Python面试中高频出现的小整数缓存机制，本质是CPython为提升性能而对-5到256范围内整数做的对象复用优化——这些值被高频使用（如索引、长度、布尔运算），缓存可减少内存分配和GC压力；但该范围并非语言规范要求，而是CPython实现细节，不同解释器（如PyPy）可能完全不同，且超出范围的整数每次创建都是新对象，因此**永远该用==而非is比较数值是否相等**；更深层地，它揭示了Python中对象身份（is）与值相等（==）的根本区别、编译期常量折叠带来的“意外”行为，以及“显式优于隐式”的设计哲学——掌握它，不只是记住一个数字区间，而是建立起对Python对象模型、解释器优化与编程实践之间张力的扎实理解。

Python 中的小整数缓存（small integer caching）是面试中高频出现的概念，核心在于理解 is 与 == 的区别、对象身份与值相等的差异，以及 CPython 实现层面的优化策略。

小整数缓存的范围是多少？为什么是这个范围？

CPython 默认缓存 -5 到 256（含两端）之间的所有整数。这个范围不是语言规范强制要求的，而是 CPython 解释器的实现细节（见 Objects/longobject.c 中的 NSMALLPOSINTS 和 NSMALLNEGINTS 宏定义）。

选择该范围主要基于经验统计：日常代码中，这个区间内的整数被频繁使用（如循环索引、布尔结果、列表长度、ASCII 码等），缓存它们能显著减少内存分配和垃圾回收开销。

• 超出该范围的整数每次创建都是新对象（即使值相同）
• 不同 Python 实现（如 PyPy、Jython）可能不缓存，或缓存策略不同
• 该行为不可依赖于跨版本或跨实现的稳定性

为什么 a = 256; b = 256; a is b 返回 True，但 a = 257; b = 257; a is b 却不一定？

因为 256 在缓存范围内，解释器在编译期或运行期复用同一个对象；而 257 不在缓存范围内，通常每次字面量出现都会新建一个 int 对象。

但注意：在交互式环境或同一代码块中，编译器可能做常量折叠（constant folding）优化，导致看似“意外”的 is 为 True：

# 同一行或同一代码块中，可能被优化为同一对象
a, b = 257, 257  # 可能 a is b → True（因常量合并）
c = 257; d = 257  # 也可能 True（取决于编译器处理方式）
但分开执行就大概率是 False
e = 257
f = 257
print(e is f)  # 很可能 False

因此，永远不要用 is 比较整数是否相等——应使用 ==。

如何验证某个整数是否被缓存？

最直接的方法是检查两个相同值的整数对象是否为同一对象：

def is_cached(n):
    a = n
    b = n
    return a is b
print(is_cached(256))   # True
print(is_cached(257))   # 通常 False（但非绝对，见上条说明）

更严谨的方式是观察对象 ID 是否一致，或借助 sys.getrefcount()（注意：调用本身会临时增加引用计数）：

• 缓存整数的引用计数通常远高于普通整数（因全局持有）
• 但 getrefcount() 不适合用于判断缓存，仅作辅助观察

面试中容易踩坑的延伸问题

考官常借小整数缓存引申出更深层的理解：

• 为什么 True is 1 和 False is 0 是 False？ 因为 bool 是 int 的子类，但 True 和 False 是单例对象，各自独立于整数缓存池。它们的 ID 与 1、0 不同。
• 字符串也有类似缓存吗？ 有，叫“字符串驻留（string interning）”，但规则不同：仅对符合标识符规则的字符串（如变量名）自动驻留；可手动用 sys.intern() 强制驻留。
• 能否禁用或修改小整数缓存？ 不能。这是 CPython 编译时硬编码的优化，用户层无法更改。试图绕过它（如用 int("257")）仍会生成新对象。

掌握小整数缓存的关键，不在于死记 -5~256，而在于理解其背后的性能动机、明确 is 的语义（对象同一性）、并养成用 == 做数值比较的习惯。这是 Python “显式优于隐式” 和 “实用主义优先” 设计哲学的一个典型缩影。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《小整数缓存机制面试高频考点》文章吧，也可关注golang学习网公众号了解相关技术文章。