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:

Python文档生成工具pydoc使用介绍
这篇文章主要介绍了Python文档生成工具pydoc使用介绍,本文讲解了基本用法、获取帮助的方法、生成的文档效果图等内容,需要的朋友可以参考下
2015-06-06
python迭代器,生成器详解
这篇文章主要介绍了Python中的迭代器和生成器,涉及到Python中很多重要的特性,小编觉得这篇文章写的还不错，需要的朋友可以参考下
2021-10-10
使用Python进行目录的对比方法
今天小编就为大家分享一篇使用Python进行目录的对比方法，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
2018-11-11
Python+OCR实现文档解析的示例代码
本文是一个简单教程，主要介绍了如何使用OCR进行文档解析以及使用Layoutpars软件包进行了整个检测和提取过程，感兴趣的可以了解一下
2022-09-09
在k8s上部署pytorch分布式程序的完整步骤记录
Kubernetes的核心优势在于其能够提供一个可扩展、灵活且高度可配置的平台,使得应用程序的部署、扩展和管理变得前所未有的简单下面这篇文章主要给大家介绍了关于在k8s上部署pytorch分布式程序的完整步骤,需要的朋友可以参考下
2024-08-08
你会使用python爬虫抓取弹幕吗
这篇文章主要为大家详细介绍了python爬虫抓取弹幕的方法，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
2022-02-02
python实现解数独程序代码
最近在带孩子学习数独，职业使然，就上网搜了下相关程序的解法，这里分享给大家，希望对大家学习python有所帮助
2017-04-04
python解决No module named pip问题两种方法
当出现No module named pip错误时,表明您的Python环境缺少pip模块,下面这篇文章主要给大家介绍了关于python解决No module named pip问题的两种方法,需要的朋友可以参考下
2024-01-01
python实现计数排序与桶排序实例代码
这篇文章主要介绍了python计数排序与桶排序，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
2019-03-03
基于PyQt5制作一个表情包下载器
每次和朋友聊天苦于没有表情包，而别人的表情包似乎是取之不尽、用之不竭。作为一个程序员哪能甘愿认输，所以本文将用Python制作一个表情包下载器供大家斗图，需要的可以参考一下
2022-03-03