关于python:深入理解-Python-虚拟机集合set的实现原理及源码剖析

在本篇文章当中次要给大家介绍在 cpython 虚拟机当中的汇合 set 的实现原理（哈希表）以及对应的源代码剖析。

typedef struct {
    PyObject_HEAD

    Py_ssize_t fill;            /* Number active and dummy entries*/
    Py_ssize_t used;            /* Number active entries */

    /* The table contains mask + 1 slots, and that's a power of 2.
     * We store the mask instead of the size because the mask is more
     * frequently needed.
     */
    Py_ssize_t mask;

    /* The table points to a fixed-size smalltable for small tables
     * or to additional malloc'ed memory for bigger tables.
     * The table pointer is never NULL which saves us from repeated
     * runtime null-tests.
     */
    setentry *table;
    Py_hash_t hash;             /* Only used by frozenset objects */
    Py_ssize_t finger;          /* Search finger for pop() */

    setentry smalltable[PySet_MINSIZE]; // #define PySet_MINSIZE 8
    PyObject *weakreflist;      /* List of weak references */
} PySetObject;

typedef struct {
    PyObject *key;
    Py_hash_t hash;             /* Cached hash code of the key */
} setentry;

static PyObject _dummy_struct;

#define dummy (&_dummy_struct)

下面的数据后果用图示如下图所示：

下面各个字段的含意如下所示：

dummy entries：如果在哈希表当中的数组原来有一个数据，如果咱们删除这个 entry 的时候，对应的地位就会被赋值成 dummy，与 dummy 无关的定义在下面的代码当中曾经给出，dummy 对象的哈希值等于 -1。
明确 dummy 的含意之后，fill 和 used 这两个字段的含意就比拟容易了解了，used 就是数组当中真实有效的对象的个数，fill 还须要加上 dummy 对象的个数。
mask，数组的长度等于 $2^n$，mask 的值等于 $2^n – 1$。
table，理论保留 entry 对象的数组。
hash，这个值对 frozenset 有用，保留计算出来的哈希值。如果你的数组很大的话，计算哈希值其实也是一个比拟大的开销，因而能够将计算出来的哈希值保留下来，以便下一次求的时候能够将哈希值间接返回，这也印证了在 python 当中为什么只有 immutable 对象才可能放入到汇合和字典当中，因为哈希值计算一次保留下来了，如果再退出对象对象的哈希值也会变动，这样做就会产生谬误了。
finger，次要是用于记录下一个开始寻找被删除对象的下标。
smalltable，默认的小数组，cpython 设置的一半的汇合对象不会超过这个大小（8），因而在申请一个汇合对象的时候间接就申请了这个小数组的内存大小。
weakrelist，这个字段次要和垃圾回收无关，这里临时不进行具体阐明。

首先先理解一下创立一个汇合对象的过程，和后面其余的对象是一样的，首先先申请内存空间，而后进行相干的初始化操作。

这个函数有两个参数，应用第一个参数申请内存空间，而后前面一个参数如果不为 NULL 而且是一个可迭代对象的话，就将这外面的对象退出到汇合当中。

static PyObject *
make_new_set(PyTypeObject *type, PyObject *iterable)
{
    PySetObject *so = NULL;

    /* create PySetObject structure */
    so = (PySetObject *)type->tp_alloc(type, 0);
    if (so == NULL)
        return NULL;
    // 汇合当中目前没有任何对象，因而 fill 和 used 都是 0
    so->fill = 0;
    so->used = 0;
    // 初始化哈希表当中的数组长度为 PySet_MINSIZE 因而 mask = PySet_MINSIZE - 1
    so->mask = PySet_MINSIZE - 1;
    // 让 table 指向存储 entry 的数组
    so->table = so->smalltable;
    // 将哈希值设置成 -1 示意还没有进行计算
    so->hash = -1;
    so->finger = 0;
    so->weakreflist = NULL;
    // 如果 iterable 不等于 NULL 则须要将它指向的对象当中所有的元素退出到汇合当中
    if (iterable != NULL) {
        // 调用函数 set_update_internal 将对象 iterable 当中的元素退出到汇合当中
        if (set_update_internal(so, iterable)) {Py_DECREF(so);
            return NULL;
        }
    }

    return (PyObject *)so;
}

首先咱们先大抵理分明往汇合当中插入数据的流程：

首先依据对象的哈希值，计算须要将对象放在哪个地位，也就是对应数组的下标。
查看对应下标的地位是否存在对象，如果不存在对象则将数据保留在对应下标的地位。
如果对应的地位存在对象，则查看是否和以后要插入的对象相等，则返回。
如果不相等，则应用相似于线性探测的形式去寻找下一个要插入的地位（具体的实现能够查看相干代码，具体的操作为线性探测法 + 凋谢地址法）。

static PyObject *
set_add(PySetObject *so, PyObject *key)
{if (set_add_key(so, key))
        return NULL;
    Py_RETURN_NONE;
}

static int
set_add_key(PySetObject *so, PyObject *key)
{
    setentry entry;
    Py_hash_t hash;
    // 这里就查看一下是否是字符串，如果是字符串间接拿到哈希值
    if (!PyUnicode_CheckExact(key) ||
        (hash = ((PyASCIIObject *) key)->hash) == -1) {
          // 如果不是字符串则须要调用对象本人的哈希函数求得对应的哈希值
        hash = PyObject_Hash(key);
        if (hash == -1)
            return -1;
    }
    // 创立一个 entry 对象将这个对象退出到哈希表当中
    entry.key = key;
    entry.hash = hash;
    return set_add_entry(so, &entry);
}

static int
set_add_entry(PySetObject *so, setentry *entry)
{
    Py_ssize_t n_used;
    PyObject *key = entry->key;
    Py_hash_t hash = entry->hash;

    assert(so->fill <= so->mask);  /* at least one empty slot */
    n_used = so->used;
    Py_INCREF(key);
    // 调用函数 set_insert_key 将对象插入到数组当中
    if (set_insert_key(so, key, hash)) {Py_DECREF(key);
        return -1;
    }
    // 这里就是哈希表的外围的扩容机制
    if (!(so->used > n_used && so->fill*3 >= (so->mask+1)*2))
        return 0;
    // 这是扩容大小的逻辑
    return set_table_resize(so, so->used>50000 ? so->used*2 : so->used*4);
}

static int
set_insert_key(PySetObject *so, PyObject *key, Py_hash_t hash)
{
    setentry *entry;
    // set_lookkey 这个函数便是插入的外围的逻辑的实现对应的实现函数在下方
    entry = set_lookkey(so, key, hash);
    if (entry == NULL)
        return -1;
    if (entry->key == NULL) {
        /* UNUSED */
        entry->key = key;
        entry->hash = hash;
        so->fill++;
        so->used++;
    } else if (entry->key == dummy) {
        /* DUMMY */
        entry->key = key;
        entry->hash = hash;
        so->used++;
    } else {
        /* ACTIVE */
        Py_DECREF(key);
    }
    return 0;
}

// 上面的代码就是在执行咱们在后面所谈到的逻辑，直到找到雷同的 key 或者空地位才退出 while 循环
static setentry *
set_lookkey(PySetObject *so, PyObject *key, Py_hash_t hash)
{
    setentry *table = so->table;
    setentry *freeslot = NULL;
    setentry *entry;
    size_t perturb = hash;
    size_t mask = so->mask;
    size_t i = (size_t)hash & mask; /* Unsigned for defined overflow behavior */
    size_t j;
    int cmp;

    entry = &table[i];
    if (entry->key == NULL)
        return entry;

    while (1) {if (entry->hash == hash) {
            PyObject *startkey = entry->key;
            /* startkey cannot be a dummy because the dummy hash field is -1 */
            assert(startkey != dummy);
            if (startkey == key)
                return entry;
            if (PyUnicode_CheckExact(startkey)
                && PyUnicode_CheckExact(key)
                && unicode_eq(startkey, key))
                return entry;
            Py_INCREF(startkey);
            // returning -1 for error, 0 for false, 1 for true
            cmp = PyObject_RichCompareBool(startkey, key, Py_EQ);
            Py_DECREF(startkey);
            if (cmp < 0)                                          /* unlikely */
                return NULL;
            if (table != so->table || entry->key != startkey)     /* unlikely */
                return set_lookkey(so, key, hash);
            if (cmp > 0)                                          /* likely */
                return entry;
            mask = so->mask;                 /* help avoid a register spill */
        }
        if (entry->hash == -1 && freeslot == NULL)
            freeslot = entry;

        if (i + LINEAR_PROBES <= mask) {for (j = 0 ; j < LINEAR_PROBES ; j++) {
                entry++;
                if (entry->key == NULL)
                    goto found_null;
                if (entry->hash == hash) {
                    PyObject *startkey = entry->key;
                    assert(startkey != dummy);
                    if (startkey == key)
                        return entry;
                    if (PyUnicode_CheckExact(startkey)
                        && PyUnicode_CheckExact(key)
                        && unicode_eq(startkey, key))
                        return entry;
                    Py_INCREF(startkey);
                    // returning -1 for error, 0 for false, 1 for true
                    cmp = PyObject_RichCompareBool(startkey, key, Py_EQ);
                    Py_DECREF(startkey);
                    if (cmp < 0)
                        return NULL;
                    if (table != so->table || entry->key != startkey)
                        return set_lookkey(so, key, hash);
                    if (cmp > 0)
                        return entry;
                    mask = so->mask;
                }
                if (entry->hash == -1 && freeslot == NULL)
                    freeslot = entry;
            }
        }

        perturb >>= PERTURB_SHIFT; // #define PERTURB_SHIFT 5
        i = (i * 5 + 1 + perturb) & mask;

        entry = &table[i];
        if (entry->key == NULL)
            goto found_null;
    }
  found_null:
    return freeslot == NULL ? entry : freeslot;
}

在 cpython 当中对于给哈希表数组扩容的操作，很多状况下都是用上面这行代码，从上面的代码来看对应扩容后数组的大小并不简略，当你的哈希表当中的元素个数大于 50000 时，新数组的大小是原数组的两倍，而如果你哈希表当中的元素个数小于等于 50000，那么久扩充为原来长度的四倍，这个次要是怕前面如果持续扩充四倍的话，可能会节约很多内存空间。

set_table_resize(so, so->used>50000 ? so->used*2 : so->used*4);

首先须要理解一下扩容机制，当哈希表须要扩容的时候，次要有以下两个步骤：

创立新的数组，用于存储哈希表的键。
遍历原来的哈希表，将原来哈希表当中的数据退出到新的申请的数组当中。

这里须要留神的是因为数组的长度产生了变动，然而 key 的哈希值却没有发生变化，因而在新的数组当中数据对应的下标地位也会发生变化，因而需从新将所有的对象从新进行一次插入操作，上面的整个操作相对来说比较简单，这里不再进行阐明了。

static int
set_table_resize(PySetObject *so, Py_ssize_t minused)
{
    Py_ssize_t newsize;
    setentry *oldtable, *newtable, *entry;
    Py_ssize_t oldfill = so->fill;
    Py_ssize_t oldused = so->used;
    int is_oldtable_malloced;
    setentry small_copy[PySet_MINSIZE];

    assert(minused >= 0);

    /* Find the smallest table size > minused. */
    /* XXX speed-up with intrinsics */
    for (newsize = PySet_MINSIZE;
         newsize <= minused && newsize > 0;
         newsize <<= 1)
        ;
    if (newsize <= 0) {PyErr_NoMemory();
        return -1;
    }

    /* Get space for a new table. */
    oldtable = so->table;
    assert(oldtable != NULL);
    is_oldtable_malloced = oldtable != so->smalltable;

    if (newsize == PySet_MINSIZE) {
        /* A large table is shrinking, or we can't get any smaller. */
        newtable = so->smalltable;
        if (newtable == oldtable) {if (so->fill == so->used) {
                /* No dummies, so no point doing anything. */
                return 0;
            }
            /* We're not going to resize it, but rebuild the
               table anyway to purge old dummy entries.
               Subtle:  This is *necessary* if fill==size,
               as set_lookkey needs at least one virgin slot to
               terminate failing searches.  If fill < size, it's
               merely desirable, as dummies slow searches. */
            assert(so->fill > so->used);
            memcpy(small_copy, oldtable, sizeof(small_copy));
            oldtable = small_copy;
        }
    }
    else {newtable = PyMem_NEW(setentry, newsize);
        if (newtable == NULL) {PyErr_NoMemory();
            return -1;
        }
    }

    /* Make the set empty, using the new table. */
    assert(newtable != oldtable);
    memset(newtable, 0, sizeof(setentry) * newsize);
    so->fill = 0;
    so->used = 0;
    so->mask = newsize - 1;
    so->table = newtable;

    /* Copy the data over; this is refcount-neutral for active entries;
       dummy entries aren't copied over, of course */
    if (oldfill == oldused) {for (entry = oldtable; oldused > 0; entry++) {if (entry->key != NULL) {
                oldused--;
                set_insert_clean(so, entry->key, entry->hash);
            }
        }
    } else {for (entry = oldtable; oldused > 0; entry++) {if (entry->key != NULL && entry->key != dummy) {
                oldused--;
                set_insert_clean(so, entry->key, entry->hash);
            }
        }
    }

    if (is_oldtable_malloced)
        PyMem_DEL(oldtable);
    return 0;
}

static void
set_insert_clean(PySetObject *so, PyObject *key, Py_hash_t hash)
{
    setentry *table = so->table;
    setentry *entry;
    size_t perturb = hash;
    size_t mask = (size_t)so->mask;
    size_t i = (size_t)hash & mask;
    size_t j;
    // #define LINEAR_PROBES 9
    while (1) {entry = &table[i];
        if (entry->key == NULL)
            goto found_null;
        if (i + LINEAR_PROBES <= mask) {for (j = 0; j < LINEAR_PROBES; j++) {
                entry++;
                if (entry->key == NULL)
                    goto found_null;
            }
        }
        perturb >>= PERTURB_SHIFT;
        i = (i * 5 + 1 + perturb) & mask;
    }
  found_null:
    entry->key = key;
    entry->hash = hash;
    so->fill++;
    so->used++;
}

从汇合当中删除元素的代码如下所示：

static PyObject *
set_pop(PySetObject *so)
{
    /* Make sure the search finger is in bounds */
    Py_ssize_t i = so->finger & so->mask;
    setentry *entry;
    PyObject *key;

    assert (PyAnySet_Check(so));
    if (so->used == 0) {PyErr_SetString(PyExc_KeyError, "pop from an empty set");
        return NULL;
    }

    while ((entry = &so->table[i])->key == NULL || entry->key==dummy) {
        i++;
        if (i > so->mask)
            i = 0;
    }
    key = entry->key;
    entry->key = dummy;
    entry->hash = -1;
    so->used--;
    so->finger = i + 1;         /* next place to start */
    return key;
}

下面的代码相对来说也比拟清晰，从 finger 开始寻找存在的元素，并且删除他。咱们在后面提到过，当一个元素被删除之后他会被赋值成 dummy 而且哈希值为 -1。

在本篇文章当中次要给大家简要介绍了一下在 cpython 当中的汇合对象是如何实现的，次要是介绍了一些外围的数据结构和 cpython 当中具体的哈希表的实现原理，在 cpython 外部是应用线性探测法和凋谢地址法两种办法去解决哈希抵触的，同时 cpython 哈希表的扩容形式比价有意思，在哈希表当中的元素个数小于 50000 时，扩容的时候，扩容大小为原来的四倍，当大于 50000 时，扩容的大小为原来的两倍，这个次要是因为怕前面如果扩容太大没有应用十分节约内存空间。

本篇文章是深刻了解 python 虚拟机系列文章之一，文章地址：https://github.com/Chang-LeHung/dive-into-cpython

更多精彩内容合集可拜访我的项目：https://github.com/Chang-LeHung/CSCore

关注公众号：一无是处的钻研僧，理解更多计算机（Java、Python、计算机系统根底、算法与数据结构）常识。

关于python:深入理解-Python-虚拟机集合set的实现原理及源码剖析

深刻了解 Python 虚拟机：汇合（set）的实现原理及源码分析

数据结构介绍

创立汇合对象

往汇合当中退出数据

哈希表数组扩容

从汇合当中删除元素 pop

总结

Just My Socks（注册教程内含优惠码）

关于python:深入理解-Python-虚拟机集合set的实现原理及源码剖析

深刻了解 Python 虚拟机：汇合（set）的实现原理及源码分析

数据结构介绍

创立汇合对象

往汇合当中退出数据

哈希表数组扩容

从汇合当中删除元素 pop

总结

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）