Python __slots__ 性能优化：节省内存与提升属性访问速度详解

Python 对象以其动态性著称，开发者可以随时为对象添加或删除属性。

class User:
    pass

u = User()
u.name = "Alice"
u.age = 30

然而，这种灵活性伴随着显著的成本。每个普通的 Python 对象内部都维护了一个 __dict__ 字典来存储其属性，当程序需要创建大量对象实例时，由此产生的内存开销将变得不容忽视。__slots__ 机制正是为了解决这一痛点而设计。

__slots__ 的核心机制

__slots__ 通过在类定义中显式声明允许的属性名称，来改变对象存储属性的方式。

class User:
    __slots__ = ["name", "age"]

    def __init__(self, name, age):
        self.name = name
        self.age = age

使用 __slots__ 后，对象将不再创建 __dict__ 字典。属性的存储变为静态分配，这不仅能减少内存占用，还能在一定程度上提升属性的访问速度，对于创建海量实例的场景效果尤为明显。

底层存储原理对比

普通 Python 对象将每个属性作为键值对存储在 __dict__ 中，每次访问属性都需要进行哈希查找操作。而使用了 __slots__ 的类，其每个属性在实例的内存布局中拥有一个固定的位置（类似一个定长数组），访问属性时直接通过索引定位，省去了字典查找的开销。

这种机制实质上让 Python 对象的存储变得更像 C 语言中的结构体，更加紧凑高效。

性能收益量化

我们可以通过一个简单的对比来观察效果：

class Normal:
    def __init__(self):
        self.a = 1
        self.b = 2

class Slotted:
    __slots__ = ["a", "b"]
    def __init__(self):
        self.a = 1
        self.b = 2

如果需要实例化数百万个对象，使用 __slots__ 的版本通常可以节省 50% 至 70% 的内存。

属性访问速度的提升主要得益于以下几点：消除了字典查找、无需计算哈希值、减少了内存间接寻址。在实际测试中，属性访问时间通常能减少 20% 到 40%。

__slots__ 的使用限制

尽管优势明显，__slots__ 也有其限制，使用时需要注意。

最直接的限制是，实例无法再动态添加未在 __slots__ 中声明的属性：

u = User()
u.address = "NYC"  # ❌ 触发 AttributeError

在继承方面也需要格外小心。子类需要定义自己的 __slots__，混用带 __slots__ 和不带 __slots__ 的父类会导致行为复杂化。进行多重继承时，只有所有父类的 __slots__ 名称不冲突才能正常工作。

此外，默认情况下，使用 __slots__ 的类不支持弱引用。如果需要此功能，必须在 __slots__ 元组中显式添加 __weakref__ 条目。

适用场景

__slots__ 适用于对内存和性能有严格要求的场景，例如：

• 处理大规模数据集，需要创建数百万个同类型的对象。
• 科学计算中定义轻量级的数据结构。
• 游戏开发中管理大量实体（如粒子系统、NPC等）。

实用技巧

1. 结合类型提示：使用 __slots__ 时配合类型注解，可以使代码意图更清晰，并获得 IDE 更好的支持。
2. 与 @property 配合：虽然实例属性被固定，但仍可通过 @property 装饰器创建灵活的“计算属性”。
3. 空 __slots__：对于完全不需要实例属性的类（例如仅包含类方法的工具类），可以定义 __slots__ = ()，以最小化其实例的内存开销。

总结

__slots__ 机制的核心是用一定的灵活性（无法动态添加属性）换取内存效率与更快的属性访问速度，是 Python 高性能编程中一个重要的优化工具。

即使当前项目没有迫切的性能压力，深入理解 __slots__ 也极具价值。它能帮助你洞察 Python 对象的内部存储机制、理解属性查找的成本来源，并深刻体会 Python 在开发灵活性与运行效率之间所做的权衡。这些知识对于系统设计、性能剖析和问题排查都大有裨益。