深入 Python 对象模型：PyObject 与 PyVarObject 全解析-洪萨配资

深入 Python 对象模型：PyObject 与 PyVarObject 全解析

“理解 Python 的对象模型，就像看清冰山下的结构——你会写得更稳，调得更准，优化得更狠。”

Python 是一门“万物皆对象”的语言。无论是整数、字符串、函数、类，甚至模块和代码块，统统都是对象。这种统一的对象模型为 Python 带来了极大的灵活性与一致性，也正是它成为“胶水语言”的根基之一。

但你是否曾思考过：Python 中的对象在底层到底长什么样？PyObject和PyVarObject究竟扮演着怎样的角色？理解这些结构，不仅能帮助我们更好地掌握 Python 的运行机制，还能在性能调优、扩展开发（如 C 扩展）中游刃有余。

一、Python 对象模型的核心：PyObject 与 PyVarObject

Python 的解释器（CPython）使用 C 语言实现，其对象系统的核心是两个结构体：

PyObject：所有 Python 对象的基类，定义了对象的基本信息。
PyVarObject：可变长对象（如 list、str、tuple）的基类，继承自PyObject，并增加了长度信息。

1.1 PyObject 结构解析

typedefstruct_object{Py_ssize_t ob_refcnt;// 引用计数struct_typeobject*ob_type;// 指向类型对象的指针}PyObject;

ob_refcnt：引用计数，用于垃圾回收。
ob_type：指向该对象的类型（如 int、str、list 等）的结构体指针。

这意味着每个对象都知道自己“是什么”，并能通过ob_type找到对应的行为定义（方法、属性等）。

1.2 PyVarObject 结构解析

typedefstruct{PyObject ob_base;// PyObject 基础部分Py_ssize_t ob_size;// 可变对象的长度（如 list 的元素个数）}PyVarObject;

ob_size：记录对象的“变长”部分的大小，比如 list 中的元素个数、str 的字符数等。

1.3 可视化结构图

+---------------------+ | PyObject | +---------------------+ | ob_refcnt | | ob_type | +---------------------+ +---------------------+ | PyVarObject | +---------------------+ | ob_base (PyObject) | | ├── ob_refcnt | | └── ob_type | | ob_size | +---------------------+

二、对象模型在实际中的体现

2.1 所有对象都继承自 PyObject

Python 中的每个对象都可以通过id()获取其地址，通过type()获取其类型，这正是PyObject的体现。

x=42print(id(x))# 对应 ob_refcnt 的内存地址print(type(x))# 对应 ob_type

2.2 可变对象的 ob_size

lst=[1,2,3]print(len(lst))# 实际上就是读取 ob_size

在 C 层面，len(lst)会调用PyList_Size()，其内部读取的正是ob_size字段。

三、深入类型对象：PyTypeObject

每个 Python 对象的ob_type指向一个PyTypeObject，它定义了该类型的所有行为。

typedefstruct_typeobject{PyObject_VAR_HEADconstchar*tp_name;// 类型名称inttp_basicsize;// 基础大小inttp_itemsize;// 每个元素的大小（用于变长对象）destructor tp_dealloc;// 析构函数printfunc tp_print;// 打印函数（3.8 后废弃）getattrfunc tp_getattr;// 获取属性...}PyTypeObject;

这就解释了为什么我们可以为类定义__str__、__add__等魔法方法——它们本质上是PyTypeObject中的函数指针。

四、实战：用 C 扩展自定义 Python 对象

我们可以通过 C 扩展模块自定义一个新的 Python 类型，亲手操作PyObject和PyTypeObject。

4.1 示例：定义一个简单的计数器对象

typedefstruct{PyObject_HEADintcount;}CounterObject;staticPyObject*Counter_new(PyTypeObject*type,PyObject*args,PyObject*kwds){CounterObject*self;self=(CounterObject*)type->tp_alloc(type,0);if(self!=NULL){self->count=0;}return(PyObject*)self;}

4.2 注册类型

staticPyTypeObject CounterType={PyVarObject_HEAD_INIT(NULL,0).tp_name="custom.Counter",.tp_basicsize=sizeof(CounterObject),.tp_flags=Py_TPFLAGS_DEFAULT,.tp_new=Counter_new,};

通过这种方式，我们可以创建完全自定义的 Python 对象，甚至可以模拟 NumPy 的行为。

五、对象模型与性能优化

5.1 避免频繁创建对象

由于每个对象都包含引用计数、类型指针等元数据，频繁创建小对象（如字符串拼接）会带来额外开销。

# 慢：每次循环都创建新字符串s=""foriinrange(10000):s+=str(i)# 快：使用列表拼接s="".join([str(i)foriinrange(10000)])

5.2 使用slots减少内存占用

默认情况下，Python 对象使用__dict__存储属性，这会增加内存开销。使用__slots__可以显著减少内存使用。

classPoint:__slots__=('x','y')# 禁止动态添加属性def__init__(self,x,y):self.x=x self.y=y

六、对象模型与调试技巧

6.1 使用 ctypes 查看底层结构

importctypes x=123address=id(x)refcnt=ctypes.c_long.from_address(address).valueprint(f"引用计数：{refcnt}")

6.2 使用 sys.getsizeof 分析对象大小

importsysprint(sys.getsizeof(123))# 小整数对象print(sys.getsizeof([1,2,3]))# list 对象

七、对象模型与垃圾回收机制

Python 使用引用计数为主、垃圾回收为辅的内存管理机制。

ob_refcnt为 0 时，对象立即销毁。
为解决循环引用问题，Python 引入了 GC 模块（代际回收）。

importgcprint(gc.get_threshold())# 查看回收阈值print(gc.get_count())# 当前各代对象数量

八、未来展望：对象模型的演进方向

随着 Python 性能优化的推进（如 PEP 659、PEP 703），对象模型也在不断演进：

No-GIL（无全局解释器锁）：将彻底改变对象访问的线程安全策略。
结构共享优化：减少对象元数据冗余，提高缓存命中率。
静态类型支持增强：通过mypy,Cython,Pyright等工具，推动对象模型向更高效的方向发展。

九、总结与互动

Python 的对象模型是理解其运行机制的钥匙。从PyObject到PyVarObject，再到PyTypeObject，每一层都揭示了 Python 灵活性背后的结构设计。

无论你是初学者还是资深开发者，理解这些底层结构都能帮助你：

写出更高效、可维护的代码；
更好地调试与优化程序；
在需要时编写 C 扩展或参与 CPython 开发。

💬 开放讨论

你是否在项目中遇到过与对象模型相关的性能瓶颈？
有没有尝试过使用__slots__、Cython 或 C 扩展优化对象结构？
你如何看待 Python 在未来高性能计算中的角色？

欢迎在评论区分享你的经验与思考，让我们一起深入

深入 Python 对象模型：PyObject 与 PyVarObject 全解析