精华内容
下载资源
问答
  • python内存管理

    千次阅读 2017-02-03 17:21:05
    但是让我吃惊的时候,这是一本将垃圾回收的书,但是在它的实现篇里居然对python内存管理有比较深入的讲解。今天有空,又细细结合python 3.6的代码看了一遍。在这里写下我的这个读书笔记。intro上面是我结合书中的...

    起因

    春节期间,翻了翻《垃圾回收的算法和实现》,真是一本好书。时间比较短还没有完全看完。但是让我吃惊的时候,这是一本将垃圾回收的书,但是在它的实现篇里居然对python的内存管理有比较深入的讲解。今天有空,又细细结合python 3.6的代码看了一遍。在这里写下我的这个读书笔记。

    intro

    python内存管理简图

    上面是我结合书中的讲解,把它提到的一些概念用这个图都表达了出来。当然也可以说,我把书中的几张图合成了一张。

    其实如果你去看python的源代码,在Objects/obmalloc.c这个文件中,对python是怎么维护内存的有详细的讲解。

    概念

    arena

    这个区域是从堆内存里面直接malloc出来的,每个是256KB。

    pool

    针对malloc出来的arena,我们会对它进行分割,pool的大小是4K字节。至于为什么是4K字节,书中说这个是因为现在的操作系统大都是以4KB为大小做了内存页的管理单位,把我们的pool的大小也就设为了4KB。

    #define SMALL_REQUEST_THRESHOLD 512
    
    static void *
    _PyObject_Alloc(int use_calloc, void *ctx, size_t nelem, size_t elsize)
    {
    ...
        if ((nbytes - 1) < SMALL_REQUEST_THRESHOLD) {
        // do all the small objects allocation just as the book describes
        //...
        }
    redirect:
        /* Redirect the original request to the underlying (libc) allocator.
         * We jump here on bigger requests, on error in the code above (as a
         * last chance to serve the request) or when the max memory limit
         * has been reached.
         */
        {
            void *result;
            if (use_calloc)
                result = PyMem_RawCalloc(nelem, elsize);
            else
                result = PyMem_RawMalloc(nbytes);
            if (!result)
                _Py_AllocatedBlocks--;
            return result;
        }
    }

    从上面的代码可以看到,只有对象大小在512字节以内的才会走到我们现在要讨论的这个分配系统,而大于512字节的,则直接走malloc了。

    这里的设置跟书中提到的256字节的限制是不同的,可能在不同版本中,这个值得到了修正。

    对于usedpool,它里面所维护的都是正在使用的pool,用代码中的话来说

    1. 在它里面的pool至少有一个block是被分配的
    2. 在它里面的pool至少有一个block是没有被分配的

    那么那些被分配满block的pool去哪里了呢?它没有在这个usedpool中,它们在堆中处于游离状态。
    而那些空的pool,则将它们返回给arena的freepools,由arena继续管理。

    当arena里面全都是空pool的时候,这个arena就可以被释放掉了,arena的释放是通过free来完成的。

    需要特殊说明的是,在上图中,pool左边我特意画了一块空白的空间出来,这个在书中是没有的,因为根据我的理解和读代码所得,每个pool都带有它自己的管理结构pool_header,也就是这个pool的metadata,它的定义我也在图中写出来了。它里面维护着这个pool中的一些信息,以及一些变量用来在这个pool中进行block分配。

    block

    有了pool之后,我们就可以在pool中划分出我们的block来了,但是我们在使用python过程中,对象的大小千奇百怪,为了内能适应不同的对象大小要求,python内部,采用了类似于malloc管理内存的方法,针对于每一个大小的对象,我们都会有一个pool与它对应。这要就有了上图中右边的这个结构。

    这个结构是为了在分配过程中快速找到相对应的pool的一个结构,它可以在O(1)的时间分配所需要的内存。

    usedpools

    注意右边这个usedpool的全局变量,从概念上来看,它应该保存的是pool_header的前后关系,但是在在代码的实现中,里面实际上只是保存了pool_header里面的nextpoolprevpool的信息。为什么要这么做,在源代码里作者也给出了答案,这个结构需要经常的变动,如果把pool_header的信息全都放进去的话,会有一些空间上的浪费,使得cpu不能一次把整个结构load到cpu cache中去,或者说是cache line中去。为了防止这种情况的发生,加快对这个结构的访问,才做了这个优化。

    pool中的freeblock

    下面说说在看代码的过程中,我所遇到的一个问题,通过这个问题更深的了解了在pool中,block的分配是如何进行的。

    typedef uint8_t block;
    
                if ((pool->freeblock = *(block **)bp) != NULL) {
                ...
                }

    在看到代码的时候,经常看到*(block **)bp,从代码的上下文来看,这个就是讲pool->freeblock指向下一个freeblock,但是简单的这个指针操作真的就能完成了嘛?

    bp本来就是一个block指针,现在把它强转成block指针的指针,也就是说强转成一个指向block指针数组的的指针(简单这么理解),然后再解引用,相当于取这个数组的第一个元素(一个block的指针),这个就是我们下一个freeblock了?注意这里的block实际上是一个8位整型的别名。这里很是疑惑,于是转过头去看pool初始化的地方的代码。

            init_pool:
                /* Frontlink to used pools. */
                next = usedpools[size + size]; /* == prev */
                pool->nextpool = next;
                pool->prevpool = next;
                next->nextpool = pool;
                next->prevpool = pool;
                pool->ref.count = 1;
                if (pool->szidx == size) {
                    /* Luckily, this pool last contained blocks
                     * of the same size class, so its header
                     * and free list are already initialized.
                     */
                    bp = pool->freeblock;
                    assert(bp != NULL);
                    pool->freeblock = *(block **)bp;
                    UNLOCK();
                    if (use_calloc)
                        memset(bp, 0, nbytes);
                    return (void *)bp;
                }
                /*
                 * Initialize the pool header, set up the free list to
                 * contain just the second block, and return the first
                 * block.
                 */
                pool->szidx = size;
                size = INDEX2SIZE(size);
                bp = (block *)pool + POOL_OVERHEAD;
                pool->nextoffset = POOL_OVERHEAD + (size << 1);
                pool->maxnextoffset = POOL_SIZE - size;
                pool->freeblock = bp + size;
                *(block **)(pool->freeblock) = NULL; //----#1
                UNLOCK();
                if (use_calloc)
                    memset(bp, 0, nbytes);
                return (void *)bp;

    在此看到代码注释1的时候,就明白了,初始化的时候,就使用了freeblock的第一个block指针,也就是说每个block的第一个指针大小(在32位机上就是第一个32位,在64位机上就是第一个64位)是用来存放下一个block的内存地址的。注意这里最开始并没有把整个pool都分割完,只是用了最前面两个block,然后freeblock以NULL结尾。那么当我们将要分配第三块block时,会发生什么呢?

                if (pool->nextoffset <= pool->maxnextoffset) {
                    /* There is room for another block. */
                    pool->freeblock = (block*)pool +
                                      pool->nextoffset;
                    pool->nextoffset += INDEX2SIZE(size);
                    *(block **)(pool->freeblock) = NULL;
                    UNLOCK();
                    if (use_calloc)
                        memset(bp, 0, nbytes);
                    return (void *)bp;
                }

    这里的pool实际上就上面我说的pool_header,通过它里面nextoffset的协助,我们继续划出了一块block,同时将freeblock的next置为NULL。

    这里就得到证实,在分配block的时候,的确是使用了block的第一个32/64位做了连接这个链表的线索。当然如果想进一步证实,可以自己编译一个python的debug版本,调试一下看看,这里我就先不做了。(哎,又偷懒了)

    剩下的问题

    1. 上面只是介绍了分配和释放对象大小小于512字节的情况,但是大于512字节的要怎么维护的呢?
    2. 比如一个list对象,刚开始的时候是比较小的,但是随着计算的增加,它是有可能超过512字节的,那么大小超过后会怎么处理呢?

    更新

    今天看到这篇文章,里面说到二维数组跟二级指针的问题,跟这里的二级指针的使用可以对照一下。

    为什么不能将二维数组名传递给二级指针?

    假如我们将a赋值给p,p = (int**)a; 既然p是二级指针,那么当然可以这么用:**p; 这样会出什么问题呢?
    1)首先看一下p的值,p指向a[0][0],即p的值为a[0][0]的地址;
    2)再看一下p的值,p所指向的类型是int,占4字节,根据前面所讲的解引用操作符的过程:从p指向的地址开始,取连续4个字节的内容。得到的正式a[0][0]的值,即0。
    3)再看一下**p的值,诶,报错了?当然报错了,因为你访问了地址为0的空间,而这个空间你是没有权限访问的。

    备注

    如果图片看不清楚的话,我放到了网盘里面,可以去那里看。

    https://pan.baidu.com/s/1i50XHOD

    展开全文
  • Python内存管理机制

    千次阅读 2016-03-05 12:22:54
    Python内存管理机制Python内存管理机制主要包括以下三个方面: 引用计数机制 垃圾回收机制 内存池机制 引用计数举个例子说明引用是什么:a = 1如上为一个简单的赋值语句,1就是对象,a就是引用,引用a指向对象1。 ...

    Python内存管理机制

    Python内存管理机制主要包括以下三个方面:

    • 引用计数机制
    • 垃圾回收机制
    • 内存池机制

    引用计数

    举个例子说明引用是什么:

    a = 1

    如上为一个简单的赋值语句,1就是对象,a就是引用,引用a指向对象1。
    同理:

    b = 1

    b也是对象1的引用。
    通过内置函数id()返回对象的地址。

    print id(a)  #43220320
    print id(b)  #43220320

    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。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向的对象是否相同。

    print (a is b)  #True

    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。赋值语句,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。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)。
    可以使用sys.getrefcount()获得引用计数,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。

    from sys import getrefcount
    
    a = [1, 2, 3]
    print(getrefcount(a)) # 2
    
    b = a
    print(getrefcount(b)) # 3
    • 引用计数增加
      1.对象被创建:x=4
      2.另外的别人被创建:y=x
      3.被作为参数传递给函数:foo(x)
      4.作为容器对象的一个元素:a=[1, x, ‘33’]

    • 引用计数减少
      1.一个本地引用离开了它的作用域。比如上面的foo(x)函数结束时,x指向的对象引用减1。
      2.对象的别名被显式的销毁:del x ;或者del y
      3.对象的一个别名被赋值给其他对象:x=789
      4.对象从一个窗口对象中移除:myList.remove(x)
      5.窗口对象本身被销毁:del myList,或者窗口对象本身离开了作用域。

    垃圾回收

    • 引用计数
      引用计数也是一种垃圾收集机制,而且也是一种最直观,最简单的垃圾收集技术。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。
      不过如果出现循环引用的话,引用计数机制就不再起有效的作用了
    a = []
    b = []
    a.append(b)
    b.append(a)
    print a  # [[[…]]]
    print b  # [[[…]]]

    循环引用可以使一组对象的引用计数不为0,然而这些对象实际上并没有被任何外部对象所引用,它们之间只是相互引用。这意味着不会再有人使用这组对象,应该回收这组对象所占用的内存空间,然后由于相互引用的存在,每一个对象的引用计数都不为0,因此这些对象所占用的内存永远不会被释放。
    Python又引入了其他的垃圾收集机制来弥补引用计数的缺陷:“标记-清除“,“分代回收”两种收集技术。

    • 标记清除
      如果两个对象的引用计数都为1,但是仅仅存在他们之间的循环引用,那么这两个对象都是需要被回收的,也就是说,它们的引用计数虽然表现为非0,但实际上有效的引用计数为0。所以先将循环引用摘掉,就会得出这两个对象的有效计数。
      在实际操作中,并不改动真实的引用计数,而是将集合中对象的引用计数复制一份副本,改动该对象引用的副本。对于副本做任何的改动,都不会影响到对象生命周期的维护。
      这个计数副本的唯一作用是寻找root object集合(该集合中的对象是不能被回收的)。当成功寻找到root object集合之后,首先将现在的内存链表一分为二,一条链表中维护root object集合,成为root链表,而另外一条链表中维护剩下的对象,成为unreachable链表。之所以要剖成两个链表,是基于这样的一种考虑:现在的unreachable可能存在被root链表中的对象,直接或间接引用的对象,这些对象是不能被回收的,一旦在标记的过程中,发现这样的对象,就将其从unreachable链表中移到root链表中;当完成标记后,unreachable链表中剩下的所有对象就是名副其实的垃圾对象了,接下来的垃圾回收只需限制在unreachable链表中即可。

    • 分代回收
      从前面“标记-清除”这样的垃圾收集机制来看,这种垃圾收集机制所带来的额外操作实际上与系统中总的内存块的数量是相关的,当需要回收的内存块越多时,垃圾检测带来的额外操作就越多,而垃圾回收带来的额外操作就越少;反之,当需回收的内存块越少时,垃圾检测就将比垃圾回收带来更少的额外操作。
      举个例子来说明:
      当某些内存块M经过了3次垃圾收集的清洗之后还存活时,我们就将内存块M划到一个集合A中去,而新分配的内存都划分到集合B中去。当垃圾收集开始工作时,大多数情况都只对集合B进行垃圾回收,而对集合A进行垃圾回收要隔相当长一段时间后才进行,这就使得垃圾收集机制需要处理的内存少了,效率自然就提高了。在这个过程中,集合B中的某些内存块由于存活时间长而会被转移到集合A中,当然,集合A中实际上也存在一些垃圾,这些垃圾的回收会因为这种分代的机制而被延迟。

    内存池

    python内存机制层次

    • Python的内存机制呈现金字塔形状,-1,-2层主要有操作系统进行操作;
    • 第0层是C中的malloc,free等内存分配和释放函数进行操作;
    • 第1层和第2层是内存池,有Python的接口函数PyMem_Malloc函数实现,当对象小于256K时有该层直接分配内存;
    • 第3层是最上层,也就是我们对Python对象的直接操作;

    Python在运行期间会大量地执行malloc和free的操作,频繁地在用户态和核心态之间进行切换,这将严重影响Python的执行效率。为了加速Python的执行效率,Python引入了一个内存池机制,用于管理对小块内存的申请和释放。
    Python内部默认的小块内存与大块内存的分界点定在256个字节,当申请的内存小于256字节时,PyObject_Malloc会在内存池中申请内存;当申请的内存大于256字节时,PyObject_Malloc的行为将蜕化为malloc的行为。当然,通过修改Python源代码,我们可以改变这个默认值,从而改变Python的默认内存管理行为。

    展开全文
  • Python内存管理及释放

    万次阅读 多人点赞 2018-01-23 15:51:43
    python话说会自己管理内存,实际上,对于占用很大内存的对象,并不会马上释放。举例,a=range(10000*10000),会发现内存飙升一个多G,del a 或者a=[]都不能将内存降下来。。 del 可以删除多个变量,del a,b,c,d ...

    python话说会自己管理内存,实际上,对于占用很大内存的对象,并不会马上释放。举例,a=range(10000*10000),会发现内存飙升一个多G,del a 或者a=[]都不能将内存降下来。。


    del 可以删除多个变量,del a,b,c,d
    办法:
    import gc (garbage collector)
    del a
    gc.collect()

    马上内存就释放了。


    在IPython中用run运行程序时,都是在独立的运行环境中运行,结束之后才将程序运行环境中的结果复制到IPython环境中,因此不会有变量被重复调用的问题。

    如果你是指在自己的程序中想删除所有全局变量的话,可以自己编写一个clear函数,通过globals()获取全局变量然后将其中不需要的内容删除,例如下面的程序保留函数,类,模块,删除所有其它全局变量:

    def clear():

        for key, value in globals().items():

            if callable(value) or value.__class__.__name__ == "module":

                continue

            del globals()[key]

    不过程序中应该避免这种对全局变量的依赖。你也可以在IPython下用此函数清空全局变量。


    以下参考:http://www.cnblogs.com/CBDoctor/p/3781078.html

    先从较浅的层面来说,Python的内存管理机制可以从三个方面来讲

    (1)垃圾回收

    (2)引用计数

    (3)内存池机制

    一、垃圾回收:

    python不像C++,Java等语言一样,他们可以不用事先声明变量类型而直接对变量进行赋值。对Python语言来讲,对象的类型和内存都是在运行时确定的。这也是为什么我们称Python语言为动态类型的原因(这里我们把动态类型可以简单的归结为对变量内存地址的分配是在运行时自动判断变量类型并对变量进行赋值)。

    二、引用计数:

    Python采用了类似Windows内核对象一样的方式来对内存进行管理。每一个对象,都维护这一个对指向该对对象的引用的计数。如图所示(图片来自Python核心编程)

    x = 3.14

    y = x

     

    我们首先创建了一个对象3.14, 然后将这个浮点数对象的引用赋值给x,因为x是第一个引用,因此,这个浮点数对象的引用计数为1. 语句y = x创建了一个指向同一个对象的引用别名y,我们发现,并没有为Y创建一个新的对象,而是将Y也指向了x指向的浮点数对象,使其引用计数为2.

    我们可以很容易就证明上述的观点:

     

    变量a 和 变量b的id一致(我们可以将id值想象为C中变量的指针).

    我们援引另一个网址的图片来说明问题:对于C语言来讲,我们创建一个变量A时就会为为该变量申请一个内存空间,并将变量值 放入该空间中,当将该变量赋给另一变量B时会为B申请一个新的内存空间,并将变量值放入到B的内存空间中,这也是为什么A和B的指针不一致的原因。如图:

                  

     int A = 1                       int A = 2

    而Python的情况却不一样,实际上,Python的处理方式和Javascript有点类似,如图所示,变量更像是附在对象上的标签(和引用的定义类似)。当变量被绑定在一个对象上的时候,该变量的引用计数就是1,(还有另外一些情况也会导致变量引用计数的增加),系统会自动维护这些标签,并定时扫描,当某标签的引用计数变为0的时候,该对就会被回收。

                           

          a = 1                         a = 2                         b = a

     

     三、内存池机制

     

    Python的内存机制以金字塔行,-1,-2层主要有操作系统进行操作,

      第0层是C中的malloc,free等内存分配和释放函数进行操作;

      第1层和第2层是内存池,有Python的接口函数PyMem_Malloc函数实现,当对象小于256K时有该层直接分配内存;

      第3层是最上层,也就是我们对Python对象的直接操作;

    在 C 中如果频繁的调用 malloc 与 free 时,是会产生性能问题的.再加上频繁的分配与释放小块的内存会产生内存碎片. Python 在这里主要干的工作有:

      如果请求分配的内存在1~256字节之间就使用自己的内存管理系统,否则直接使用 malloc.

      这里还是会调用 malloc 分配内存,但每次会分配一块大小为256k的大块内存.

      经由内存池登记的内存到最后还是会回收到内存池,并不会调用 C 的 free 释放掉.以便下次使用.对于简单的Python对象,例如数值、字符串,元组(tuple不允许被更改)采用的是复制的方式(深拷贝?),也就是说当将另一个变量B赋值给变量A时,虽然A和B的内存空间仍然相同,但当A的值发生变化时,会重新给A分配空间,A和B的地址变得不再相同

    而对于像字典(dict),列表(List)等,改变一个就会引起另一个的改变,也称之为浅拷贝

    附:

    引用计数增加

    1.对象被创建:x=4

    2.另外的别人被创建:y=x

    3.被作为参数传递给函数:foo(x)

    4.作为容器对象的一个元素:a=[1,x,'33']

    引用计数减少

    1.一个本地引用离开了它的作用域。比如上面的foo(x)函数结束时,x指向的对象引用减1。

    2.对象的别名被显式的销毁:del x ;或者del y

    3.对象的一个别名被赋值给其他对象:x=789

    4.对象从一个窗口对象中移除:myList.remove(x)

    5.窗口对象本身被销毁:del myList,或者窗口对象本身离开了作用域。

     

    垃圾回收

    1、当内存中有不再使用的部分时,垃圾收集器就会把他们清理掉。它会去检查那些引用计数为0的对象,然后清除其在内存的空间。当然除了引用计数为0的会被清除,还有一种情况也会被垃圾收集器清掉:当两个对象相互引用时,他们本身其他的引用已经为0了。

    2、垃圾回收机制还有一个循环垃圾回收器, 确保释放循环引用对象(a引用b, b引用a, 导致其引用计数永远不为0)。


    以下摘自vamei:http://www.cnblogs.com/vamei/p/3232088.html

    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。

    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)


    展开全文
  • python 内存管理

    2013-07-23 16:26:57
    内存管理,对于Python这样的动态语言,是至关重要的一部分,它在很大程度上甚至决定了Python的执行效率,因为在Python的运行中,会创建和销毁大量的对象,这些都涉及到内存的管理。 小块空间的内存池 在Python...

    内存管理,对于Python这样的动态语言,是至关重要的一部分,它在很大程度上甚至决定了Python的执行效率,因为在Python的运行中,会创建和销毁大量的对象,这些都涉及到内存的管理。


    小块空间的内存池

    在Python中,许多时候申请的内存都是小块的内存,这些小块内存在申请后,很快又会被释放,由于这些内存的申请并不是为了创建对象,所以并没有对象一级的内存池机制。

    Python内存池全景 
    Python内存池全景

    这就意味着Python在运行期间会大量地执行malloc和free的操作,频繁地在用户态和核心态之间进行切换,这将严重影响Python的执行效率。为了加速Python的执行效率,Python引入了一个内存池机制,用于管理对小块内存的申请和释放。这也就是之前提到的Pymalloc机制。

    在Python 2.5中,Python内部默认的小块内存与大块内存的分界点定在256个字节,这个分界点由前面我们看到的名为SMALL_REQUEST_THRESHOLD的符号控制。

    也就是说,当申请的内存小于256字节时,PyObject_Malloc会在内存池中申请内存;当申请的内存大于256字节时,PyObject_Malloc的行为将蜕化为malloc的行为。当然,通过修改Python源代码,我们可以改变这个默认值,从而改变Python的默认内存管理行为。

    在一个对象的引用计数减为0时,与该对象对应的析构函数就会被调用。

    但是要特别注意的是,调用析构函数并不意味着最终一定会调用free释放内存空间,如果真是这样的话,那频繁地申请、释放内存空间会使 Python的执行效率大打折扣(更何况Python已经多年背负了人们对其执行效率的不满)。一般来说,Python中大量采用了内存对象池的技术,使用这种技术可以避免频繁地申请和释放内存空间。因此在析构时,通常都是将对象占用的空间归还到内存池中。

    "这个问题就是:Python的arena从来不释放pool。这个问题为什么会引起类似于内存泄漏的现象呢。考虑这样一种情形,申请10*1024*1024个16字节的小内存,这就意味着必须使用160M的内存,由于Python没有默认将前面提到的限制内存池的WITH_MEMORY_LIMITS编译符号打开,所以Python会完全使用arena来满足你的需求,这都没有问题,关键的问题在于过了一段时间,你将所有这些16字节的内存都释放了,这些内存都回到arena的控制中,似乎没有问题。

    但是问题恰恰就在这时出现了。因为arena始终不会释放它维护的pool集合,所以这160M的内存始终被Python占用,如果以后程序运行中再也不需要160M如此巨大的内存,这点内存岂不是就浪费了?"

    Python内存管理规则:del的时候,把list的元素释放掉,把管理元素的大对象回收到py对象缓冲池里。

    展开全文
  • python内存管理机制

    千次阅读 2019-04-09 00:17:58
    1. 内存管理架构 ... 第1层:基于第0层操作系统提供的内存管理接口包装而成,其目的仅仅是为python提供一层统一的raw memory的管理接口。 提供统一的接口是虽然不同的操作系统提供了ANSI C标准所定义的内存管...
  • Python内存管理(二 arena和缓存池)

    千次阅读 2016-11-24 00:26:36
    Python内存管理
  • 1.分层分配 层级 内容   字典,元祖,列表,字符串.....等等python对象 第3层 对象特有的内存分配器(比如聚合对象) ... 操作系统虚拟的内存管理器 第-2层 物理内存 2.第0层 glibc l...
  • Python内存管理:垃圾回收

    千次阅读 2014-09-28 22:30:59
    http://blog.csdn.net/pipisorry/article/details/39647931Python GC主要使用引用计数(reference counting)来跟踪和回收垃圾。在引用计数的基础上,通过“标记-清除”(mark and sweep)解决容器对象可能产生的...
  • 内存管理,对于Python这样的动态语言,是至关重要的一部分,它在很大程度上甚至决定了Python的执行效率,因为在Python的运行中,会创建和销毁大量的对象,这些都涉及到内存的管理。 51CTO推荐阅读:对Python特色...
  • python和java的区别(python内存管理

    千次阅读 2016-11-04 10:11:12
    python和java的区别 python如何进行内存管理
  • python深入之python内存管理机制(重点)

    万次阅读 多人点赞 2018-08-02 22:54:12
    (1)由于python中万物皆对象,所以python的存储问题是对象的存储问题,并且对于每个对象,python会分配一块内存空间去存储它 (2)对于整数和短小的字符等,python会执行缓存机制,即将这些对象进行缓存,不会为...
  • Python内存管理机制及优化简析

    千次阅读 2018-09-07 10:28:10
    为了方便解释Python内存管理机制, 本文使用了gc模块来辅助展示内存中的Python对象以及Python垃圾回收器的工作情况. 本文中具体使用到的接口包括: gc.disable() # 暂停自动垃圾回收.gc.collect() ...
  • Python内存管理算法介绍

    千次阅读 2014-04-08 18:53:10
    使用Python语言的一个好处是Python和其它一些高级语言一样,会进行自动的内存管理。它使用引用计数机制检测为对象分配的内存是否可以被释放。然而,在Python中内存永远不会还给操作系统,Python会持有这些内存并在...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 162,313
精华内容 64,925
关键字:

python内存管理方式

python 订阅