首页 > temp > 简明python教程 >
-
字符串太占内存了，我想了各种奇思淫巧对它进行压缩
一：背景
1. 讲故事
在我们的一个全内存项目中，需要将一家大品牌店铺小千万的trade灌入到内存中，大家知道trade中一般会有订单来源,省市区 ，当把这些字段灌进去后，你会发现他们特别侵蚀内存，因为都是字符串类型，不知道大家对内存侵蚀性是不是很清楚，我就问一个问题。
Question: 一个空字符串占用多大内存？ 你知道吗？
思考之后，下面我们就一起验证下，使用windbg去托管堆一查究竟，代码如下：
static void Main(string[] args)
{
string s = string.Empty;
Console.ReadLine();
}
0:000> !clrstack -l
OS Thread Id: 0x308c (0)
Child SP IP Call Site
ConsoleApp6.Program.Main(System.String[]) [C:\dream\Csharp\ConsoleApp1\ConsoleApp6\Program.cs @ 19]
LOCALS:
0x00000087391febd8 = 0x000002605da91420
0:000> !DumpObj /d 000002605da91420
Name: System.String
String:
Fields:
MT Field Offset Type VT Attr Value Name
00007ff9eb2b85a0 4000281 8 System.Int32 1 instance 0 m_stringLength
00007ff9eb2b6838 4000282 c System.Char 1 instance 0 m_firstChar
00007ff9eb2b59c0 4000286 d8 System.String 0 shared static Empty
>> Domain:Value 000002605beb2230:NotInit <<
0:000> !objsize 000002605da91420
sizeof(000002605da91420) = 32 (0x20) bytes (System.String)
从图中你可以看到，仅仅一个空字符串就要占用 32byte，如果500w个空字符串就是： 32byte x 500w = 152M，是不是不算不知道，一算吓一跳。。。 这还仅仅是一个什么都没有的空字符串哦。
2. 回归到Trade
问题也已经摆出来了，接下来回归到Trade中，为了方便演示，先模拟以文件的形式从数据库读取20w的trade。
class Program
{
static void Main(string[] args)
{
var trades = Enumerable.Range(0, 20 * 10000).Select(m => new Trade()
{
TradeID = m,
TradeFrom = File.ReadLines(Environment.CurrentDirectory + "//orderfrom.txt")
.ElementAt(m % 4)
}).ToList();
GC.Collect(); //方便测试，把临时变量清掉
Console.WriteLine("执行成功");
Console.ReadLine();
}
}
class Trade
{
public int TradeID { get; set; }
public string TradeFrom { get; set; }
}
然后用windbg去跑一下托管堆，再量一下trades的大小。
0:000> !dumpheap -stat
Statistics:
MT Count TotalSize Class Name
00007ff9eb2b59c0 200200 7010246 System.String
0:000> !objsize 0x000001a5860629a8
sizeof(000001a5860629a8) = 16097216 (0xf59fc0) bytes (System.Collections.Generic.List`1[[ConsoleApp6.Trade, ConsoleApp6]])
从上面输出中可以看到托管堆有200200 = 20w(程序分配)+ 200(系统分配)个，然后再看size： 16097216/1024/1024= 15.35M，这就是展示的所有原始情况。
二：压缩技巧分析
1. 使用字典化处理
其实在托管堆上有20w个字符串，但你仔细观察一下会发现其实就是4种状态的重复显示，要么一淘，要么淘宝。。。这就给了我优化机会，何不在获取数据的时候构建好OrderFrom的字典，然后在trade中附增一个TradeFromID记录字典中的映射值，因为特征值少，用byte就可以了，有了这个思想，可以把代码修改如下：
class Program
{
public static Dictionary<int, string> orderfromDict = new Dictionary<int, string>();
static void Main(string[] args)
{
var trades = Enumerable.Range(0, 20 * 10000).Select(m =>
{
var tradefrom = File.ReadLines(Environment.CurrentDirectory + "//orderfrom.txt")
.ElementAt(m % 4);
var kv = orderfromDict.FirstOrDefault(k => k.Value == tradefrom);
if (kv.Key == 0)
{
orderfromDict.Add(orderfromDict.Count + 1, tradefrom);
}
var trade = new Trade() { TradeID = m, TradeFromID = (byte)kv.Key };
return trade;
}).ToList();
GC.Collect(); //方便测试，把临时变量清掉
Console.WriteLine("执行成功");
Console.ReadLine();
}
}
class Trade
{
public int TradeID { get; set; }
public byte TradeFromID { get; set; }
public string TradeFrom
{
get
{
return Program.orderfromDict[TradeFromID];
}
}
}
代码还是很简单的，接下来用windbg看一下空间到底压缩了多少?
0:000> !dumpheap -stat
Statistics:
MT Count TotalSize Class Name
00007ff9eb2b59c0 204 10386 System.String
0:000> !clrstack -l
OS Thread Id: 0x2ce4 (0)
Child SP IP Call Site
ConsoleApp6.Program.Main(System.String[]) [C:\dream\Csharp\ConsoleApp1\ConsoleApp6\Program.cs @ 42]
LOCALS:
0x0000006f4d9ff078 = 0x0000016fdcf82ab8
0000006f4d9ff288 00007ff9ecd96c93 [GCFrame: 0000006f4d9ff288]
0:000> !objsize 0x0000016fdcf82ab8
sizeof(0000016fdcf82ab8) = 6897216 (0x693e40) bytes (System.Collections.Generic.List`1[[ConsoleApp6.Trade, ConsoleApp6]])
从上面的输出中可以看到，托管堆上string现在是：204 = 4（程序分配） + 200（系统分配）个，这4个就是字典中的4个哦，空间的话：6897216 /1024/1024= 6.57M，对应之前的 15.35M优化了将近60%。
虽然优化了60%，但这种优化是破坏性的优化，需要修改我的Trade结构，同时还要定义个Dictionary，而且还有不小幅度的修改业务逻辑，大家都知道线上的代码是能不改则不改，不改肯定没错，改出问题肯定是你兜着走，是吧，那问题就来了，如何最小化的修改而且还能压缩空间，有这样两全其美的事情吗？？？
2. 利用字符串驻留池
貌似一说出来，大家都如梦初醒，驻留池的出现就是为了解决这个问题，CLR会在内部维护了一个我刚才定义的字典机制，重复的字符串就不需要在堆上再次分配，直接存它的引用地址即可，如果你不清楚驻留池，建议看一下我这篇： https://www.cnblogs.com/huangxincheng/p/12799736.html
接下来只需要在tradefrom 字段包一层 string.Intern 即可，改动不要太小，代码如下：
static void Main(string[] args)
{
var trades = Enumerable.Range(0, 20 * 10000).Select(m => new Trade()
{
TradeID = m,
TradeFrom = string.Intern(File.ReadLines(Environment.CurrentDirectory + "//orderfrom.txt")
.ElementAt(m % 4)), //包一层 string.Intern
}).ToList();
GC.Collect(); //方便测试，把临时变量清掉
Console.WriteLine("执行成功");
Console.ReadLine();
}
然后用windbg抓一下托管堆。
0:000> !dumpheap -stat
Statistics:
MT Count TotalSize Class Name
00007ff9eb2b59c0 204 10386 System.String
0:000> !clrstack -l
OS Thread Id: 0x13f0 (0)
Child SP IP Call Site
ConsoleApp6.Program.Main(System.String[]) [C:\dream\Csharp\ConsoleApp1\ConsoleApp6\Program.cs @ 27]
LOCALS:
0x0000005e4d3ff0a8 = 0x000001f8a15129a8
0000005e4d3ff2b8 00007ff9ecd96c93 [GCFrame: 0000005e4d3ff2b8]
0:000> !objsize 0x000001f8a15129a8
sizeof(000001f8a15129a8) = 8497368 (0x81a8d8) bytes (System.Collections.Generic.List`1[[ConsoleApp6.Trade, ConsoleApp6]])
观察后发现，当用了驻留池之后空间为： 8497368 /1024/1024 =8.1M，你可能有疑问，为什么和字典化相比内存要大24%呢？ 仔细观察你会发现，当用驻留池后，List<Trade> 中的TradeFrom存的是string在堆中的内存地址，在x64机器上要占用8个字节，而字典化方式内存堆上Trade是不分配TradeFrom，而是用了一个byte来替代，总体来说相当于一个trade省了7byte的空间，然后用windbg看一下。
0:000> !da -length 1 -details 000001f8b16f9b68
Name: ConsoleApp6.Trade[]
Size: 2097176(0x200018) bytes
Array: Rank 1, Number of elements 262144, Type CLASS
Fields:
MT Field Offset Type VT Attr Value Name
00007ff9eb2b85a0 4000001 10 System.Int32 1 instance 0 <TradeID>k__BackingField
00007ff9eb2b59c0 4000002 8 System.String 0 instance 000001f8a1516030 <TradeFrom>k__BackingField
0:000> !DumpObj /d 000001f8a1516030
Name: System.String
String: WAP
可以看到, 000001f8a1516030 就是 堆上 string=Wap的引用地址，这个地址占用了8byte空间。
再回头dump一下使用字典化方式的Trade,可以看到它是没有 <TradeFrom>k__BackingField 字段的。
0:000> !da -length 1 -details 000001ed52759ac0
Name: ConsoleApp6.Trade[]
Size: 262168(0x40018) bytes
Array: Rank 1, Number of elements 32768, Type CLASS
Fields:
MT Field Offset Type VT Attr Value Name
00007ff9eb2b85a0 4000002 8 System.Int32 1 instance 0 <TradeID>k__BackingField
00007ff9eb2b7d20 4000003 c System.Byte 1 instance 0 <TradeFromID>k__BackingField
三：总结
大家可以根据自己的情况使用，使用驻留池方式是改变最小的，简单粗暴，自己构建字典化虽然最省内存，但需要修正业务逻辑，这个风险自担哦。。。
