实际项目中，pythoner更加关注的是Python的性能问题，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。
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
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.py:10: size=16.8 KiB, count=144, average=120 B
test.py:17: size=16.7 KiB, count=142, average=120 B
test.py:19: size=9952 B, count=100, average=100 B
test.py:26: size=9792 B, count=102, average=96 B
test.py:27: size=848 B, count=1, average=848 B
test.py:34: size=456 B, count=1, average=456 B
test.py:36: size=448 B, count=1, average=448 B
D:\Python3.4\lib\tracemalloc.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.py:0: size=54.5 KiB, count=491, average=114 B
D:\Python3.4\lib\tracemalloc.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？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])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。
注意事项
关于__slots__，Python文档有非常详尽的介绍，这里只强调几点注意事项
第一：基类和子类都必须__slots__，即使基类或者子类没有属性
>>> class Base(object):
... pass
...
>>> class Derived(Base):
... __slots__ = ('a', )
...
>>> d.__slots__
('a',)
>>> getattr(d, '__dict__', 'No Dict')
{}
从上面的示例可以看到，子类的对象还是有__dict__属性，原因就在于基类没有声明__slots__。因此，可以通过看子类的实例有没有__dict__属性来判断slots的使用是否正确
第二：子类会继承基类的__slots__
更准确的说，如果访问属性的时候没有在子类的__slots__找到，会继续在基类的__slots__查找，因为Python使用descriptor在类这个层级实现__slots__的
>>> class Base(object):
... __slots__ = ('a',)
...
>>> class Derived(Base):
... __slots__ = ('b', )
...
>>> d = Derived()
>>> d.__slots__
('b',)
>>> getattr(d, '__dict__', 'No Dict')
'No Dict'
>>> d.a = 1
>>> d.c = 0
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: 'Derived' object has no attribute 'c'
objgraph
在大型工程中，怎么排查有哪些大量存在的对象呢，毕竟同一个类型存在的对象越多，优化越有效果。除了直接看代码，最好使的就是使用objgraph.py的show_most_common_types(N)函数，该函数返回Python gc管理的所有对象中，数目前N多的对象，在排除掉python builtin对象之后，剩下的就是可优化的对象。比如在最上面的代码中：在最后加上这么两句：
import objgraph
objgraph.show_most_common_types(25)
输出如下：
再论Python dict
前面介绍slots的时候，就提到Python自定义的对象中通过dict来管理属性。这种机制极大的提高了Python的灵活性 -- 可以随时给对象增加属性，但是其实现机制也带来了内存上的浪费。不管是python源码，还是Python程序，都大量使用了dict，因此这部分内存浪费不容小视。
python中的dict使用的是散列表（类似C++中的std::unordered_map），当计算出的hash值冲突的时候，采用开放地址法解决冲突（另一种常见的冲突解决算法是链表法）。为了降低冲突概率，当装填因子（实际存储的元素与散列表长度的比值）超过2/3的时候就会对散列表进行扩容，因此散列表中一定会存在一些未使用的槽。
下面简单看看PyDictObject的数据结构（python2.7.3 dictobject.h）
#define PyDict_MINSIZE 8
typedef struct {
/* Cached hash code of me_key. Note that hash codes are C longs.
* We have to use Py_ssize_t instead because dict_popitem() abuses
* me_hash to hold a search finger.
*/
Py_ssize_t me_hash;
PyObject *me_key;
PyObject *me_value;
} PyDictEntry;
typedef struct _dictobject PyDictObject;
struct _dictobject {
PyObject_HEAD
Py_ssize_t ma_fill; /* # Active + # Dummy */
Py_ssize_t ma_used; /* # Active */
/* The table contains ma_mask + 1 slots, and that's a power of 2.
* We store the mask instead of the size because the mask is more
* frequently needed.
*/
Py_ssize_t ma_mask;
/* ma_table points to ma_smalltable for small tables, else to
* additional malloc'ed memory. ma_table is never NULL! This rule
* saves repeated runtime null-tests in the workhorse getitem and
* setitem calls.
*/
PyDictEntry *ma_table;
PyDictEntry *(*ma_lookup)(PyDictObject *mp, PyObject *key, long hash);
PyDictEntry ma_smalltable[PyDict_MINSIZE];
};
从定义可以看出，除了固定的部分（几个Py_ssize_t），PyDictObject中主要是PyDictEntry对象，PyDictEntrty包含一个Py_ssize_t（int）和两个指针。上面源码中的注释（第26行）指出，当dict的元素比较少时，ma_table指向ma_smalltable，当元素增多时，ma_table会指向新申请的空间。ma_smalltable的作用在于Python（不管是源码还是代码）都大量使用dict，一般来说，存储的元素也不会太多，因此Python就先开辟好PyDict_MINSIZE(默认为8)个空间。
为什么说PyDictObject存在浪费呢，PyDictEntry在32位下也有12个字节，那么即使在ma_smalltable（ma_table）中大量的位置没有被使用时，也要占用这么多字节。用这篇文章中的例子：
假设有这么一个dict： d = {'timmy': 'red', 'barry': 'green', 'guido': 'blue'}
在Python源码中的视图就是这样的：
# 下面的entries就是ma_smalltable
entries = [['--', '--', '--'],
[-8522787127447073495, 'barry', 'green'],
['--', '--', '--'],
['--', '--', '--'],
['--', '--', '--'],
[-9092791511155847987, 'timmy', 'red'],
['--', '--', '--'],
[-6480567542315338377, 'guido', 'blue']]
然而，完全可以这么存储：
indices = [None, 1, None, None, None, 0, None, 2]
entries = [[-9092791511155847987, 'timmy', 'red'],
[-8522787127447073495, 'barry', 'green'],
[-6480567542315338377, 'guido', 'blue']]
indices的作用类似ma_smalltable，但只存储一个数组的索引值，数组只存储实际存在的元素（PyDictEntry），当dict中的元素越稀疏，相比上一种存储方式使用的内存越少。而且，这种实现， dict就是有序的（按插入时间排序）
这就是python3.6中新的dict实现，Compact dict! *上也有相关讨论。
总结
本文中介绍了Python内存优化的Profile工具，最有效的优化方法：使用slots，也介绍了在python3.6中新的dict实现。
当然，还有一些良好的编码习惯。比如尽量使用immutable而不是mutable对象：使用tuple而不是list，使用frozenset而不是set；另外，就是尽量使用迭代器，比如python2.7中，使用xrange而不是range，dict的iterxx版本。
链接：https://www.cnblogs.com/xybaby/p/7488216.html
