`

【转】Python的内存管理

 
阅读更多

 

作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢!

 

语言的内存管理是语言设计的一个重要方面。它是决定语言性能的重要因素。无论是C语言的手工管理,还是Java的垃圾回收,都成为语言最重要的特征。这里以Python语言为例子,说明一门动态类型的、面向对象的语言的内存管理方式。

 

对象的内存使用

赋值语句是语言最常见的功能了。但即使是最简单的赋值语句,也可以很有内涵。Python的赋值语句就很值得研究。

a = 1

整数1为一个对象。而a是一个引用。利用赋值语句,引用a指向对象1。Python是动态类型的语言(参考动态类型),对象与引用分离。Python像使用“筷子”那样,通过引用来接触和翻动真正的食物——对象。

 

 引用和对象

 

为了探索对象在内存的存储,我们可以求助于Python的内置函数id()。它用于返回对象的身份(identity)。其实,这里所谓的身份,就是该对象的内存地址

a = 1

print(id(a))
print(hex(id(a)))

在我的计算机上,它们返回的是:

11246696
'0xab9c68'

分别为内存地址的十进制和十六进制表示。

 

在Python中,整数和短小的字符,Python都会缓存这些对象,以便重复使用。当我们创建多个等于1的引用时,实际上是让所有这些引用指向同一个对象。

a = 1
b = 1

print(id(a))
print(id(b))

上面程序返回

11246696

11246696

可见a和b实际上是指向同一个对象的两个引用。

 

为了检验两个引用指向同一个对象,我们可以用is关键字。is用于判断两个引用所指的对象是否相同。

复制代码
# True
a = 1
b = 1
print(a is b)

# True
a = "good"
b = "good"
print(a is b)

# False
a = "very good morning"
b = "very good morning"
print(a is b)

# False
a = []
b = []
print(a is b)
复制代码

上面的注释为相应的运行结果。可以看到,由于Python缓存了整数和短字符串,因此每个对象只存有一份。比如,所有整数1的引用都指向同一对象。即使使用赋值语句,也只是创造了新的引用,而不是对象本身。长的字符串和其它对象可以有多个相同的对象,可以使用赋值语句创建出新的对象。

 

在Python中,每个对象都有存有指向该对象的引用总数,即引用计数(reference count)。

我们可以使用sys包中的getrefcount(),来查看某个对象的引用计数。需要注意的是,当使用某个引用作为参数,传递给getrefcount()时,参数实际上创建了一个临时的引用。因此,getrefcount()所得到的结果,会比期望的多1。

复制代码
from sys import getrefcount

a = [1, 2, 3]
print(getrefcount(a))

b = a
print(getrefcount(b))
复制代码

由于上述原因,两个getrefcount将返回2和3,而不是期望的1和2。

 

对象引用对象

Python的一个容器对象(container),比如表、词典等,可以包含多个对象。实际上,容器对象中包含的并不是元素对象本身,是指向各个元素对象的引用。

我们也可以自定义一个对象,并引用其它对象:

复制代码
class from_obj(object):
    def __init__(self, to_obj):
        self.to_obj = to_obj

b = [1,2,3]
a = from_obj(b)
print(id(a.to_obj))
print(id(b))
复制代码

可以看到,a引用了对象b。

 

对象引用对象,是Python最基本的构成方式。即使是a = 1这一赋值方式,实际上是让词典的一个键值"a"的元素引用整数对象1。该词典对象用于记录所有的全局引用。该词典引用了整数对象1。我们可以通过内置函数globals()来查看该词典。

 

当一个对象A被另一个对象B引用时,A的引用计数将增加1。

复制代码
from sys import getrefcount

a = [1, 2, 3]
print(getrefcount(a))

b = [a, a]
print(getrefcount(a))
复制代码

由于对象b引用了两次a,a的引用计数增加了2。

 

容器对象的引用可能构成很复杂的拓扑结构。我们可以用objgraph包来绘制其引用关系,比如

x = [1, 2, 3]
y = [x, dict(key1=x)]
z = [y, (x, y)]

import objgraph
objgraph.show_refs([z], filename='ref_topo.png')

 

 

objgraph是Python的一个第三方包。安装之前需要安装xdot。

sudo apt-get install xdot
sudo pip install objgraph

objgraph官网

 

两个对象可能相互引用,从而构成所谓的引用环(reference cycle)。

a = []
b = [a]
a.append(b)

即使是一个对象,只需要自己引用自己,也能构成引用环。

a = []
a.append(a)
print(getrefcount(a))

引用环会给垃圾回收机制带来很大的麻烦,我将在后面详细叙述这一点。

 

引用减少

某个对象的引用计数可能减少。比如,可以使用del关键字删除某个引用:

复制代码
from sys import getrefcount

a = [1, 2, 3]
b = a
print(getrefcount(b))

del a
print(getrefcount(b))
复制代码

 

del也可以用于删除容器元素中的元素,比如:

a = [1,2,3]
del a[0]
print(a)

 

 

如果某个引用指向对象A,当这个引用被重新定向到某个其他对象B时,对象A的引用计数减少:

复制代码
from sys import getrefcount

a = [1, 2, 3] b = a print(getrefcount(b)) a = 1 print(getrefcount(b))
复制代码

 

 

垃圾回收

吃太多,总会变胖,Python也是这样。当Python中的对象越来越多,它们将占据越来越大的内存。不过你不用太担心Python的体形,它会乖巧的在适当的时候“减肥”,启动垃圾回收(garbage collection),将没用的对象清除。在许多语言中都有垃圾回收机制,比如Java和Ruby。尽管最终目的都是塑造苗条的提醒,但不同语言的减肥方案有很大的差异 (这一点可以对比本文和Java内存管理与垃圾回收

)。

 

从基本原理上,当Python的某个对象的引用计数降为0时,说明没有任何引用指向该对象,该对象就成为要被回收的垃圾了。比如某个新建对象,它被分配给某个引用,对象的引用计数变为1。如果引用被删除,对象的引用计数为0,那么该对象就可以被垃圾回收。比如下面的表:

a = [1, 2, 3]
del a

del a后,已经没有任何引用指向之前建立的[1, 2, 3]这个表。用户不可能通过任何方式接触或者动用这个对象。这个对象如果继续待在内存里,就成了不健康的脂肪。当垃圾回收启动时,Python扫描到这个引用计数为0的对象,就将它所占据的内存清空。

 

然而,减肥是个昂贵而费力的事情。垃圾回收时,Python不能进行其它的任务。频繁的垃圾回收将大大降低Python的工作效率。如果内存中的对象不多,就没有必要总启动垃圾回收。所以,Python只会在特定条件下,自动启动垃圾回收。当Python运行时,会记录其中分配对象(object allocation)和取消分配对象(object deallocation)的次数。当两者的差值高于某个阈值时,垃圾回收才会启动。

我们可以通过gc模块的get_threshold()方法,查看该阈值:

import gc
print(gc.get_threshold())

返回(700, 10, 10),后面的两个10是与分代回收相关的阈值,后面可以看到。700即是垃圾回收启动的阈值。可以通过gc中的set_threshold()方法重新设置。

 

我们也可以手动启动垃圾回收,即使用gc.collect()

 

分代回收

Python同时采用了分代(generation)回收的策略。这一策略的基本假设是,存活时间越久的对象,越不可能在后面的程序中变成垃圾。我们的程序往往会产生大量的对象,许多对象很快产生和消失,但也有一些对象长期被使用。出于信任和效率,对于这样一些“长寿”对象,我们相信它们的用处,所以减少在垃圾回收中扫描它们的频率。

 

小家伙要多检查

 

Python将所有的对象分为0,1,2三代。所有的新建对象都是0代对象。当某一代对象经历过垃圾回收,依然存活,那么它就被归入下一代对象。垃圾回收启动时,一定会扫描所有的0代对象。如果0代经过一定次数垃圾回收,那么就启动对0代和1代的扫描清理。当1代也经历了一定次数的垃圾回收后,那么会启动对0,1,2,即对所有对象进行扫描。

这两个次数即上面get_threshold()返回的(700, 10, 10)返回的两个10。也就是说,每10次0代垃圾回收,会配合1次1代的垃圾回收;而每10次1代的垃圾回收,才会有1次的2代垃圾回收。

同样可以用set_threshold()来调整,比如对2代对象进行更频繁的扫描。

import gc
gc.set_threshold(700, 10, 5)

 

孤立的引用环

引用环的存在会给上面的垃圾回收机制带来很大的困难。这些引用环可能构成无法使用,但引用计数不为0的一些对象。

a = []
b = [a]
a.append(b)

del a
del b

上面我们先创建了两个表对象,并引用对方,构成一个引用环。删除了a,b引用之后,这两个对象不可能再从程序中调用,就没有什么用处了。但是由于引用环的存在,这两个对象的引用计数都没有降到0,不会被垃圾回收。

孤立的引用环

 

为了回收这样的引用环,Python复制每个对象的引用计数,可以记为gc_ref。假设,每个对象i,该计数为gc_ref_i。Python会遍历所有的对象i。对于每个对象i引用的对象j,将相应的gc_ref_j减1。

 

遍历后的结果

 

在结束遍历后,gc_ref不为0的对象,和这些对象引用的对象,以及继续更下游引用的对象,需要被保留。而其它的对象则被垃圾回收。

 

总结

Python作为一种动态类型的语言,其对象和引用分离。这与曾经的面向过程语言有很大的区别。为了有效的释放内存,Python内置了垃圾回收的支持。Python采取了一种相对简单的垃圾回收机制,即引用计数,并因此需要解决孤立引用环的问题。Python与其它语言既有共通性,又有特别的地方。对该内存管理机制的理解,是提高Python性能的重要一步。

分享到:
评论

相关推荐

    python内存管理机制

    ### Python内存管理机制详解 #### 一、引言 Python作为一种高级动态语言,在运行时创建和销毁大量对象的过程中,内存管理扮演着至关重要的角色。它不仅直接影响到程序的执行效率,还关系到资源的合理利用。本文将...

    python内存管理机制原理详解

    Python的内存管理机制是其高效运行的关键之一,它包括了引用计数、垃圾回收和内存池等几个核心概念。下面将详细阐述这些机制的工作原理。 1. 引用计数: 引用计数是最基础的内存管理策略,它简单地记录每个对象被...

    Python内存泄漏和内存溢出的解决方案

    Python内存管理是一个重要的主题,尤其是对于那些运行长时间后台服务的开发者而言。虽然Python有内置的垃圾回收机制,但仍然可能出现内存泄漏和内存溢出的问题,影响程序的稳定性和效率。 **一、Python内存泄漏** ...

    详解如何减少python内存的消耗

    Python 打算删除大量涉及像C和C++语言那样的复杂内存管理。当对象离开范围,就会被自动垃圾收集器回收。然而,对于由 Python 开发的大型且长期运行的系统来说,内存管理是不容小觑的事情。 在这篇博客中,我将会分享...

    java2python--java代码转python工具

    10. 内存管理:Python的垃圾回收机制与Java的JVM不同,因此,转换后可能需要对内存使用进行优化。 在使用"java2python"工具时,开发者应了解转换过程中的这些差异,并可能需要根据转换后的代码进行微调,以确保其在...

    Python深入06——python的内存管理详解

    引用计数是Python内存管理的基础机制之一。每个对象都有一个引用计数,表示有多少个引用指向它。当对象的引用计数变为0时,Python会自动回收该对象的内存。`sys.getrefcount()`函数可以用来查看对象的引用计数,但要...

    Python的内存管理机制.pdf

    Python的内存管理机制主要涉及以下几个方面:小整数对象池、intern机制、垃圾回收(引用计数、标记清除、分代回收)。 首先,小整数对象池是Python为提升程序性能而设计的一个优化机制。Python预分配了一个范围在[-...

    谈谈如何手动释放Python的内存

    本文将深入探讨Python内存管理机制,以及如何手动释放内存。 Python的内存管理主要由垃圾收集器(Garbage Collector,简称GC)负责。当一个对象没有被任何变量引用时,GC会自动回收该对象所占用的内存。然而,对于...

    Python内存管理和垃圾回收笔记1

    Python内存管理是编程中至关重要的一个方面,它涉及到对象的创建、引用计数、垃圾回收以及内存池等机制。在Python中,所有对象都通过一个称为`refchain`的环状双向循环链表进行管理。这个链表包含了程序运行过程中...

    从Python的源码浅要剖析Python的内存管理

    首先,Python内存管理的架构分为多个层次。在最底层,Python依赖于操作系统提供的通用内存分配器,如C语言库函数`malloc`、`realloc`和`free`。这些接口负责在虚拟内存中为Python进程分配空间。为了更好地管理和控制...

    Python-内存管理与回收机制.pdf

    Python 内存管理与回收机制 Python 内存管理与回收机制是 Python 语言中一个非常重要的组件,它负责管理 Python 对象的生命周期,包括创建、销毁和回收等过程。在 Python 中,每个对象都有一个对应的引用计数,当...

    Python技术内存管理技巧.docx

    Python 作为一种广泛使用的高级编程语言,其内存管理是开发者必须关注的重要方面。为了优化程序的性能和效率,了解并掌握Python的内存管理技巧是至关重要的。以下是对标题和描述中涉及知识点的详细说明: 1. **垃圾...

    Python内存探秘:深入理解内存管理机制

    4. **广泛的标准库**:Python的标凑库很庞大,包含用于互联网通信、网络通信、数据压缩、加密、系统管理等的模块。 5. **跨平台**:Python可以在多种操作系统上运行,包括但不限于Windows、Mac OS X、Linux等。 6. *...

    染色方法在Python虚拟机内存管理中的应用研究.pdf

    在研究和实际开发中,理解Python内存管理的工作原理对于编写高性能应用程序至关重要。例如,在处理大数据和人工智能任务时,程序往往需要高效地管理大量内存。此时,如何有效地进行内存管理,避免内存泄漏以及优化...

    python图书管理系统

    《Python图书管理系统详解》 在信息技术日新月异的今天,使用编程语言来管理图书信息已经成为图书馆或个人藏书管理的高效方式。本系统——"Python图书管理系统",就是这样一个利用Python语言构建的实用工具,它具备...

    使用Windows共享内存技术 实现Python与C_C++程序间的数据传递.pdf

    本文档“使用Windows共享内存技术实现Python与C/C++程序间的数据传递”将详细探讨如何在Windows环境下,通过共享内存技术来实现这两种语言编写的程序之间的高效数据通信。 首先,文档指出了Python在处理某些任务,...

    Python内存管理实例分析

    Python内存管理是编程中至关重要的一个方面,它涉及到对象的创建、引用、垃圾回收和内存分配等核心概念。本文将深入探讨这些主题,并提供实例来帮助理解。 首先,Python中的对象有引用和对象之分。在`a = 1`的例子...

    染色方法在Python虚拟机内存管理中的应用研究.zip

    在实际编程中,了解染色方法可以帮助我们更好地理解Python内存管理的底层机制,优化代码,避免内存泄漏等问题。同时,合理使用Python的数据结构和对象,以及适时调用`gc`模块提供的接口,可以帮助我们更好地控制垃圾...

Global site tag (gtag.js) - Google Analytics