在缓冲区操作中，Python 字符串和 array() 哪个更高效？
我正在建立一个程序，用来处理磁盘缓存，以便进行取证分析。我在想，是用Python的字符串好，还是用array()类型更合适呢？我最开始考虑用字符串，但我想避免出现Unicode的问题，所以也许用array('c')会更好？
2 个回答
如果你需要在原地修改缓冲区（不太清楚你是不是需要，因为你用的“处理”这个词有点模糊），那么array可能更合适，因为str字符串是不可变的。不过在Python 2.6或更高版本中，bytearray可以兼顾两者的优点——既可以修改又有丰富的方法还能和正则表达式一起使用。
对于只读操作，字符串比array更有优势（因为它有更多的方法，还有一些额外的功能，比如正则表达式），如果你用的是旧版Python，不能使用bytearray的话就更是如此。在这两种情况下，Unicode都不是问题（在Python 2中；在Python 3中，一定要选择bytearray！）。
写代码的时候，先用最自然的方式（字符串）来写，看看速度是否太慢，然后再进行优化。
在大多数情况下，数组可以直接替代 str，只要你使用索引和切片来访问。它们的长度都是固定的，内存需求也差不多。数组是可变的，也就是说你可以修改它们的内容。如果需要从文件中读取数据，数组可以直接读取，这样就不会影响速度。
不过，我不太明白用数组怎么能避免Unicode的问题。str其实就是一个字节数组，它并不知道字符串的编码方式。
我猜你提到的“磁盘缓冲区”可能会很大，所以你可以考虑使用 mmap：
内存映射文件对象既像字符串，也像文件对象。不过，与普通字符串对象不同的是，这些是可变的。你可以在大多数需要字符串的地方使用mmap对象；比如，你可以用re模块在内存映射文件中搜索。因为它们是可变的，你可以通过像这样修改单个字符：obj[index] = 'a'，或者通过切片来修改子字符串：obj[i1:i2] = '...'。你还可以从当前文件位置开始读写数据，并通过seek()在文件中跳转到不同的位置。