前言

我們知道，python 是一種高級(jí)編程語(yǔ)言，它提供了自動(dòng)內(nèi)存管理的功能，即垃圾回收機(jī)制。垃圾回收機(jī)制是一種自動(dòng)管理內(nèi)存的技術(shù)，它可以幫助開(kāi)發(fā)者在編寫(xiě)代碼時(shí)不必關(guān)注內(nèi)存的分配和釋放，從而提高開(kāi)發(fā)效率。好奇的同學(xué)會(huì)問(wèn)了，python的垃圾回收機(jī)制到底是如何實(shí)現(xiàn)的呢？帶著疑問(wèn)，我們一起進(jìn)行探索。

為啥需要垃圾回收

• 內(nèi)存泄漏：在程序運(yùn)行過(guò)程中，如果開(kāi)發(fā)者沒(méi)有正確地釋放不再使用的內(nèi)存，就會(huì)導(dǎo)致內(nèi)存泄漏。內(nèi)存泄漏會(huì)導(dǎo)致程序占用的內(nèi)存越來(lái)越多，最終可能導(dǎo)致程序崩潰或者系統(tǒng)變得非常緩慢。垃圾回收機(jī)制可以自動(dòng)檢測(cè)和回收不再使用的內(nèi)存，避免內(nèi)存泄漏的問(wèn)題。
• 簡(jiǎn)化內(nèi)存管理：在一些低級(jí)編程語(yǔ)言中，開(kāi)發(fā)者需要手動(dòng)分配和釋放內(nèi)存，這樣容易出現(xiàn)內(nèi)存泄漏和內(nèi)存溢出的問(wèn)題。而垃圾回收機(jī)制可以自動(dòng)管理內(nèi)存，開(kāi)發(fā)者不需要關(guān)注內(nèi)存的分配和釋放，從而提高開(kāi)發(fā)效率。

總之，垃圾回收的存在是為了解決內(nèi)存泄漏和簡(jiǎn)化內(nèi)存管理的問(wèn)題。它可以自動(dòng)檢測(cè)和回收不再使用的內(nèi)存，避免內(nèi)存泄漏，并提高開(kāi)發(fā)效率。在高級(jí)編程語(yǔ)言中，垃圾回收是一項(xiàng)非常重要的功能。

怎么實(shí)現(xiàn)的呢

Python 的垃圾回收機(jī)制主要通過(guò)引用計(jì)數(shù)和循環(huán)引用檢測(cè)來(lái)實(shí)現(xiàn)。

引用計(jì)數(shù)

引用計(jì)數(shù)是一種簡(jiǎn)單而高效的垃圾回收算法，它通過(guò)記錄每個(gè)對(duì)象的引用數(shù)量來(lái)判斷對(duì)象是否仍然被使用。當(dāng)一個(gè)對(duì)象的引用計(jì)數(shù)為0時(shí)，說(shuō)明該對(duì)象已經(jīng)不再被使用，可以被回收。接下來(lái)，我們利用sys.getrefcount()查看變量的引用次數(shù)，這樣你一定會(huì)清晰很多。

案例一

import sys
?
a = []
?
print(sys.getrefcount(a)) # 2
?
def func(a):
 ? ?print(sys.getrefcount(a)) # 4
?
func(a)
?
print(sys.getrefcount(a)) # 2
?

• 第一個(gè)print會(huì)輸出2，有2次引用，一次來(lái)自 a，一次來(lái)自 getrefcount
• 第二個(gè)print會(huì)輸出4，有4次引用，一次來(lái)自a，一次來(lái)自python 的函數(shù)調(diào)用棧，一次來(lái)自函數(shù)參數(shù)，一次來(lái)自 getrefcount
• 第三個(gè)print會(huì)輸出2，有2次引用，一次來(lái)自a，一次來(lái)自 getrefcount

強(qiáng)調(diào)一點(diǎn)：在函數(shù)調(diào)用發(fā)生時(shí)，會(huì)產(chǎn)生額外的2次引用，一次來(lái)自函數(shù)棧，一次來(lái)自函數(shù)參數(shù)

案例二

我們?cè)谂e個(gè)例子，加深理解

import sys
?
a = []
?
print(sys.getrefcount(a)) # 2
?
b = a
?
print(sys.getrefcount(a)) # 3
?
c = b
d = b
e = c
f = e
g = d
?
print(sys.getrefcount(a)) # 8
?

可以看到a、b、c、d、e、f、g 這些變量全部指代的是同一個(gè)對(duì)象，這個(gè)對(duì)象被引用8次，所以最終輸出8

案例三

我們看看，未回收和回收后內(nèi)存的變化。

import os
import psutil
?
?
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')

我們定義了一個(gè)函數(shù)show_memory_info用來(lái)打印當(dāng)前python程序占用的內(nèi)存大小，定義了一個(gè)函數(shù)func()來(lái)創(chuàng)建變量a，在創(chuàng)建變量a之前打印占用內(nèi)存，最后在函數(shù)func()調(diào)用銷毀后，再次打印內(nèi)存占用。在看過(guò)案例一之后，相信你一定知道，函數(shù)內(nèi)部聲明的列表 a 是局部變量，在函數(shù)返回后，局部變量的引用會(huì)注銷掉；此時(shí)，列表 a 所指代對(duì)象的引用數(shù)為 0，Python 便會(huì)執(zhí)行垃圾回收。我們看看執(zhí)行結(jié)果是不是這樣：

initial memory used: 30.75 MB
after a created memory used: 415.6328125 MB
finished memory used: 30.98828125 MB

可以看到確實(shí)如此。

那我們?nèi)绻麑⒆兞柯暶鳛槿肿兞?，這樣函數(shù)銷毀后，列表的引用計(jì)數(shù)還存在，內(nèi)存應(yīng)該還是很大。測(cè)試一下：

def func():
 ? ?show_memory_info('initial')
 ? ?global a
 ? ?a = [i for i in range(10000000)]
 ? ?show_memory_info('after a created')

執(zhí)行結(jié)果如下：

initial memory used: 30.25390625 MB
after a created memory used: 415.38671875 MB
finished memory used: 415.38671875 MB

可以看到結(jié)果是滿足預(yù)期的。

那如果我們將func()函數(shù)生成的列表返回return a,然后調(diào)用函數(shù)并賦值給一個(gè)變量，此時(shí)列表引用也會(huì)存在，內(nèi)存不會(huì)釋放。測(cè)試一下

def func():
 ? ?show_memory_info('initial')
 ? ?a = [i for i in range(10000000)]
 ? ?show_memory_info('after a created')
 ? ?return a
?
f = func()

執(zhí)行結(jié)果如下：

initial memory used: 30.1875 MB
after a created memory used: 415.0703125 MB
finished memory used: 415.0703125 MB

可以看到，確實(shí)還有大量?jī)?nèi)存被占用。

到這里，應(yīng)該對(duì)引用計(jì)數(shù)釋放內(nèi)存有一個(gè)清晰的認(rèn)識(shí)了吧，現(xiàn)在，有人會(huì)問(wèn)，我確實(shí)在某種場(chǎng)景下，需要手動(dòng)釋放內(nèi)存該怎么辦呢？當(dāng)然python也是支持的，還是上面定義全局變量a的例子，我們只需要最后執(zhí)行del a，刪除對(duì)象的引用，然后強(qiáng)制調(diào)用gc.collect()，即可手動(dòng)啟動(dòng)垃圾回收。

循環(huán)引用

在上面案例三中，我們提到局部變量，在函數(shù)返回后，局部變量的引用會(huì)注銷掉?？聪旅孢@段例子：

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')

按照我們上面學(xué)習(xí)的，a和b都是局部變量，函數(shù)返回后，應(yīng)該引用計(jì)數(shù)會(huì)變?yōu)?，內(nèi)存會(huì)釋放，我們測(cè)試一下：

執(zhí)行結(jié)果如下：

initial memory used: 30.80078125 MB
after a, b created memory used: 801.99609375 MB
finished memory used: 801.99609375 MB

可以看到內(nèi)存并沒(méi)有釋放，說(shuō)明a和b的引用計(jì)數(shù)應(yīng)該不為0。為啥出現(xiàn)這種情況呢？就是因?yàn)橄嗷ヒ?。那這種情況怎么解決呢？引用計(jì)數(shù)最后一部分提到，可以強(qiáng)制調(diào)用gc.collect()

什么是循環(huán)引用

循環(huán)引用是指兩個(gè)或多個(gè)對(duì)象之間相互引用，形成一個(gè)環(huán)狀結(jié)構(gòu)。這種情況下，引用計(jì)數(shù)算法無(wú)法正確判斷對(duì)象是否仍然被使用，因?yàn)樗鼈兊囊糜?jì)數(shù)永遠(yuǎn)不會(huì)變?yōu)?。為了解決循環(huán)引用的問(wèn)題，Python 引入了垃圾回收器，它使用了一種稱為標(biāo)記-清除的算法。

標(biāo)記-清除算法分為兩個(gè)階段：標(biāo)記階段和清除階段。在標(biāo)記階段，垃圾回收器會(huì)從根對(duì)象開(kāi)始遍歷所有可達(dá)對(duì)象，并將它們標(biāo)記為活動(dòng)對(duì)象。而在清除階段，垃圾回收器會(huì)遍歷整個(gè)堆內(nèi)存，將未標(biāo)記的對(duì)象進(jìn)行回收。

除了引用計(jì)數(shù)和標(biāo)記-清除算法，Python 還使用了分代回收的策略。分代回收是一種基于對(duì)象存活時(shí)間的優(yōu)化策略，它將對(duì)象分為不同的代，每個(gè)代有不同的回收頻率。一般來(lái)說(shuō)，新創(chuàng)建的對(duì)象會(huì)被分配到第0代，而經(jīng)過(guò)一次垃圾回收后仍然存活的對(duì)象會(huì)被提升到下一代。這樣可以減少垃圾回收的頻率，提高性能。

如何調(diào)試內(nèi)存泄漏

這里推薦objgraph，是一個(gè)可視化引用關(guān)系的包。

import objgraph
?
a = [1, 2, 3]
b = [4, 5, 6]
?
a.append(b)
b.append(a)
?
objgraph.show_refs([a])

這里通過(guò)show_refs()可以生成清晰的引用關(guān)系圖。

更多用法，可以參考文檔

最后

Python 的垃圾回收機(jī)制是一種自動(dòng)管理內(nèi)存的技術(shù)，它通過(guò)引用計(jì)數(shù)和循環(huán)引用檢測(cè)來(lái)判斷對(duì)象是否仍然被使用，并使用標(biāo)記-清除算法進(jìn)行回收。此外，還采用了分代回收的策略來(lái)優(yōu)化性能。了解這些垃圾回收機(jī)制的工作原理對(duì)于編寫(xiě)高效的 Python 代碼非常重要。

以上就是一文解密Python中的垃圾回收的詳細(xì)內(nèi)容，更多關(guān)于Python垃圾回收的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論