为了 1% 情形，牺牲 99% 情形下的性能: 蜗牛般的 Python 深拷贝

最近使用 Python 一个项目，为情发现 Python 的形牺形下深拷贝 copy.deepcopy 实在是太慢了。

相关背景

在 Python 中,牲情n深 我们有两种拷贝对象的方式：浅拷贝和深拷贝。浅拷贝和深拷贝都可以在 copy 模块中找到,性的 其中 copy.copy() 进行浅拷贝操作, copy.deepcopy() 进行深拷贝操作。浅拷贝是蜗牛般在另一块地址中创建一个新的对象，但是拷贝新对象内的子对象引用指向源对象的子对象。如果这时候我们修改源对象的为情子对象的属性, 新对象中子对象的属性也会改变。为了获取一个和源对象没有任何关系的形牺形下全新对象，我们需要深拷贝。牲情n深深拷贝是性的在另一块地址中创建一个新的对象，同时对象内的蜗牛般子对象也是新开辟的，和源对象对比仅仅是拷贝值相同。

下面用一个例子说明浅拷贝和深拷贝的为情区别，云服务器下面的形牺形下代码将输出 "b [2,2,3]" 和 "c [1,2,3]"。

import copyclass A:    def __init__(self):     array = [1,牲情n深2,3] a = A() b = copy.copy(a) c = copy.deepcopy(a) a.array[0] = 2 print "b",b.array print "c",c.array 

b 是由 a 浅拷贝而来，c 是由 a 深拷贝而来。修改 a.array 之后， b.array 也随之发生变化。其实 a.array 和 b.array 指向同一个对象。而 c.array 则保持原样。

深拷贝比浅拷贝符合人类的直觉，代价就是深拷贝实在是太慢了。下面代码中，case1 和 case2 是等价的。在我的机器上测试，case1 不到一秒，而 case2 则达到了 十秒。那么深拷贝为什么那么慢呢?

import copyclass A:    def __init__(self):        array = [1,2,3] a = [A() for i in xrange(100000)] a[10].array[0] = 100 ### case1 b = [A() for i in xrange(100000)] for i in xrange(100000):     for j in xrange(3):        b[i].array[j] = a[i].array[j] ### case2 c = copy.deepcopy(a) 

深拷贝分析

为了搞清楚为什么 Python 深拷贝这么慢，我阅读了下 Python 2.7 版本的 copy.deepcopy 的实现: https://github.com/python/cpython/blob/2.7/Lib/copy.py。其大体结构为:

def deepcopy(x, memo=None, _nil=[]):     if memo is None:         memo = { }     d = id(x)     y = memo.get(d, _nil)     if y is not _nil:         return y     cls = type(x)     copier = _deepcopy_dispatch.get(cls)     if copier:         y = copier(x, memo)     else:         ... ## 其他特殊的拷贝方式     memo[d] = y     return y 

其中 memo 保存着所有拷贝过的对象。为什么要设置 memo 呢?在某些特殊情况下，一个对象的相关对象可以指向它自己，网站模板比如双向链表。如果不将拷贝过的对象存着，那程序将陷入死循环。另外一个值得注意的点是 _deepcopy_dispatch，这行代码根据待拷贝对象的类型，选择相应的拷贝函数。可选的拷贝函数有：用于拷贝基本数据类型的 _deepcopy_atomic, 用于拷贝列表的 _deepcopy_list，用于拷贝元组 _deepcopy_tuple，用于拷贝字典 的 _deepcopy_dict，用于拷贝自定义对象的 _deepcopy_inst 等等。其中比较重要的拷贝函数 __deepcopy_inst 代码如下所示：如果对象有 _ _ deepcopy _ _ 函数，则使用该函数进行拷贝;如果没有，那么先拷贝初始构造参数，然后构造一个对象，再拷贝对象状态。

def _deepcopy_inst(x, memo):     if hasattr(x,__deepcopy__):         return x.__deepcopy__(memo)     if hasattr(x,__getinitargs__):         args = x.__getinitargs__()         args = deepcopy(args, memo)         y = x.__class__(*args)     else:         y = _EmptyClass()         y.__class__ = x.__class__     memo[id(x)] = y         if hasattr(x, __getstate__):         state = x.__getstate__()     else:         state = x.__dict__     state = deepcopy(state, memo)     if hasattr(y, __setstate__):         y.__setstate__(state)     else:         y.__dict__.update(state)     return y 

深拷贝需要维护一个 memo 用于记录已经拷贝的对象，这是它比较慢的原因。在绝大多数情况下，程序里都不存在相互引用。香港云服务器但作为一个通用的模块，Python 深拷贝必须为了这 1% 情形，牺牲 99% 情形下的性能。

一个场景

上面给出了深拷贝效率对比的结果，已经可以看出深拷贝很慢了，但没有办法直观感受深拷贝拖累整个程序的运行速度。下面给一个实际项目的例子，最近在写的一些游戏环境。玩家程序获得游戏环境给出的信息，当前玩家程序选择合适的动作，游戏环境根据该动作推进游戏逻辑;重复上述过程，直到分出胜负;整个过程如下所示。给玩家程序的信息必须从游戏环境深拷贝出来。如果给玩家的信息是从游戏环境浅拷贝出来的，那么玩家程序有可能通过信息获取游戏秘密或者操纵游戏。

我们已经知道默认的深拷贝很慢。为了改进深拷贝的效率，我们在信息类以及相关类都添加了 _ _ deepcopy _ _ 函数，下面是信息类示例。

class FiveCardStudInfo(roomai.abstract.AbstractInfo):     public_state  = None     person_state  = None     def __deepcopy__(self, memodict={ }):         info = FiveCardStudInfo()         info.public_state = self.public_state.__deepcopy__()         info.public_state = self.person_state.__deepcopy__()         return info 

简单做了一个效率对比实验：让随机玩法玩家打一千局梭哈，统计耗时。实验结果如下所示。

使用原始深拷贝，程序运行时间为 143 秒，其中深拷贝时间 134 秒，深拷贝时间占整个程序时间的 94%。使用了改进深拷贝，程序运行时间是 23 秒，其中深拷贝时间 16 秒，占比为 69 %。虽然深拷贝依然占到了 69%，相比之间 94 % 已经下降很多。整个程序运行时间也从 134 秒减少到 23 秒了。

总结

Python 的深拷贝很慢，原因在于深拷贝需要维护一个 memo 用于记录已经拷贝的对象。而维护这个 memo 的原因是为了避免相互引用造成的死循环。但作为一个通用的模块，Python 深拷贝必须为了这 1% 情形，牺牲 99% 情形下的性能。我们可以通过自己实现 _ _ deepcopy _ _ 函数来改进其效率。

【本文为专栏作者“李立”的原创稿件，转载请通过获取联系和授权】

戳这里，看该作者更多好文

很赞哦!（78）