0. 前言
浙江省新版高中技术教材将采纳Python 3作为信息技术教学语言。作为一名高一学生，笔者开始温习本人的Python常识。温习之余，特意开设这个系列，来记录本人的温习所得。
本次笔记中提到的问题由笔者的一位同学提出，与Python中的int object pool无关。
1. 问题形容
代码片段如下：
var_a = 1var_b = 1print("Address: var_a: {0} var_b: {1}".format(id(var_a), id(var_b)))print("var_a is var_b? {0}".format(var_a is var_b))var_c = 300var_d = 300print("Address: var_c: {0} var_d: {1}".format(id(var_c), id(var_d)))print("var_c is var_d? {0}".format(var_c is var_d))在Python shell中执行产生如下后果：
>>> >>> var_a = 1>>> var_b = 1>>> print("Address: var_a: {0} var_b: {1}".format(id(var_a), id(var_b)))Address: var_a: 9310336 var_b: 9310336>>> print("var_a is var_b? {0}".format(var_a is var_b))var_a is var_b? True>>> >>> var_c = 300>>> var_d = 300>>> print("Address: var_c: {0} var_d: {1}".format(id(var_c), id(var_d)))Address: var_c: 140399450822160 var_d: 140399450823472>>> print("var_c is var_d? {0}".format(var_c is var_d))var_c is var_d? False>>> 为什么同样是int类型的值，在对象地址和is判断中会有差异？
2. 解决方案与探讨
Python 3的C语言实现（又称CPython，即 python.org 上提供下载的版本）中，存在着int对象缓存池，即int object pool。为了进步解释器的运行效率，CPython会默认在解释器初始化时创立好一小部分（最罕用的）int对象，存储在一个数组中。当这些int被援用时，解释器便间接返回曾经缓存好的对象地址，而无需重新分配。这点在CPython的代码中能够清晰地看到。
// Python-3.8.5/Objects/longobject.c, L18-L23#ifndef NSMALLPOSINTS#define NSMALLPOSINTS 257#endif#ifndef NSMALLNEGINTS#define NSMALLNEGINTS 5#endif下面这段代码中，CPython预约义了两个宏，别离定义了“较小数字”的正边界（NSMALLPOSINTS）和“较小数字”的负边界（NSMALLNEGINTS）。也就是说，CPython中的int object pool边界在此定义。
// Python-3.8.5/Objects/longobject.c, L37-L43#if NSMALLNEGINTS + NSMALLPOSINTS > 0/* Small integers are preallocated in this array so that they can be shared. The integers that are preallocated are those in the range -NSMALLNEGINTS (inclusive) to NSMALLPOSINTS (not inclusive).*/static PyLongObject small_ints[NSMALLNEGINTS + NSMALLPOSINTS];这段代码创立了一个PyLongObject的数组。这个数组中能够放下在[NSMALLNEGINTS, NSMALLPOSINTS)（左闭右开）之内的数。
// Python-3.8.5/Objects/longobject.c, L48-L79static PyObject *get_small_int(sdigit ival){ PyObject *v; assert(-NSMALLNEGINTS <= ival && ival < NSMALLPOSINTS); v = (PyObject *)&small_ints[ival + NSMALLNEGINTS]; Py_INCREF(v);#ifdef COUNT_ALLOCS if (ival >= 0) _Py_quick_int_allocs++; else _Py_quick_neg_int_allocs++;#endif return v;}#define CHECK_SMALL_INT(ival) \ do if (-NSMALLNEGINTS <= ival && ival < NSMALLPOSINTS) { \ return get_small_int((sdigit)ival); \ } while(0)static PyLongObject *maybe_small_long(PyLongObject *v){ if (v && Py_ABS(Py_SIZE(v)) <= 1) { sdigit ival = MEDIUM_VALUE(v); if (-NSMALLNEGINTS <= ival && ival < NSMALLPOSINTS) { // <=== 关注这行 Py_DECREF(v); return (PyLongObject *)get_small_int(ival); } } return v;}这个函数实现了判断数字是否在缓存范畴内并获取缓存地址的性能，其中标有标记的一行便是要害的判断语句。该语句实现了对上述范畴的判断。
思考如下两段代码：
# code/python_int_pool_a.pyfor x in range(10000, 20000): for y in range(0, 100): pass# code/python_int_pool_b.pyfor x in range(10000, 20000): for y in range(300, 400): pass咱们应用shell内置命令time统计两段代码的执行工夫，后果如下：
$ time python ./python_int_pool_a.pyreal 0m0.099suser 0m0.000ssys 0m0.015s$ time python ./python_int_pool_b.pyreal 0m0.115suser 0m0.000ssys 0m0.031s$显著，同样调配100个int，可能应用int object pool的python_int_pool_a.py（0.099s）远快于间接调配的python_int_pool_b.py（0.115s）。常量池的劣势便在这里体现进去。
3. 延长
一般来说，咱们对于Python代码进行运行工夫剖析，有以下三种办法：
time工具
最简略的计时办法，个别在想要获取解释器总体运行工夫时有较好体现。
长处： 简洁直白；内置于shell中；额定开销少；对任意可执行文件皆无效
毛病： 输入过于简略，没有具体执行信息；shell之间实现不统一
样例：
$ time python ./python_int_pool_a.py real 0m0.071suser 0m0.046ssys 0m0.009s$ zsh% time python ./python_int_pool_a.py python ./python_int_pool_b.py 0.04s user 0.00s system 99% cpu 0.047 total%对于它的应用不再赘述。
cProfile模块
CPython自带的性能统计工具，能够准确到每个函数。
长处： 使用方便；内置于Python中；准确到每个Python函数
毛病： 开销较大；输入繁冗；只针对Python脚本无效；只存在于CPython中
样例：
$ python -m cProfile ./python_int_pool_a.py 3 function calls in 0.022 seconds Ordered by: standard name ncalls tottime percall cumtime percall filename:lineno(function) 1 0.022 0.022 0.022 0.022 python_int_pool_a.py:4(<module>) 1 0.000 0.000 0.022 0.022 {built-in method builtins.exec} 1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}$ 能够看到，输入内容十分具体，蕴含了函数调用次数ncalls，函数本体（不包含子函数调用）运行总工夫tottime，函数（包含子函数调用）运行总工夫cumtime，具体的文件名、行号和函数名。然而对于较大的脚本，cProfile便显得过于具体以至于繁杂了：
$ python -m cProfile gen_pattern.py --help ... 省略脚本自身的输入 ... 24601 function calls (23801 primitive calls) in 0.024 seconds Ordered by: standard name ncalls tottime percall cumtime percall filename:lineno(function) 37 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:1009(_handle_fromlist) 28 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:103(release) 28 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:143(__init__) 28 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:147(__enter__) 28 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:151(__exit__) 28 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:157(_get_module_lock) 28 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:176(cb) 36/2 0.000 0.000 0.019 0.009 <frozen importlib._bootstrap>:211(_call_with_frames_removed) 319 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:222(_verbose_message) 8 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:232(_requires_builtin_wrapper) 25 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:307(__init__) 25 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:311(__enter__) 25 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:318(__exit__) 100 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:321(<genexpr>) 16 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:35(_new_module) 26 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:369(__init__) 33 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:403(cached) 25 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:416(parent) 25 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:424(has_location) 8 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:433(spec_from_loader) 25 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:504(_init_module_attrs) 25 0.000 0.000 0.002 0.000 <frozen importlib._bootstrap>:576(module_from_spec) 28 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:58(__init__) 25/2 0.000 0.000 0.020 0.010 <frozen importlib._bootstrap>:663(_load_unlocked) 26 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:719(find_spec) 8 0.000 0.000 0.000 0.000 <frozen importlib._bootstrap>:740(create_module) ... 此处省略529行 ... 1 0.000 0.000 0.000 0.000 {method 'write' of '_io.TextIOWrapper' objects}$此处gen_pattern.py出自Open Source Computer Vision Library（opencv/opencv），作者Jaycee（yassiezar），Vladislav Sovrasov（sovrasov），S. Garrido（sergarrido），Nicholas Nadeau（nnadeau），Rong "Mantle" Bao（CSharperMantle）和debjan（debjan）
- 采纳
ld链接器的运行时库打桩
应用运行时库打桩机制，咱们能够重定向任意函数至咱们本人的函数。
长处： 高度自定义；自由度高
毛病： 只在带有GCC的Linux设施上起效；应用简单
样例：
这里咱们打桩分配内存的规范库函数malloc()。
// code/mymalloc.cpp#include <cstdio>#include <dlfcn.h>#include <stdexcept>#define LOG_INFO std::printf#ifdef __cplusplusextern "C" {#endif /* __cplusplus */void* malloc(size_t size){ auto symbol_addr = dlsym(RTLD_NEXT, "malloc"); if (!symbol_addr) { throw std::runtime_error(dlerror()); } typedef void* (*__malloc)(size_t); auto libc_malloc = reinterpret_cast<__malloc>(symbol_addr); auto ptr = libc_malloc(size); static thread_local bool called = false; if (!called) { called = true; LOG_INFO("malloc(%ld) = %p\n", size, ptr); called = false; } return ptr;}void free(void *ptr){ auto symbol_addr = dlsym(RTLD_NEXT, "free"); if (!symbol_addr) { throw std::runtime_error(dlerror()); } typedef void (*__free)(void *); auto libc_free = reinterpret_cast<__free>(symbol_addr); libc_free(ptr); LOG_INFO("free() = %p\n", ptr);}#ifdef __cplusplus}#endif /* __cplusplus */编译、运行：
$ g++ -o mymalloc.so mymalloc.cpp -shared -fPIC -ldl -D_GNU_SOURCE -g -Wall -Wextra$ LD_PRELOAD="./mymalloc.so" python ./python_int_pool_a.py malloc(72704) = 0x138a2d0malloc(32) = 0x139c2f0malloc(2) = 0x139c320malloc(5) = 0x139c340free() = 0x139c340malloc(120) = 0x139c360...以下省略...$THE END