Python内存管理指南

原标题 | Memory Management in Python

作　者 | Jun Wu

翻　译 | 天字一号

审　校 | 唐里、Pita

对于软件开发人员而言，了解内存管理很重要。随着Python在软件开发中得到广泛使用，编写高效的Python代码通常意味着需要编写内存高效使用的代码。随着大数据的使用越来越广泛，内存管理的重要性不容忽视。无效的内存管理会导致应用程序和服务器端组件运行缓慢。内存泄漏通常会导致花费大量时间进行测试和调试，它还会严重破坏数据处理并引起并发处理问题。

即使大多数Python的内存管理都是由Python内存管理器完成的，但了解最佳编码实践以及Python的内存管理器的工作方式仍可以使代码更高效和可维护。

对于软件开发人员而言，内存管理最重要的部分是内存分配。了解在计算机的物理或虚拟内存中分配空白空间的过程至关重要。有两种类型的内存分配。

静态内存分配 - 程序在编译时分配了内存。例如在C / C ++中，您只能声明具有固定大小的静态数组。在编译时分配内存。堆栈用于实现静态分配。在这种情况下，不能重用内存。

static int a=10;

动态内存分配 - 在运行时为程序分配了内存。例如，在C / C ++中，您可以使用一元运算符new声明数组。内存在运行时分配。堆用于实现动态分配。在这种情况下，不需要时可以释放和重用内存。

int *p;
p=new int;

关于Python的好处是Python中的所有东西都是对象。这意味着动态内存分配是Python内存管理的基础。当不再需要对象时，Python内存管理器将自动从它们中回收内存。

Python是使用C编程语言实现的高级编程语言。Python内存管理器管理Python的内存分配。有一个私有heap，其中包含所有Python对象和数据结构。Python内存管理器按需管理Python堆。Python内存管理器具有特定于对象的分配器，可为int，string等特定对象分别分配内存。在此之下，原始内存分配器与操作系统的内存管理器进行交互，以确保私有堆上有空间。

Python内存管理器管理称为“块”的内存块。相同大小的块的集合构成了“池”。池是在Arenas上创建的，在堆= 64池上分配了256kB的内存块。如果对象被销毁，则内存管理器将用相同大小的新对象填充此空间。

方法和变量在堆栈存储器中创建。每当创建方法和变量时，都会创建一个堆栈框架。只要返回方法，这些框架就会自动销毁。

在堆内存中创建对象和实例变量。一旦返回变量和函数，将对垃圾对象进行垃圾回收。

请务必注意，Python内存管理器不一定会将内存释放回操作系统，而是将内存返回给python解释器。Python有一个小的对象分配器，用于分配内存以供进一步使用。在长时间运行的进程中，您可能有未使用内存的增量保留。

使用联接将项目添加到列表是高效Python代码的最佳做法

无需将line1，line2分别添加到mymsg，而是使用list和join。

不要这样：

mymsg=’line1\n’
mymsg+=’line2\n’

最好这样：

mymsg=[‘line1’,’line2']
‘\n’.join(mymsg)

避免对字符串使用+运算

如果可以避免，请不要使用+运算符进行串联。由于字符串是不可变的，因此每次将元素添加到字符串时，Python都会创建一个新的字符串和一个新的地址。这意味着每次更改字符串时都需要分配新的内存。

不要这样做：

msg=’hello’+mymsg+’world’

更好的选择：

msg=’hello %s world’ % mymsg

使用Generators

生成器允许您创建一个函数，一次返回一个项目，而不是一次返回所有项目。这意味着，如果您有大型数据集，则不必等待整个数据集都可以访问。

def __iter__(self):
     return self._generator()

def _generator(self):
     for itm in self.items():
         yield itm

将评估置于循环之外

如果要遍历数据，则可以使用正则表达式的缓存版本。

match_regex=re.compile(“foo|bar”)

for i in big_it:
     m = match_regex.search(i)
         ….

将函数分配给局部变量

Python访问局部变量要比全局变量有效得多。将函数分配给局部变量，然后使用它们。

myLocalFunc=myObj.func
for i in range(n):
    myLocalFunc(i)

使用内置函数和库

尽可能使用内置函数和库。内置函数通常使用最佳内存使用方法来实现。

不要这样做：

mylist=map(str.lower, oldlist)

与循环相比，使用关键字参数创建数据集的更好选择：

mycounter = Counter (a = 1, b = 2, c = 3, d = 5, e = 6, f = 7, g = 8)
for i in mycounter.elements()

通过使用itertools摆脱不必要的循环

itertools（https://docs.python.org/3/library/itertools.html）为您节省了大量的循环时间。它还摆脱了代码的复杂性。

不要这样做：

mylist=[]
for shape in [True, False]:
     for weight in (1, 5):
          firstlist=firstlist+function(shape, weight)

最好这样：

from itertools import product, chain
list(chain.from_iterable(function(shape, weight) for weight, shape in product([True, False], range(1, 5))))

覆盖_new_并利用元类来进行安全和内存管理——作者@maxwell flitton

重写_new_并利用元类进行安全和内存管理，方法是@maxwell flitton 在执行Singleton和Flyweight模式时，重写__new__并利用元类对内存管理也非常有用和安全。例如，这是一个读取Yaml文件的dict对象的示例。因为它的元类一经定义便是单例设计模式，因此可以将其导入系统中的任何位置并再次定义，并且解释器将仅指向初始对象。它减少了内存占用并确保了安全性。不管团队中的其他开发人员多么初级，它们都不会导致重复的对象，从而防止它们更改系统某一部分中的命令，并防止另一部分中引用另一条命令。

class Singleton(type): 
_instances = {} 
 def __call__(cls, *args, **kwargs):
 if cls not in cls._instances:
 cls._instances[cls] = super(Singleton, cls).__call__(*args, **kwargs)
 return cls._instances[cls]

class ConfigDict(dict, metaclass=Singleton):
 def __init__(self):
 super().__init__(self.read_config_file())

 @staticmethod
 def read_config_file():
 “””
 Reads config file based on path passed when running app.

 :return: (dict) loaded data from yml file
 “””
 config_file_path = sys.argv[-1]
 if not config_file_path.endswith(“.yml”):
 raise ConfigDictError(message=”yml file not passed into flask app but {} instead”.format(config_file_path))
 return yaml.load(open(str(config_file_path)), Loader=yaml.FullLoader)

如何检查Python代码的性能

您可以使用配置文件模块（例如cProfile和Profile：https://docs.python.org/3/library/profile.html）进行性能检查。

python -m cProfile [-o output_file][-s sort_order](-m module | myscript.py)

阅读有关Python内存管理的更多信息，可查看以下资源：

• 流利的Python：清晰，简洁，有效的编程（http://geni.us/xA2PP）
• Python Cookbook：精通Python 3（http://geni.us/yAoO1S）
• 真正的Python：Python中的内存管理（https://realpython.com/python-memory-management/）
• Python.org内存管理（https://docs.python.org/3/c-api/memory.html）
• Atem Golubin：Python中的内存管理（https://rushter.com/blog/python-memory-managment/）