tracemalloc分析內(nèi)存使用情況與泄露方式

更新時(shí)間：2023年11月09日 17:29:26 作者：Bruce小鬼

這篇文章主要介紹了tracemalloc分析內(nèi)存使用情況與泄露方式,具有很好的參考價(jià)值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教

1.概述

python內(nèi)存管理是通過引用計(jì)數(shù)執(zhí)行的，如果指向某個(gè)對象的引用全部過期，那么受引用的對象就可以從內(nèi)存中清除，從而給其他數(shù)據(jù)騰出空間。

理論上講，python開發(fā)不用擔(dān)心程序如何分配和釋放內(nèi)存，因?yàn)閜ython系統(tǒng)本身以及Cpython運(yùn)行環(huán)境會自動處理這些問題。

但實(shí)際情況程序會因?yàn)闆]有及時(shí)釋放不再需要引用的數(shù)據(jù)耗盡內(nèi)存。下面通過一些方法來看下內(nèi)存使用情況。

2.查看gc引用對象總數(shù)

下面是被測試代碼，這個(gè)代碼可以創(chuàng)建對象，在gc中產(chǎn)生引用對象。

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

下面的代碼用來輸出當(dāng)前gc引用對象的數(shù)量

import gc

# 獲取運(yùn)行前gc引用對象數(shù)量
found_objects = gc.get_objects()
print('Before:', len(found_objects))

# 導(dǎo)入待測試模塊
import waste_memory

# 運(yùn)行待測試代碼的函數(shù)
hold_reference = waste_memory.run()

# 獲取運(yùn)行代碼后gc引用對象數(shù)量
found_objects = gc.get_objects()
print('After: ', len(found_objects))
for obj in found_objects[:5]:
    print(repr(obj)[:100])

print('...')

運(yùn)行上面的代碼，下面是gc引用的對象總數(shù)。

Before: 28834
After:  28923

3.tracemalloc查看內(nèi)存分配情況

3.1.查看內(nèi)存分配情況

上面只輸出了gc的總數(shù)，對于分析內(nèi)存分配情況沒有太多的指導(dǎo)意義，tracemalloc模塊能夠追溯到分配它的位置，因此我們可以在之前模塊前后對內(nèi)存使用情況做個(gè)快照，分析兩個(gè)快照之間的區(qū)別。

下面是被測試代碼

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)

運(yùn)行上面的代碼，從結(jié)果中可以看出，每一條記錄都有size與count指標(biāo)，用來表示這行代碼所分配的對象占用多少內(nèi)存，以及對象的數(shù)量。

通過對比就能發(fā)現(xiàn)占用內(nèi)存較多的對象是由那幾行代碼分配的。

/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.查看棧信息

tracemalloc還可以打印棧的追蹤信息，下面把程序中分配內(nèi)存最多的那行代碼所對應(yīng)的棧追蹤信息打印出來，看看程序是沿著哪條路徑觸發(fā)這行代碼的。

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:')
# 打印棧信息
print('\n'.join(top.traceback.format()))

運(yùn)行上面的代碼

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)