python优雅自由的编程风格，让人爱不释手。而他优雅的背后，则是其对内存的合理设计。
目前python内存管理，采用了三大技术，内存池，引用计数器，垃圾回收。其中，引用计数器、垃圾回收
内存池技术
使用背景：许多时候，python中的对象，所需要使用的内存，都是比较小的，而且申请、释放是比较频繁的。如果采用直接向操作系统malloc申请、free释放的方式，频发操作，必然影响python的性能。而引入内存池技术，就可以有效解决这个问题。
技术原理：
第一步，在python运行时，python会先调用malloc，向操作系统申请一大片内存。这片内存，我可以将其成为area。
第二步，将area进行分层为不同的pool，将每一个pool分为block。不同pool之间的block大小可能是不一样的，同一个pool中的block大小是相同的。block，就是存储一个python对象的最小内存单元；block的大小必需是ALIGNMENT的整数倍。
下图表格，就是python在32位机器与64位机器上的内存池分层大小的一些数据。
| 32 位机器 | 64 位机器 | |
|---|---|---|
| arena size | 256 KB | 1 MB |
| pool size | 4 KB | 16 KB |
| ALIGNMENT | 8 B | 16 B |
这里有一个不太明确的点，就是32位和64位机器上block大小的最大值，我这里暂时没有找到准确的资料。根据网络资料，这里总结了一下，如有错误，欢迎指正：
32位机器，block大小分别为8位，16位，24位，32位……512位，对应级别从0，1，2，3-63级
64位机器，block大小分别为16位，32位，48位，54位……512位，对应级别从0，1，2，3-31级
第三步，在运行时，根据请求的内存大小n，内存池进行合理的内存分配。基本原则如下：
a,当n<block大小最大值512位时，python就会调用malloc从操作系统申请一块内存，用以存放该python对象
b，当n<block大小最大值512位时，python就直接调用内存池pymalloc进行内存分配——分配原则就是，给出大于等于n的最小block。举例说明，n=101,32位机器上最小的block是104位，在64位机器上就是112位的block
c,垃圾回收的内存，直接交给内存池管理，而不是交给操作系统。
引用计数器
有了内存池的管理，那么剩下的问题，就只有怎么回收内存的问题了。
python这里，引入了’对象引入计数器‘的概念。这在java中也是常见的。
具体原理，简单提一嘴，就是所有python对象，都维护着一个引用计数器，当程序调用这个对象式，计数器就会加1，不再使用这个对象时，计数器就会减1。
垃圾回收
python的垃圾回收，有两个启动条件，
1，程序员手动启动，直接调用gc.collect()
2,让python自动启动垃圾回收，启动条件就是：python分配对象次数，与python取消分配对象的次数，两者的差值超过一个额定的阈值，python就会启动垃圾自动回收功能。
import gc
print(gc.get_threshold())
>>>(700, 10, 10)（1）
大家在python中运行这串代码，就会得到(700, 10, 10)这个结果。这个结果的第一个元素700，就是python分配/取消分配次数两者之差的阈值，超过700，python就会启动垃圾回收。
第二个元素10，第三个元素10，就代表一代对象、二代对象扫描的频率。这个在垃圾回收策略中会具体讲到。
垃圾回收策略：
1，根据引用计数器，来回收变量。如果引用计数器为0，则表明，该对象没有被使用了，直接回收垃圾。
这里，有一个特殊情况，就是循环引用。举例说明，python对象a引用了b,b对象引用了a,那么a对象，b对象的引用计数器最少都为1，这就导致两个对象循环引用，无法释放。针对这种情况，python引入了”标记清除“的方法，具体规则如下：
（这两个图片就是循环引用、标记清除的简略示意图）
a，对所有相互引用的python对象的引用计数，复制一份副本。这个副本依然复制了原来python对象的相互引用关系——本质上就是链表结构；
b，在计数副本中，对一个计数减一，相应的这个计数器所指向的下一个计数器，也要减一。
c，所有副本中的计数器遍历一遍之后，所有计数为0的节点，就是需要被垃圾回收的对象。
d，通过副本的操作，垃圾回收就会把对应的python对象释放掉。
2，分代回收机制
技术背景：频繁的对所有python对象进行垃圾回收，会严重影响程序性能。所以有必要，对python对象进行分类，针对不同的类型，采取不同的垃圾扫描策略。
技术原理：
基本假设条件：存活时间越长的python对象，它在将来的程序运行中，成为垃圾的概率会越小。所以，我们可以采取”空间换时间“的策略，减少垃圾回收的扫描范围、扫描策略
a，对所有的python对象进行分类，对应等级为0代，1代，2代。所有新建的python对象，都是0代。
b,经过一定次数的垃圾扫描，有一些长寿的python对象，依然在使用，则将这些长寿对象，划归为1代。
c,1代经过一定次数的垃圾扫描，在1代中依然有一些长寿的python对象，还在使用，则将1代中的这些长寿对象，划归为2代。
d，进行垃圾回收时，0代经过一定次数的扫描，就会1代进行一次扫描；1代经过一定次数的扫描，就会对2代进行扫描。举例说明，在（1）中我们得到一组数据(700, 10, 10)，后面的两个10，就是代表这里的扫描阈值次数，在0代每经过10次扫描后，就会对1代进行一次扫描；在1代经过每10次扫描后，就会对2代进行一次扫描
最后，通过扫描引用计数器、分代扫描后，一些不在 使用的变量就会被python回收，交给内存池进一步管理。
参考资料：