155

在以下示例中，我有一些关于内存使用的相关问题。

  1. 如果我在解释器中运行，

    foo = ['bar' for _ in xrange(10000000)]

    我机器上使用的真实内存高达80.9mb. 那我，

    del foo

    真实内存下降，但仅限于30.4mb. 解释器使用4.4mb基线，那么不向操作系统释放26mb内存有什么好处？是不是因为 Python 在“提前计划”，认为你可能会再次使用那么多内存？

  2. 为什么它50.5mb特别发布 - 发布的数量是多少？

  3. 有没有办法强制 Python 释放所有使用过的内存（如果你知道你不会再使用那么多内存的话）？

注意 这个问题与如何在 Python 中显式释放内存不同？ 因为即使在解释器通过垃圾收集（使用gc.collect或不使用）释放对象之后，这个问题主要处理从基线增加的内存使用量。

4

4 回答 4

146

我猜你在这里真正关心的问题是：

有没有办法强制 Python 释放所有使用过的内存（如果你知道你不会再使用那么多内存的话）？

不，那里没有。但是有一个简单的解决方法：子进程。

如果您需要 500MB 的临时存储 5 分钟，但之后您需要再运行 2 小时并且不会再接触那么多内存，请生成一个子进程来执行内存密集型工作。当子进程消失时，内存被释放。

这并不是完全简单和免费的，但它非常简单且便宜，这通常足以让交易变得有价值。

首先，创建子进程的最简单方法是使用concurrent.futures（或者，对于 3.1 及更早版本，futures使用 PyPI 上的反向端口）：

with concurrent.futures.ProcessPoolExecutor(max_workers=1) as executor:
    result = executor.submit(func, *args, **kwargs).result()

如果您需要更多控制，请使用该multiprocessing模块。

费用是：

  • 在某些平台上，进程启动有点慢，尤其是 Windows。我们在这里说的是毫秒，而不是分钟，如果你让一个孩子做 300 秒的工作，你甚至不会注意到它。但它不是免费的。
  • 如果您使用的大量临时内存确实很大，那么这样做可能会导致您的主程序被换出。当然，从长远来看，您可以节省时间，因为如果该内存永远存在，它将不得不在某个时候导致交换。但这会在某些用例中将逐渐的缓慢转变为非常明显的一次性（和早期）延迟。
  • 在进程之间发送大量数据可能很慢。同样，如果您正在谈论发送超过 2K 的参数并返回 64K 的结果，您甚至不会注意到它，但如果您正在发送和接收大量数据，您将需要使用其他一些机制（文件，mmapped 或其他文件；在 ; 中的共享内存 APImultiprocessing等）。
  • 在进程之间发送大量数据意味着数据必须是可腌制的（或者，如果您将它们粘贴在文件或共享内存中，struct则 -able 或理想情况下ctypes-able）。
于 2013-03-19T06:00:32.883 回答
95

在堆上分配的内存可能会受到高水位标记的影响。由于 Python 内部优化了PyObject_Malloc在 4 KiB 池中分配小对象（池本身在 256 KiB arena 中，因此如果只使用一个池中的一个块，则不会释放整个 256 KiB arena。在 Python 3.3 中，小对象分配器被切换为使用匿名内存映射而不是堆，因此它应该在释放内存方面表现更好。

此外，内置类型维护先前分配的对象的空闲列表，这些对象可能使用也可能不使用小对象分配器。该int类型维护一个具有自己分配内存的空闲列表，清除它需要调用PyInt_ClearFreeList(). 这可以通过执行 full 来间接调用gc.collect。

像这样试试，然后告诉我你得到了什么。这是psutil.Process.memory_info的链接。

import os
import gc
import psutil

proc = psutil.Process(os.getpid())
gc.collect()
mem0 = proc.memory_info().rss

# create approx. 10**7 int objects and pointers
foo = ['abc' for x in range(10**7)]
mem1 = proc.memory_info().rss

# unreference, including x == 9999999
del foo, x
mem2 = proc.memory_info().rss

# collect() calls PyInt_ClearFreeList()
# or use ctypes: pythonapi.PyInt_ClearFreeList()
gc.collect()
mem3 = proc.memory_info().rss

pd = lambda x2, x1: 100.0 * (x2 - x1) / mem0
print "Allocation: %0.2f%%" % pd(mem1, mem0)
print "Unreference: %0.2f%%" % pd(mem2, mem1)
print "Collect: %0.2f%%" % pd(mem3, mem2)
print "Overall: %0.2f%%" % pd(mem3, mem0)

输出：

Allocation: 3034.36%
Unreference: -752.39%
Collect: -2279.74%
Overall: 2.23%

编辑：

我切换到相对于进程 VM 大小进行测量，以消除系统中其他进程的影响。

当顶部的连续可用空间达到恒定、动态或可配置的阈值时，C 运行时（例如 glibc、msvcrt）会收缩堆。使用 glibc，您可以使用mallopt(M_TRIM_THRESHOLD) 进行调整。鉴于此，如果堆比你的块收缩更多——甚至更多——也就不足为奇了free。

在 3.xrange中不会创建列表，因此上面的测试不会创建 1000 万个int对象。即使是这样，int3.x 中的类型也基本上是 2.x long，它没有实现自由列表。

于 2013-03-17T05:46:25.050 回答
34

eryksun 已经回答了问题 #1，我已经回答了问题 #3（原来的 #4），但现在让我们回答问题 #2：

为什么它特别释放 50.5mb - 释放的数量是多少？

它所依据的最终是 Python 内部的一系列巧合，这些巧合malloc很难预测。

首先，根据您测量内存的方式，您可能只测量实际映射到内存中的页面。在这种情况下，任何时候页面被分页器换出，内存都会显示为“已释放”，即使它还没有被释放。

或者您可能正在测量正在使用的页面，这些页面可能会或可能不会计算已分配但从未触及的页面（在乐观过度分配的系统上，如 linux）、已分配但已标记的页面MADV_FREE等。

如果您真的在测量分配的页面（这实际上不是一件非常有用的事情，但它似乎是您要问的），并且页面确实已被释放，那么可能发生这种情况的两种情况：要么你'已经使用brk或等效于缩小数据段（现在非常罕见），或者您已经使用munmap或类似的方式来释放映射段。（理论上，后者还有一个较小的变体，因为有一些方法可以释放映射段的一部分——例如，MAP_FIXED为MADV_FREE您立即取消映射的段窃取它。）

但是大多数程序不会直接从内存页面中分配东西。他们使用malloc-style 分配器。当您调用 时free，如果您恰好是free映射中的最后一个活动对象（或数据段的最后 N 个页面），分配器只能将页面释放到操作系统。您的应用程序无法合理地预测这一点，甚至无法提前检测到它发生了。

CPython 使这变得更加复杂——它在malloc. （有关更详细的解释，请参阅源注释。）最重要的是，即使在 C API 级别，更不用说 Python，您甚至无法直接控制何时释放顶级对象。

那么，当你释放一个对象时，你怎么知道它是否会释放内存给操作系统呢？嗯，首先你必须知道你已经释放了最后一个引用（包括你不知道的任何内部引用），允许 GC 释放它。（与其他实现不同，至少 CPython 将在允许时立即释放对象。）这通常会在下一层释放至少两件事（例如，对于字符串，您正在释放PyString对象，以及字符串缓冲区）。

如果你确实释放了一个对象，要知道这是否会导致下一级释放一个对象存储块，你必须知道对象分配器的内部状态，以及它是如何实现的。（除非你释放块中的最后一个东西，否则它显然不会发生，即使那样，它也可能不会发生。）

如果你确实释放了一个对象存储块，要知道这是否会导致free调用，你必须知道 PyMem 分配器的内部状态，以及它是如何实现的。（同样，您必须在malloced 区域内释放最后一个正在使用的块，即使那样，它也可能不会发生。）

如果你做 free一个malloced 区域，要知道这是否会导致一个munmap或等效（或brk），你必须知道 的内部状态malloc，以及它是如何实现的。与其他的不同，这个是高度特定于平台的。（同样，您通常必须解除分配段中最后一个正在使用malloc的mmap，即使那样，它也可能不会发生。）

所以，如果你想了解为什么它恰好释放了 50.5mb，你将不得不从下往上追踪它。为什么在您进行一次或多次调用时（可能超过 50.5mb）malloc取消映射 50.5mb 的页面？free您必须阅读平台的malloc，然后遍历各种表格和列表以查看其当前状态。（在某些平台上，它甚至可能使用系统级信息，如果不制作系统快照以进行离线检查，几乎不可能捕获这些信息，但幸运的是，这通常不是问题。）然后你必须在上面的 3 个级别上做同样的事情。

所以，这个问题唯一有用的答案是“因为”。

除非您正在进行资源有限（例如，嵌入式）开发，否则您没有理由关心这些细节。

而如果你在做资源有限的开发，知道这些细节是没有用的；您几乎必须围绕所有这些级别进行最终运行，特别mmap是在应用程序级别所需的内存（可能在两者之间使用一个简单的、易于理解的、特定于应用程序的区域分配器）。

于 2013-03-19T19:04:01.753 回答
5

首先，您可能需要安装 Glances：

sudo apt-get install python-pip build-essential python-dev lm-sensors 
sudo pip install psutil logutils bottle batinfo https://bitbucket.org/gleb_zhulik/py3sensors/get/tip.tar.gz zeroconf netifaces pymdstat influxdb elasticsearch potsdb statsd pystache docker-py pysnmp pika py-cpuinfo bernhard
sudo pip install glances

然后在终端运行它！

glances

在您的 Python 代码中，在文件开头添加以下内容：

import os
import gc # Garbage Collector

使用“Big”变量（例如：myBigVar）后，您想为其释放内存，在您的 python 代码中编写以下内容：

del myBigVar
gc.collect()

在另一个终端中，运行您的 python 代码并在“glances”终端中观察系统中的内存是如何管理的！

祝你好运！

PS 我假设你正在使用 Debian 或 Ubuntu 系统

于 2019-03-04T13:04:05.287 回答