tracemalloc分析内存使用情况与泄露方式

更新时间：2023年11月09日 17:29:26 作者：Bruce小鬼

这篇文章主要介绍了tracemalloc分析内存使用情况与泄露方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教

1.概述

python内存管理是通过引用计数执行的，如果指向某个对象的引用全部过期，那么受引用的对象就可以从内存中清除，从而给其他数据腾出空间。

理论上讲，python开发不用担心程序如何分配和释放内存，因为python系统本身以及Cpython运行环境会自动处理这些问题。

但实际情况程序会因为没有及时释放不再需要引用的数据耗尽内存。下面通过一些方法来看下内存使用情况。

2.查看gc引用对象总数

下面是被测试代码，这个代码可以创建对象，在gc中产生引用对象。

import os

class MyObject:
    def __init__(self):
        self.data = os.urandom(100)

def get_data():
    values = []
    for _ in range(100):
        obj = MyObject()
        values.append(obj)
    return values

def run():
    deep_values = []
    for _ in range(100):
        deep_values.append(get_data())
    return

下面的代码用来输出当前gc引用对象的数量

import gc

# 获取运行前gc引用对象数量
found_objects = gc.get_objects()
print('Before:', len(found_objects))

# 导入待测试模块
import waste_memory

# 运行待测试代码的函数
hold_reference = waste_memory.run()

# 获取运行代码后gc引用对象数量
found_objects = gc.get_objects()
print('After: ', len(found_objects))
for obj in found_objects[:5]:
    print(repr(obj)[:100])

print('...')

运行上面的代码，下面是gc引用的对象总数。

Before: 28834
After:  28923

3.tracemalloc查看内存分配情况

3.1.查看内存分配情况

上面只输出了gc的总数，对于分析内存分配情况没有太多的指导意义，tracemalloc模块能够追溯到分配它的位置，因此我们可以在之前模块前后对内存使用情况做个快照，分析两个快照之间的区别。

下面是被测试代码

import tracemalloc

tracemalloc.start(10)                      # Set stack depth
time1 = tracemalloc.take_snapshot()        # Before snapshot

import waste_memory

x = waste_memory.run()                     # Usage to debug
time2 = tracemalloc.take_snapshot()        # After snapshot

stats = time2.compare_to(time1, 'lineno')  # Compare snapshots
for stat in stats[:3]:
    print(stat)

运行上面的代码，从结果中可以看出，每一条记录都有size与count指标，用来表示这行代码所分配的对象占用多少内存，以及对象的数量。

通过对比就能发现占用内存较多的对象是由那几行代码分配的。

/waste_memory.py:11: size=5120 B (+5120 B), count=80 (+80), average=64 B
/waste_memory.py:14: size=4424 B (+4424 B), count=79 (+79), average=56 B
/waste_memory.py:9: size=1704 B (+1704 B), count=8 (+8), average=213 B

3.2.查看栈信息

tracemalloc还可以打印栈的追踪信息，下面把程序中分配内存最多的那行代码所对应的栈追踪信息打印出来，看看程序是沿着哪条路径触发这行代码的。

import tracemalloc

tracemalloc.start(10)
time1 = tracemalloc.take_snapshot()

import waste_memory

x = waste_memory.run()
time2 = tracemalloc.take_snapshot()

stats = time2.compare_to(time1, 'traceback')
top = stats[0]
print('Biggest offender is:')
# 打印栈信息
print('\n'.join(top.traceback.format()))

运行上面的代码

Biggest offender is:
  File "/with_trace.py", line 14
    x = waste_memory.run()
  File "/waste_memory.py", line 23
    deep_values.append(get_data())
  File "/waste_memory.py", line 16
    obj = MyObject()
  File "/waste_memory.py", line 11
    self.data = os.urandom(100)

总结

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。

您可能感兴趣的文章:

Python3 Tkinkter + SQLite实现登录和注册界面
这篇文章主要为大家详细介绍了Python3 Tkinkter + SQLite实现登录和注册界面，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2019-11-11
Numpy 三维数组索引与切片的实现
本文主要介绍了Numpy 三维数组索引与切片，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2023-03-03
Python使用py2neo操作图数据库neo4j的方法详解
这篇文章主要介绍了Python使用py2neo操作图数据库neo4j的方法,结合实例形式详细分析了Python使用py2neo操作图数据库neo4j的具体步骤、原理、相关使用技巧与操作注意事项,需要的朋友可以参考下
2020-01-01
Python数据可视化详解
数据可视化是一种将庞杂抽象的数据转化为直观易懂的图形的数据呈现技术，它能帮助我们快速把握数据的分布和规律，更加轻松地理解和探索信息,本文通过代码图片详细介绍了Python数据可视化，感兴趣的小伙伴可以参考阅读
2023-04-04
浅谈Tensorflow 动态双向RNN的输出问题
今天小编就为大家分享一篇浅谈Tensorflow 动态双向RNN的输出问题，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
2020-01-01
Python多线程使用方法详细讲解
这篇文章主要介绍了Python中的多线程实例，一个CPU，将时间切成一片一片的，CPU轮转着去处理一件一件的事情，到了规定的时间片就处理下一件事情，更多的相关内容需要的小伙伴可以参考下面文章详细
2022-10-10
NumPy 矩阵乘法的实现示例
这篇文章主要介绍了NumPy 矩阵乘法的实现示例，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
2021-03-03
python生成器，可迭代对象，迭代器区别和联系
这篇文章主要介绍了python生成器，可迭代对象，迭代器区别和联系，通过对比用法让大家更加深入理解相关知识，需要的朋友参考学习下吧。
2018-02-02
Python读写操作csv和excle文件代码实例
这篇文章主要介绍了python读写操作csv和excle文件代码实例,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
2020-03-03
详解Python如何批量采集京东商品数据流程
这不快过年了，又是要买年货，又是要给女朋友买礼物的，分析一下价格，看看哪些是真的降价了
2022-01-01