制来显示。

>>> c.co_code.hex()
'650000640000375a000064010053'

通过opcode.opname函数可以得到操作码所对应的操作指令（操作指令对应功能查询）：

>>> import opcode
>>> opcode.opname[0x65]
'LOAD_NAME'

因此，完整的字节码可以解释为（TOS即top-of-stack，栈顶元素）：

字节：位置，功能
65：0，LOAD_NAME
0000：参数，将co_names[0]的值，即a的值，压入栈

64：3，LOAD_CONST
0000：参数，将co_consts[0]，即'b'，压入栈

37：6，INPLACE_ADD，TOS = TOS1 + TOS

5a：7，STORE_NAME
0000：参数，co_names[0]=TOS，即将栈顶赋值给a

64：10，LOAD_CONST
0100：参数

53：13，RETURN_VALUE，Returns with TOS to the caller of the function

实际上借助dis函数可以直接获得可读的字节码：

>>> import dis
>>> dis.dis(s_code)
  1           0 LOAD_NAME                0 (a)
              3 LOAD_CONST               0 ('b')
              6 INPLACE_ADD
              7 STORE_NAME               0 (a)
             10 LOAD_CONST               1 (None)
             13 RETURN_VALUE

完整代码：

s_code = 'a += "b"'
c = compile(s_code, '', 'exec')
c.co_code
c.co_names
c.co_consts
c.co_code.hex()
import dis
dis.dis(s_code)

非常失败，对比了string和tuple的赋值字节码，并没有看出string的优化…

大概是打开方式不对，留坑待续。