在Python中释放内存

问题描述 投票：112回答：4

在下面的示例中，我有一些关于内存使用的相关问题。

  1. 如果我在翻译中跑， foo = ['bar' for _ in xrange(10000000)] 在我的机器上使用的真实内存上升到80.9mb。然后，我 del foo 真正的记忆力下降，但仅限于30.4mb。解释器使用4.4mb基线，那么不向操作系统发布26mb内存的优势是什么？是因为Python“提前规划”，认为你可能会再次使用那么多内存吗？
  2. 为什么它特别释放50.5mb - 基于此发布的金额是多少？
  3. 有没有办法强制Python释放所有使用的内存（如果你知道你不会再使用那么多内存）？

注意这个问题与How can I explicitly free memory in Python?不同，因为这个问题主要涉及从解释器通过垃圾收集释放对象（使用或不使用gc.collect）后从基线增加内存使用量。

python memory-management
4个回答
80
投票

在堆上分配的内存可能会受到高水位影响。 Python的内部优化在4 KiB池中分配小对象（PyObject_Malloc），这很复杂，分配大小为8字节的倍数 - 最多256字节（3.3字节为512字节）。池本身在256 KiB竞技场中，因此如果使用一个池中的一个块，则整个256 KiB竞技场将不会被释放。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时表现更好。

此外，内置类型维护以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。 int类型维护一个具有自己分配的内存的空闲列表，清除它需要调用PyInt_ClearFreeList()。这可以通过做一个完整的gc.collect间接调用。

试试这样，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.get_memory_info().rss

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

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

# collect() calls PyInt_ClearFreeList()
# or use ctypes: pythonapi.PyInt_ClearFreeList()
gc.collect()
mem3 = proc.get_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大小的测量，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free的块更多 - 甚至更多 - 收缩也就不足为奇了。

在3.x中range不会创建列表，因此上面的测试不会创建1000万个int对象。即使它确实如此，3.x中的int类型基本上是2.x long，它没有实现空闲列表。

117
投票

我猜这里你真正关心的问题是：

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

不，那里没有。但有一个简单的解决方法：子进程。

如果你需要500MB的临时存储空间5分钟，但在那之后你需要再运行2个小时并且不会再次触及那么多内存，产生一个子进程来进行内存密集型工作。当子进程消失时，内存将被释放。

这不是完全无关紧要和免费的，但它非常简单和便宜，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，使用PyPI上的futures backport）：

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multiprocessing模块。

费用是：

  • 在某些平台上，进程启动有点慢，特别是Windows。我们在这里谈论毫秒，而不是几分钟，如果你让一个孩子做300秒的工作，你甚至都不会注意到它。但它不是免费的。
  • 如果您使用的大量临时内存确实很大，执行此操作可能会导致主程序被换出。当然，从长远来看，你节省了时间，因为如果那个记忆永远存在，它将不得不导致在某些时候交换。但是，在某些用例中，这可能会逐渐缓慢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，如果您正在讨论发送超过2K的参数并获得64K结果，您甚至不会注意到它，但如果您要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; multiprocessing中的共享内存API;等等）。
  • 在进程之间发送大量数据意味着数据必须是可拾取的（或者，如果你将它们粘贴在文件或共享内存中，那么struct-able或者理想的ctypes-able）。
29
投票

eryksun回答了问题＃1，我回答了问题＃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 - 基于此发布的金额是多少？

它的基础是，最终，Python和malloc内部的一系列巧合很难预测。

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的页面。在这种情况下，只要页面被寻呼机换出，内存就会显示为“已释放”，即使它尚未被释放。

或者您可能正在测量使用中的页面，这些页面可能会或可能不会计算分配但从未触摸过的页面（在乐观过度分配的系统上，如linux），已分配但标记为MADV_FREE的页面等。

如果你真的在测量已分配的页面（这实际上不是一件非常有用的事情，但它似乎是你所要求的），并且页面确实被释放了，这可能发生在两种情况：你要么使用brk或同等数据来缩小数据段（现在非常罕见），或者你使用munmap或类似的方法来释放映射的段。 （从理论上讲，后者也有一个小变体，因为有一些方法可以释放映射段的一部分 - 例如，用MAP_FIXED窃取它，为你立即取消映射的MADV_FREE段。）

但是大多数程序都没有直接从内存页面中分配内容;他们使用malloc式分配器。当你调用free时，如果恰好是freeing映射中的最后一个活动对象（或数据段的最后N页），分配器只能向操作系统释放页面。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。

CPython使这更加复杂 - 它在malloc之上的自定义内存分配器上有一个自定义的2级对象分配器。 （有关更详细的解释，请参阅the source comments。）除此之外，即使在C API级别，更少的Python，您甚至无法直接控制何时释放顶级对象。

那么，当你发布一个对象时，你怎么知道它是否会向操作系统释放内存？好吧，首先你必须知道你已经发布了最后一个引用（包括你不知道的任何内部引用），允许GC解除分配。 （与其他实现不同，至少CPython会在允许的情况下解除对象的释放。）这通常会在下一级别释放至少两个东西（例如，对于一个字符串，你将释放PyString对象，以及字符串缓冲）。

如果取消分配对象，要知道这是否导致下一级别解除分配对象存储块，您必须知道对象分配器的内部状态，以及它是如何实现的。 （显然不可能发生，除非你要解除块中的最后一件事，即便如此，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，你必须在malloced区域内释放最后一个使用中的块，即便如此，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munmap或等效（或brk），你必须知道malloc的内部状态，以及它是如何实现的。与其他产品不同，这一产品具有高度的平台特性。 （再次，你通常必须在malloc片段中释放最后使用中的mmap，即便如此，它也可能不会发生。）

所以，如果你想了解为什么它恰好发布了50.5mb，你将不得不从下往上追踪它。当你做那些一个或多个malloc调用时，为什么free取消映射50.5mb的页面（可能超过50.5mb）？您必须阅读平台的malloc，然后浏览各种表和列表以查看其当前状态。 （在某些平台上，它甚至可以利用系统级信息，如果不制作系统快照以进行离线检测，则几乎不可能捕获，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，否则您没有理由关注这些细节。

如果你正在进行资源有限的开发，那么了解这些细节是没用的;你几乎必须围绕所有这些级别进行最终运行，特别是mmap你需要在应用程序级别的内存（可能有一个简单的，易于理解的，特定于应用程序的区域分配器）。

1
投票

首先，您可能想要安装一下：

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

然后在终端中运行它！

glances

在Python代码中，在文件的开头添加以下内容：

import os
import gc # Garbage Collector

使用“Big”变量（例如：myBigVar）之后，你想要释放内存，在你的python代码中写入以下内容：

del myBigVar
gc.collect()

在另一个终端中，运行您的python代码并在“glances”终端中观察如何在系统中管理内存！

祝好运！

附：我假设您正在使用Debian或Ubuntu系统

最新问题
© www.soinside.com 2019 - 2024. All rights reserved.