Python的内存管理机制：引入计数、垃圾回收、内存池机制
一、引入计数
1、变量与对象
- 变量赋值的时候才创建，它可以指向(引用)任何类型的对象
python里每一个东西都是对象，它们的核心就是一个结构体：PyObject - 变量必须先赋值，再引用。
比如，你定义一个计数器，你必须初始化成0，然后才能自增。 - 每个对象都包含两个头部字段(类型标识符和引用计数器)
关系图如下：
变量名没有类型，类型属于对象(因为变量引用对象，所以类型随对象)，在Python中，变量是一种特定类型对象在一个特定的时间点的引用。
2、共享引用
1、id() 是 python 的内置函数，用于返回对象的标识，即对象的内存地址。
2、引用所指判断
通过is进行引用所指判断，is是用来判断两个引用所指的对象是否相同。
整数
>>> a = 256>>> b = 256>>> a is b
True>>> c = 257>>> d = 257>>> c is d
False>>>
短字符串
>>> e = "Explicit">>> f = "Explicit">>> e is f
True>>>
长字符串
>>> g = "Beautiful is better">>> h = "Beautiful is better">>> g is h
False>>>
列表
>>> lst1 = [1, 2, 3]>>> lst2 = [1, 2, 3]>>> lst1 is lst2
False>>>
由运行结果可知：
1、Python缓存了整数和短字符串，因此每个对象在内存中只存有一份，引用所指对象就是相同的，即使使用赋值
语句，也只是创造新的引用，而不是对象本身；
2、Python没有缓存长字符串、列表及其他对象，可以由多个相同的对象，可以使用赋值语句创建出新的对象。
原理：
# 两种优化机制： 代码块内的缓存机制, 小数据池。# 代码块
代码全都是基于代码块去运行的(好比校长给一个班发布命令)，一个文件就是一个代码块。
不同的文件就是不同的代码块。# 代码块内的缓存机制
Python在执行同一个代码块的初始化对象的命令时，会检查是否其值是否已经存在，如果存在，会将其重用。
换句话说：执行同一个代码块时，遇到初始化对象的命令时，他会将初始化的这个变量与值存储在一个字典中，
在遇到新的变量时，会先在字典中查询记录，
如果有同样的记录那么它会重复使用这个字典中的之前的这个值。
所以在文件执行时(同一个代码块)会把两个变量指向同一个对象，
满足缓存机制则他们在内存中只存在一个，即：id相同。
注意：# 机制只是在同一个代码块下！！！，才实行。# 满足此机制的数据类型：int str bool。# 小数据池(驻留机制，驻村机制，字符串的驻存机制，字符串的缓存机制等等)
不同代码块之间的优化。# 适应的数据类型：str bool intint： -5 ~256
str: 一定条件下的str满足小数据池。bool值 全部。# 总结：
如果你在同一个代码块中，用同一个代码块中的缓存机制。
如果你在不同代码块中，用小数据池。# 优点：1，节省内存。2，提升性能。
3、查看对象的引用计数
在Python中，每个对象都有指向该对象的引用总数 --- 引用计数
查看对象的引用计数：sys.getrefcount()
当对变量重新赋值时，它原来引用的值去哪啦？比如下面的例子，给 s 重新赋值 字符串 apple，6 跑哪里去啦？
>>> s = 6>>> s = 'apple'
答案是：当变量重新赋值时，它原来指向的对象(如果没有被其他变量或对象引用的话)的空间可能被收回(垃圾回收)
普通引用
>>> import sys>>>
>>> a = "simple">>> sys.getrefcount(a)2>>> b = a>>> sys.getrefcount(a)3>>> sys.getrefcount(b)3>>>
注意：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。
三、垃圾回收
当Python中的对象越来越多，占据越来越大的内存，启动垃圾回收(garbage collection)，将没用的对象清除。
1、原理
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。
比如某个新建对象，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。
2、解析del
del 可以使 对象的引用计数减 1，该表引用计数变为0，用户不可能通过任何方式接触或者动用这个对象，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。
注意
- 1、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；
- 2、Python只会在特定条件下，自动启动垃圾回收(垃圾对象少就没必要回收)
- 3、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。
>>> import gc>>>
>>> gc.get_threshold() #gc模块中查看垃圾回收阈值的方法
(700, 10, 10)>>>
阈值分析：
700 即是垃圾回收启动的阈值；
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；
当然也是可以手动启动垃圾回收：
>>> gc.collect() #手动启动垃圾回收52>>> gc.set_threshold(666, 8, 9) # gc模块中设置垃圾回收阈值的方法>>>
何为分代回收
- 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，就被归入下一代对象。
分代技术是一种典型的以空间换时间的技术，这也正是java里的关键技术。这种思想简单点说就是：对象存在时间越长，越可能不是垃圾，应该越少去收集。
这样的思想，可以减少标记-清除机制所带来的额外操作。分代就是将回收对象分成数个代，每个代就是一个链表(集合)，代进行标记-清除的时间与代内对象存活时间成正比例关系。
从上面代码可以看出python里一共有三代，每个代的threshold值表示该代最多容纳对象的个数。默认情况下，当0代超过700,或1，2代超过10，垃圾回收机制将触发。
0代触发将清理所有三代，1代触发会清理1,2代，2代触发后只会清理自己。
标记-清除机制，顾名思义，首先标记对象(垃圾检测)，然后清除垃圾(垃圾回收)。
首先初始所有对象标记为白色，并确定根节点对象(这些对象是不会被删除)，标记它们为黑色(表示对象有效)。
将有效对象引用的对象标记为灰色(表示对象可达，但它们所引用的对象还没检查)，检查完灰色对象引用的对象后，将灰色标记为黑色。
重复直到不存在灰色节点为止。最后白色结点都是需要清除的对象。
如何解决循环引用可能导致的内存泄露问题呢？
答案是：
- 弱引用 使用weakref 模块下的 ref 方法
- 强制把其中一个引用变成 None
import gcimport objgraphimport sysimport weakrefdef quote_demo():class Person:pass
p = Person() # 1
print(sys.getrefcount(p)) # 2 firstdef log(obj):# 4 second 函数执行才计数，执行完释放
print(sys.getrefcount(obj))
log(p) # 3
p2 = p # 2
print(sys.getrefcount(p)) # 3del p2
print(sys.getrefcount(p)) # 3 - 1 = 2def circle_quote():# 循环引用class Dog:passclass Person:pass
p = Person()
d = Dog()
print(objgraph.count("Person"))
print(objgraph.count("Dog"))
p.pet = d
d.master = p# 删除 p, d之后, 对应的对象是否被释放掉del pdel d
print(objgraph.count("Person"))
print(objgraph.count("Dog"))def solve_cirecle_quote():# 1. 定义了两个类class Person:def __del__(self):
print("Person对象, 被释放了")passclass Dog:def __del__(self):
print("Dog对象, 被释放了")pass
p = Person()
d = Dog()
p.pet = d
d.master = p
p.pet = None # 强制置 Nonedel pdel d
gc.collect()
print(objgraph.count("Person"))
print(objgraph.count("Dog"))def sovle_circle_quote_with_weak_ref():# 1. 定义了两个类class Person:def __del__(self):
print("Person对象, 被释放了")passclass Dog:def __del__(self):
print("Dog对象, 被释放了")pass
p = Person()
d = Dog()
p.pet = d
d.master = weakref.ref(p)del pdel d
gc.collect()
print(objgraph.count("Person"))
print(objgraph.count("Dog"))if __name__ == "__main__":
quote_demo()
circle_quote()
solve_cirecle_quote()
sovle_circle_quote_with_weak_ref()
四、内存池机制
Python中有分为大内存和小内存：(256K为界限分大小内存)
- 大内存使用malloc进行分配
- 小内存使用内存池进行分配
Python的内存池(金字塔)
- 第+3层：最上层，用户对Python对象的直接操作
- 第+1层和第+2层：内存池，有Python的接口函数PyMem_Malloc实现
若请求分配的内存在1~256字节之间就使用内存池管理系统进行分配，调用malloc函数分配内存，
但是每次只会分配一块大小为256K的大块内存，不会调用free函数释放内存，将该内存块留在内存池中以便下次使用 - 第0层：大内存 -----> 若请求分配的内存大于256K，malloc函数分配内存，free函数释放内存。
- 第-1，-2层：操作系统进行操作
本文作者：51try-again，原文链接：l
