一、垃圾回收机制
当这个对象的引用计数(指针数)为 0 的时候,说明这个对象永不可达,自然它也就成为了垃圾,需要被回收。
import os
import psutil
# 显示当前 python 程序占用的内存大小
def show_memory_info(hint):
pid = os.getpid()
p = psutil.Process(pid)
info = p.memory_full_info()
memory = info.uss / 1024. / 1024
print('{} memory used: {} MB'.format(hint, memory))
def func():
show_memory_info('initial')
a = [i for i in range(10000000)]
show_memory_info('after a created')
func()
show_memory_info('finished')
引用计数:
'''
引用计数
'''
import sys
import gc
# 清除没有引用的对象
# gc.collect()
a = []
# 2 查看变量的引用次数 本身也要算一次
# print(sys.getrefcount(a)) # 2
def func(a):
# 1 a = []
# 2 函数调用
# 3 函数的参数
# 4 getrefcount
print(sys.getrefcount(a)) # 4
func(a)
# b = a
# print(sys.getrefcount(a)) # 3次
# 引用次数为0 是垃圾回收启动的充分必要条件嘛?
# import objgraph
a = [1, 2, 3]
b = [4, 5, 6]
a.append(b)
b.append(a)
# objgraph.show_refs([a])
# F8
1.1 循环引用
如果有两个对象,它们互相引用,并且不再被别的对象所引用,那么它们应该被垃圾回收吗?
def func():
show_memory_info('initial')
a = [i for i in range(10000000)]
b = [i for i in range(10000000)]
show_memory_info('after a, b created')
a.append(b)
b.append(a)
func()
show_memory_info('finished')
2.2 调试内存泄漏
-
虽然有了自动回收机制,但这也不是万能的,难免还是会有漏网之鱼。内存泄漏是我们不想见到的,而且还会严重影响性能。有没有什么好的调试手段呢?
-
它就是 objgraph,一个非常好用的可视化引用关系的包。在这个包中,我主要推荐两个函数,第一个是 show_refs(),它可以生成清晰的引用关系图。
import objgraph a = [1, 2, 3] b = [4, 5, 6] a.append(b) b.append(a) objgraph.show_refs([a])
dot转图片:添加链接描述
总结
- 垃圾回收是 Python 自带的机制,用于自动释放不会再用到的内存空间;
- 引用计数是其中最简单的实现,不过切记,这只是充分非必要条件,因为循环引用需要通过不可达判定,来确定是否可以回收;
- Python 的自动回收算法包括标记清除和分代收集,主要针对的是循环引用的垃圾收集;
- 调试内存泄漏方面, objgraph 是很好的可视化分析工具。
二、调试和性能分析
2.1 用 pdb 进行代码调试
如何使用 pdb
-
首先,要启动 pdb 调试,我们只需要在程序中,加入import pdb和pdb.set_trace()这两行代码就行了
a = 1 b = 2 import pdb pdb.set_trace() c = 3 print(a + b + c)
-
这时,我们就可以执行,在 IDE 断点调试器中可以执行的一切操作,比如打印,语法是"p ":
(pdb) p a 1 (pdb) p b 2
-
除了打印,常见的操作还有“n”,表示继续执行代码到下一行
(pdb) n -> print(a + b + c)
-
而命令l,则表示列举出当前代码行上下的 11 行源代码,方便开发者熟悉当前断点周围的代码状态
(pdb) l 1 a = 1 2 b = 2 3 import pdb 4 pdb.set_trace() 5 -> c = 3 6 print(a + b + c)
-
命令“s“,就是 step into 的意思,即进入相对应的代码内部
-
当然,除了这些常用命令,还有许多其他的命令可以使用
参考对应的官方文档:https://docs.python.org/3/library/pdb.html#module-pdb%EF%BC%89
2.2 用 cProfile 进行性能分析
- 日常工作中,我们常常会遇到这样的问题:在线上,我发现产品的某个功能模块效率低下,延迟高,占用的资源多,但却不知道是哪里出了问题。
- 这里所谓的 profile,是指对代码的每个部分进行动态的分析,比如准确计算出每个模块消耗的时间等
def fib(n):
if n == 0:
return 0
elif n == 1:
return 1
else:
return fib(n-1) + fib(n-2)
def fib_seq(n):
res = []
if n > 0:
res.extend(fib_seq(n-1))
res.append(fib(n))
return res
fib_seq(30)
接下来,我想要测试一下这段代码总的效率以及各个部分的效率
import cProfile
cProfile.run('fib_seq(30)')
参数介绍:
- ncalls,是指相应代码 / 函数被调用的次数
- tottime,是指对应代码 / 函数总共执行所需要的时间(注意,并不包括它调用的其他代码 / 函数的执行时间)
- tottime percall,就是上述两者相除的结果,也就是tottime / ncalls
- cumtime,则是指对应代码 / 函数总共执行所需要的时间,这里包括了它调用的其他代码 / 函数的执行时间
- cumtime percall,则是 cumtime 和 ncalls 相除的平均结果。
三、经典的参数错误
3.1 小整数池:
- 在交互式模式下
范围: -5~256 之间
小整数池目的:节省内存,提高执行效率
- Python为了优化速度,使用了小整数对象池, 避免为整数频繁申请和销毁内存空间。Python 对小整数的定义是 [-5, 256] 这些整数对象是提前建立好的,不会被垃圾回收。
"""
列表
"""
def add(a, b):
a += b
return a
a = [1, 2]
b = [3, 4]
c = add(a, b)
print(c) # [1, 2, 3, 4]
print('a={},b={}'.format(a, b)) # a=[1, 2, 3, 4],b=[3, 4]
"""
元组
"""
def add(a, b):
a += b
return a
a = (1, 2)
b = (3, 4)
c = add(a, b)
print(c) # (1, 2, 3, 4)
print('a = {},b = {}'.format(a, b)) # a=(1, 2),b=(3, 4)
以int类型为例:实际上 i += 1 并不是真的在原有的int对象上+1,而是重新创建一个value为6的int对象,i引用自这个新的对象。
以list为例。list在append之后,还是指向同个内存地址,因为list是可变类型,可以在原处修改。