楔子
本篇文章来聊一聊对象的创建，一个对象是如何从无到有产生的呢？
>>> n = 123 >>> n 123
比如在终端中执行 n = 123，一个整数对象就被创建好了，但它的背后都发生了什么呢？带着这些疑问，开始今天的内容。
Python 为什么这么慢
前面我们介绍了 Python 对象在底层的数据结构，知道了 Python 底层是通过 PyObject 实现了对象的多态。所以我们先来分析一下 Python 为什么慢？
在 Python 中创建一个对象，会分配内存并进行初始化，然后用一个 PyObject * 指针来维护这个对象，当然所有对象都是如此。因为指针是可以相互转化的，所以变量在保存一个对象的指针时，会将指针转成 PyObject * 之后再交给变量保存。
因此在 Python 中，变量的传递（包括函数的参数传递）实际上传递的都是泛型指针 PyObject *。这个指针具体指向什么类型的对象我们并不知道，只能通过其内部的 ob_type 字段进行动态判断，而正是因为这个 ob_type，Python 实现了多态机制。
比如 a.pop()，我们不知道 a 指向的对象到底是什么类型，它可能是列表、也可能是字典，或者是我们实现了 pop 方法的自定义类的实例对象。至于它到底是什么类型，只能通过 ob_type 动态判断。
如果 a 的 ob_type 为 &PyList_Type，那么 a 指向的对象就是列表，于是会调用 list 类型中定义的 pop 操作。如果 a 的 ob_type 为 &PyDict_Type，那么 a 指向的对象就是字典，于是会调用 dict 类型中定义的 pop 操作。所以变量 a 在不同的情况下，会表现出不同的行为，这正是 Python 多态的核心所在。
再比如列表，它内部的元素也都是 PyObject *，因为类型要保持一致，所以对象的指针不能直接存（因为类型不同），而是需要统一转成泛型指针 PyObject * 之后才可以存储。当我们通过索引获取到该指针进行操作的时候，也会先通过 ob_type 判断它的类型，看它是否支持指定的操作。所以操作容器内的某个元素，和操作一个变量并无本质上的区别，它们都是 PyObject *。
从这里我们也能看出来 Python 为什么慢了，因为有相当一部分时间浪费在类型和属性的查找上面。
以变量 a + b 为例，这个 a 和 b 指向的对象可以是整数、浮点数、字符串、列表、元组、甚至是我们自己实现了 __add__ 方法的类的实例对象。因为 Python 的变量都是 PyObject *，所以它可以指向任意的对象，因此 Python 就无法做基于类型的优化。
首先 Python 底层要通过 ob_type 判断变量指向的对象到底是什么类型，这在 C 的层面至少需要一次属性查找。然后 Python 将每一个算术操作都抽象成了一个魔法方法，所以实例相加时要在类型对象中找到该方法对应的函数指针，这又是一次属性查找。找到了之后将 a、b 作为参数传递进去，这会产生一次函数调用，会将对象维护的值拿出来进行运算，然后根据相加的结果创建一个新的对象，再将对象的指针转成 PyObject * 之后返回。
所以一个简单的加法运算，Python 内部居然做了这么多的工作，要是再放到循环里面，那么上面的步骤要重复 N 次。而对于 C 来讲，由于已经规定好了类型，所以 a + b 在编译之后就是一条简单的机器指令，因此两者在效率上差别很大。
当然我们不是来吐槽 Python 效率的问题，因为任何语言都有擅长的一面和不擅长的一面，这里只是通过回顾前面的知识来解释为什么 Python 效率低。因此当别人问你 Python 为什么效率低的时候，希望你能从这个角度来回答它，主要就两点：
- Python 无法基于类型做优化；
- Python 对象基本都存储在堆上；
建议不要一上来就谈 GIL，那是在多线程情况下才需要考虑的问题。而且我相信大部分觉得 Python 慢的人，都不是因为 Python 无法利用多核才觉得慢的。
Python 的 C API
然后来说一说 Python 的 C API，这个非常关键。首先 Python 解释器听起来很高大上，但按照陈儒老师的说法，它不过就是用 C 语言写出的一个开源软件，从形式上和其它软件并没有本质上的不同。
比如你在 Windows 系统中打开 Python 的安装目录，会发现里面有一个二进制文件 python.exe 和一个动态库文件 python312.dll。二进制文件负责执行，动态库文件则包含了相应的依赖，当然编译的时候也可以把动态库里的内容统一打包到二进制文件中，不过大部分软件在开发时都会选择前者。
既然解释器是用 C 写的，那么在执行时肯定会将 Python 代码翻译成 C 代码，这是毫无疑问的。比如创建一个列表，底层就会创建一个 PyListObject 实例，比如调用某个内置函数，底层会调用对应的 C 函数。
所以如果你想搞懂 Python 代码的执行逻辑或者编写 Python 扩展，那么就必须要清楚解释器提供的 API 函数。而按照通用性来划分的话，这些 API 可以分为两种。
- 泛型 API；
- 特定类型 API；
泛型 API
顾名思义，泛型 API 和参数类型无关，属于抽象对象层。这类 API 的第一个参数是 PyObject *，可以处理任意类型的对象，API 内部会根据对象的类型进行区别处理。
而且泛型 API 的名称也是有规律的，具有 PyObject_### 这种形式，我们举例说明。
所以泛型 API 一般以 PyObject_ 开头，第一个参数是 PyObject *，表示可以处理任意类型的对象。
特定类型 API
顾名思义，特定类型 API 和对象的类型是相关的，属于具体对象层，只能作用在指定类型的对象上面。因此不难发现，每种类型的对象，都有属于自己的一组特定类型 API。
// 通过 C 的 double 创建 PyFloatObject PyObject* PyFloat_FromDouble(double v); // 通过 C 的 long 创建 PyLongObject PyObject* PyLong_FromLong(long v); // 通过 C 的 char * 来创建 PyLongObject PyObject* PyLong_FromString(const char *str, char **pend, int base)
以上就是解释器提供的两种 C API，了解之后我们再来看看对象是如何创建的。
对象是如何创建的
创建对象可以使用泛型 API，也可以使用特定类型 API，比如创建一个浮点数。
使用泛型 API 创建
PyObject* pi = PyObject_New(PyObject, &PyFloat_Type);
通过泛型 API 可以创建任意类型的对象，因为该类 API 和类型无关。那么问题来了，解释器怎么知道要给对象分配多大的内存呢？
在介绍类型对象的时候我们提到，对象的内存大小、支持哪些操作等等，都属于元信息，而元信息会存在对应的类型对象中。其中 tp_basicsize 和 tp_itemsize 负责指定实例对象所需的内存空间。
// Include/objimpl.h #define PyObject_New(type, typeobj) ((type *)_PyObject_New(typeobj)) // Objects/object.c PyObject * _PyObject_New(PyTypeObject *tp) { // 通过 PyObject_Malloc 为对象申请内存，申请多大呢？ // 会通过 _PyObject_SIZE(tp) 进行计算 PyObject *op = (PyObject *) PyObject_Malloc(_PyObject_SIZE(tp)); if (op == NULL) { return PyErr_NoMemory(); } // 设置对象的类型和引用计数 _PyObject_Init(op, tp); return op; } // Include/cpython/objimpl.h static inline size_t _PyObject_SIZE(PyTypeObject *type) { // 返回类型对象的 tp_basicsize return _Py_STATIC_CAST(size_t, type->tp_basicsize); }
泛型 API 属于通用逻辑，而内置类型的实例对象一般会采用特定类型 API 创建。
使用特定类型 API 创建
// 创建浮点数，值为 2.71 PyObject* e = PyFloat_FromDouble(2.71); // 创建一个可以容纳 5 个元素的元组 PyObject* tpl = PyTuple_New(5); // 创建一个可以容纳 5 个元素的列表 // 当然这是初始容量，列表是可以扩容的 PyObject* lst = PyList_New(5);
和泛型 API 不同，使用特定类型 API 只能创建指定类型的对象，因为该类 API 是和类型绑定的。比如我们可以用 PyDict_New 创建一个字典，但不可能创建一个集合出来。
如果使用特定类型 API，那么可以直接分配内存。因为内置类型的实例对象，它们的定义在底层都是写死的，解释器对它们了如指掌，因此可以直接分配内存并初始化。
比如通过 e = 2.71 创建一个浮点数，解释器看到 2.71 就知道要创建 PyFloatObject 结构体实例，那么申请多大内存呢？显然是 sizeof(PyFloatObject)，直接计算一下结构体实例的大小即可。
显然一个 PyFloatObject 实例的大小是 24 字节，所以内存直接就分配了。分配之后将 ob_refcnt 初始化为 1、ob_type 设置为 &PyFloat_Type、ob_fval 设置为 2.71 即可。
同理可变对象也是一样，因为字段都是固定的，内部容纳的元素有多少个也可以根据赋的值得到，所以内部的所有字段占用了多少内存可以算出来，因此也是可以直接分配内存的。
还是那句话，解释器对内置的数据结构了如指掌，因为这些结构在底层都是定义好的，源码直接写死了。所以解释器根本不需要借助类型对象去创建实例对象，它只需要在实例对象创建完毕之后，将 ob_type 设置为指定的类型即可（让实例对象和类型对象建立联系）。
所以采用特定类型 API 创建实例的速度会更快，但这只适用于内置的数据结构，而我们自定义类的实例对象显然没有这个待遇。假设通过 class Person: 定义了一个类，那么在实例化的时候，显然不可能通过 PyPerson_New 去创建，因为底层压根就没有这个 API。
这种情况下创建 Person 的实例对象就需要 Person 这个类型对象了，因此自定义类的实例对象如何分配内存、如何进行初始化，需要借助对应的类型对象。
总的来说，Python 内部创建一个对象有两种方式：
- 通过特定类型 API，用于内置数据结构，即内置类型的实例对象。
- 通过调用类型对象去创建（底层会调用泛型 API），多用于自定义类型。
[] 和 list()，应该使用哪种方式
lst = [] 和 lst = list() 都负责创建一个空列表，但这两种方式有什么区别呢？
我们说创建实例对象可以通过解释器提供的特定类型 API，用于内置类型；也可以通过实例化类型对象去创建，既可用于自定义类型，也可用于内置类型。
# 通过特定类型 API 创建 >>> lst = [] >>> lst [] # 通过调用类型对象创建 >>> lst = list() >>> lst []
还是那句话，解释器对内置数据结构了如指掌，并且做足了优化。
- 看到 123，就知道创建 PyLongObject 实例；
- 看到 2.71，就知道创建 PyFloatObject 实例；
- 看到 ( )，就知道创建 PyTupleObject 实例；
- 看到 [ ]，就知道创建 PyListObject 实例；
- ······
这些都会使用特定类型 API 去创建，直接为结构体申请内存，然后设置引用计数和类型，所以使用 [ ] 创建列表是最快的。
但如果使用 list() 创建列表，那么就产生了一个调用，要进行参数解析、类型检测、创建栈帧、销毁栈帧等等，所以开销会大一些。
import time start = time.perf_counter() for _ in range(10000000): lst = [] end = time.perf_counter() print(end - start) """ 0.2144167000001289 """ start = time.perf_counter() for _ in range(10000000): lst = list() end = time.perf_counter() print(end - start) """ 0.4079916000000594 """
通过 [ ] 的方式创建一千万次空列表需要 0.21 秒，但通过 list() 的方式创建一千万次空列表需要 0.40 秒，主要就在于 list() 是一个调用，而 [ ] 直接会被解析成 PyListObject，因此 [ ] 的速度会更快一些。
所以对于内置类型的实例对象而言，使用特定类型 API 创建要更快一些。而且事实上通过类型对象去创建的话，会先调用 tp_new，然后在 tp_new 内部还是调用了特定类型 API。
比如：
- 创建列表：可以是 list()、也可以是 [ ]；
- 创建元组：可以是 tuple()、也可以是 ( )；
- 创建字典：可以是 dict()、也可以是 { }；
前者是通过类型对象去创建的，后者是通过特定类型 API 创建。但对于内置类型而言，我们推荐使用特定类型 API 创建，会直接解析为对应的 C 一级数据结构，因为这些结构在底层都是已经实现好了的，可以直接用。而无需通过诸如 list() 这种调用类型对象的方式来创建，因为它们内部最终还是使用了 特定类型 API，相当于多绕了一圈。
不过以上都是内置类型，而自定义的类型就没有这个待遇了，它的实例对象只能通过它自己创建。比如 Person 这个类，解释器不可能事先定义一个 PyPersonObject 然后将 API 提供给我们，所以我们只能通过 Person() 这种调用类型对象的方式来创建它的实例对象。
另外内置类型被称为静态类，它和它的实例对象在底层已经被定义好了，无法动态修改。我们自定义的类型被称为动态类，它是在解释器运行的过程中动态构建的，所以我们可以对其进行动态修改。
这里需要再强调一点，Python 的动态性、GIL 等特性，都是解释器在将字节码翻译成 C 代码时动态赋予的，而内置类型在编译之后已经是指向 C 一级的数据结构，因此也就丧失了相应的动态性。不过与之对应的就是效率上的提升，因为运行效率和动态性本身就是鱼与熊掌的关系。
小结
以上我们就简单分析了 Python 对象被创建的过程，当然这只是一个开头，其背后还隐藏了大量的细节，我们后续会慢慢说。
下一篇文章来聊一聊，对象是如何被调用的。
