姓名：米芃
学号：16040520018
［嵌牛导读］Python内存优化的Profile工具，最有效的优化方法：使用slots，在python3.6中新的dict实现。
［嵌牛鼻子］python Linux 内存分配
［嵌牛提问］Python不规范代码，质量较差的代码对内存的影响是？
［嵌牛正文］实际项目中，pythoner更加关注的是Python的性能问题，之前也写过一篇文章介绍Python性能优化的一些方法。而本文，关注的是Python的内存优化，一般说来，如果不发生内存泄露，运行在服务端的Python代码不用太关心内存，但是如果运行在客户端（比如移动平台上），那还是有优化的必要。具体而言，本文主要针对的Cpython，而且不涉及C扩展。
我们知道，Python使用引用技术和垃圾回收来管理内存，底层也有各种类型的内存池，那我们怎么得知一段代码使用的内存情况呢？工欲善其事必先利其器，直接看windows下的任务管理器或者linux下的top肯定是不准的。
Pytracemalloc
对于基本类型，可以通过sys.getsizeof()来查看对象占用的内存大小。以下是在64位Linux下的一些结果：
>>> import sys
>>> sys.getsizeof(1)
24
>>> sys.getsizeof([])
72
>>> sys.getsizeof(())
56
>>> sys.getsizeof({})
280
>>> sys.getsizeof(True)
24
可以看到，即使是一个int类型(1)也需要占用24个字节，远远高于C语言中int的范围。因为Python中一切都是对象，int也不例外（事实上是PyIntObject），除了真正存储的数值，还需要保存引用计数信息、类型信息，更具体的可以参见《Python源码剖析》。
而对于更复杂的组合类型，复杂的代码，使用getsizeof来查看就不准确了，因为在Python中变量仅仅指向一个对象，这个时候就需要更高级的工具，比如guppy，pysizer，pytracemalloc，objgraph。在这里重点介绍pytracemalloc。
在Python3.4中，已经支持了pytracemalloc，如果使用python2.7版本，则需要对源码打补丁，然后重新编译。pytracemalloc在pep454中提出，主要有以下几个特点：
Traceback where an object was allocated
Statistics on allocated memory blocks per filename and per line number: total size, number and average size of allocated memory blocks
Compute the differences between two snapshots to detect memory leaks
简单来说，pytracemalloc hook住了python申请和释放内存的接口，从而能够追踪对象的分配和回收情况。对内存分配的统计数据可以精确到每个文件、每一行代码，也可以按照调用栈做聚合分析。而且还支持快照（snapshot）功能，比较两个快照之间的差异可以发现潜在的内存泄露。
下面通过一个例子来简单介绍pytracemalloc的用法和接口，关于更详细用法和API，可以参考这份详尽的文档或者pytracemalloc的作者在pycon上的演讲ppt（https://github.com/haypo/conf/blob/master/2014-Pycon-Montreal/tracemalloc.pdf）。
import tracemalloc
NUM_OF_ATTR = 10
NUM_OF_INSTANCE = 100
class Slots(object):
__slots__ = ['attr%s'%i for i in range(NUM_OF_ATTR)]
def __init__(self):
value_lst = (1.0, True, [], {}, ())
for i in range(NUM_OF_ATTR):
setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])
class NoSlots(object):
def __init__(self):
value_lst = (1.0, True, [], {}, ())
for i in range(NUM_OF_ATTR):
setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])
def generate_some_objs():
lst = []
for i in range(NUM_OF_INSTANCE):
o = Slots() if i % 2 else NoSlots()
lst.append(o)
return lst
if __name__ == '__main__':
tracemalloc.start(3)
t = generate_some_objs()
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno') # lineno filename traceback
print(tracemalloc.get_traced_memory())
for stat in top_stats[:10]:
print(stat)
在上面的代码中，用到了pytracemalloc几个核心的API：
start(nframe: int=1)
pytracemalloc的一大好处就是可以随时启停，start函数即开始追踪内存分配，相应的stop会停止追踪。start函数有一个参数，nframes : 内存分配时记录的栈的深度，这个值越大，pytracemalloc本身消耗的内存越多，在计算cumulative数据的时候有用。
get_traced_memory()
返回值是拥有两个元素的tuple，第一个元素是当前分配的内存，第二个元素是自内存追踪启动以来的内存峰值。
take_snapshot()
返回当前内存分配快照，返回值是Snapshot对象，该对象可以按照单个文件、单行、单个调用栈统计内存分配情况
运行环境：windows 64位python3.4
(62280, 62920)
test_pytracemalloc_use_py3.4.py:10: size=16.8 KiB, count=144, average=120 B
test_pytracemalloc_use_py3.4.py:17: size=16.7 KiB, count=142, average=120 B
test_pytracemalloc_use_py3.4.py:19: size=9952 B, count=100, average=100 B
test_pytracemalloc_use_py3.4.py:26: size=9792 B, count=102, average=96 B
test_pytracemalloc_use_py3.4.py:27: size=848 B, count=1, average=848 B
test_pytracemalloc_use_py3.4.py:34: size=456 B, count=1, average=456 B
test_pytracemalloc_use_py3.4.py:36: size=448 B, count=1, average=448 B
D:Python3.4libtracemalloc.py:474: size=64 B, count=1, average=64 B
如果将第36行的“lineno“改成“filename”，那么结果如下
(62136, 62764)
test_pytracemalloc_use_py3.4.py:0: size=54.5 KiB, count=491, average=114 B
D:Python3.4libtracemalloc.py:0: size=64 B, count=1, average=64 B
有了Profile结果之后，可以看出来在哪个文件中有大量的内存分配。与性能优化相同，造成瓶颈的有两种情况：单个对象占用了大量的内存；同时大量存在的小对象。对于前者，优化的手段并不多，惰性初始化属性可能有一些帮助；而对于后者，当同样类型的对象大量存在时，可以使用slots进行优化。
Slots
默认情况下，自定义的对象都使用dict来存储属性（通过obj.__dict__查看），而python中的dict大小一般比实际存储的元素个数要大（以此降低hash冲突概率），因此会浪费一定的空间。在新式类中使用__slots__，就是告诉Python虚拟机，这种类型的对象只会用到这些属性，因此虚拟机预留足够的空间就行了，如果声明了__slots__，那么对象就不会再有__dict__属性。
使用slots到底能带来多少内存优化呢，首先看看这篇文章，对于一个只有三个属性的Image类，使用__slots__之后内存从25.5G下降到16.2G，节省了9G的空间！
到底能省多少，取决于类自身有多少属性、属性的类型，以及同时存在多少个类的实例。下面通过一段简单代码测试一下：
# -*- coding: utf-8 -*-
import sys
import tracemalloc
NUM_OF_ATTR = 3 #3 # 10 # 30 #90
NUM_OF_INSTANCE = 10 # 10 # 100
class Slots(object):
__slots__ = ['attr%s'%i for i in range(NUM_OF_ATTR)]
def __init__(self):
value_lst = (1.0, True, [], {}, ())
for i in range(NUM_OF_ATTR):
setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])
class NoSlots(object):
def __init__(self):
value_lst = (1.0, True, [], {}, ())
for i in range(NUM_OF_ATTR):
setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])
if __name__ == '__main__':
clz = Slots if len(sys.argv) > 1 else NoSlots
tracemalloc.start()
objs = [clz() for i in range(NUM_OF_INSTANCE)]
print(tracemalloc.get_traced_memory()[0])
上面的代码，主要是在每个实例的属性数目、并发存在的实例数目两个维度进行测试，并没有测试不同的属性类型。结果如下表：
百分比为内存优化百分比，计算公式为(b – a) / b， 其中b为没有使用__slots__时分配的内存， a为使用了__slots__时分配的内存。
摘自微信公众号“程序员大咖”，有删改。