Python tracemalloc跟踪内存分配问题

更新时间：2023年11月09日 09:18:44 作者：Rnan-prince

这篇文章主要介绍了Python tracemalloc跟踪内存分配问题,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

Python tracemalloc跟踪内存分配

tracemalloc 模块是一个用于对 python 已申请的内存块进行debug的工具。

它能提供以下信息：

定位对象分配内存的位置
按文件、按行统计python的内存块分配情况: 总大小、块的数量以及块平均大小。
对比两个内存快照的差异，以便排查内存泄漏

显示前10项

显示内存分配最多的10个文件：

import tracemalloc
 
tracemalloc.start()
# --- 业务代码 start ---
n = 10000000
s = 0
for i in range(1, n):
    s *= i
# --- 业务代码 end ---
snapshot = tracemalloc.take_snapshot()  # 内存摄像
top_stats = snapshot.statistics('lineno')  # 内存占用数据获取
 
print('[Top 10]')
for stat in top_stats[:10]:  # 打印占用内存最大的10个子进程
    print(stat)
 
# [Top 10]
# D:/MyPython/tracemalloc/demo.py:5: size=576 B, count=1, average=576 B
# D:/MyPython/tracemalloc/demo.py:7: size=28 B, count=1, average=28 B

TOP1：代码第五行占用内存大小576B

计算差异

获取两个快照并显示差异：

import tracemalloc
 
 
tracemalloc.start()
snapshot0 = tracemalloc.take_snapshot()  # 第一张快照
# --- 业务代码 start ---
n = 10000000
s = 0
for i in range(1, n):
    s *= i
# --- 业务代码 end ---
snapshot1 = tracemalloc.take_snapshot()  # 第二张快照
top_stats = snapshot1.compare_to(snapshot0, 'lineno')  # 快照对比
 
print('[Top 10 differences]')
for stat in top_stats[:10]:
    print(stat)
 
# [Top 10 differences]
# D:/MyPython/tracemalloc/demo.py:27: size=576 B (+576 B), count=1 (+1), average=576 B
# D:\Program Files\anaconda3\lib\tracemalloc.py:397: size=88 B (+88 B), count=2 (+2), average=44 B
# D:\Program Files\anaconda3\lib\tracemalloc.py:534: size=48 B (+48 B), count=1 (+1), average=48 B
# D:\Program Files\anaconda3\lib\tracemalloc.py:291: size=40 B (+40 B), count=1 (+1), average=40 B
# D:/MyPython/tracemalloc/demo.py:31: size=28 B (+28 B), count=1 (+1), average=28 B

TOP1：代码第27行占用内存大小增加了576B

tracemalloc分析内存使用情况与泄露

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。

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

tracemalloc查看内存分配情况

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

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:

查看django版本的方法分享
今天小编就为大家分享一篇查看django版本的方法分享，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
2018-05-05
好的Python培训机构应该具备哪些条件
python是现在开发的热潮，大家应该如何学习呢？许多人选择自学，还有人会选择去培训结构学习，那么好的培训机构的标准是什么样的呢？下面跟随脚本之家小编一起通过本文学习吧
2018-05-05
python连接mongodb集群方法详解
这篇文章主要介绍了python连接mongo集群方法详解,需要的朋友可以参考下
2020-02-02
Python基于FTP模块实现ftp文件上传操作示例
这篇文章主要介绍了Python基于FTP模块实现ftp文件上传操作,结合实例形式分析了Python引入ftp模块及相关设置、文件传输等操作技巧,需要的朋友可以参考下
2018-04-04
python+selenium对table表和分页处理
这篇文章主要介绍了python+selenium对table表和分页处理，文章内容只要包括bulabula2022、table表分页处理、网页table所有内容循环处理等相关内容，需要的小伙伴可以参考一下
2022-01-01
python中json格式处理和字典的关系
今天我们先讲一下编写python脚本处理json的核心功能，有些散乱，后期在进行整体脚本的编写,对python json字典关系相关知识感兴趣的朋友一起看看吧
2022-06-06
numpy基础教程之np.linalg
这篇文章主要给大家介绍了关于numpy基础教程之np.linalg的相关资料，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，需要的朋友们下面来一起学习学习吧
2019-02-02
python pipreqs工具生成requirements.txt文件使用详解
这篇文章主要为大家介绍了python pipreqs工具生成requirements.txt文件使用详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
2023-12-12
TensorFlow和keras中GPU使用的设置操作
这篇文章主要介绍了TensorFlow和keras中GPU使用的设置操作，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
2021-05-05
解决Pycharm调用Turtle时窗口一闪而过的问题
今天小编就为大家分享一篇解决Pycharm调用Turtle时窗口一闪而过的问题，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
2019-02-02