转自：https://www.cnblogs.com/51try-again/p/11099999.html
一、引用计数
1、变量与对象
- 变量赋值的时候才创建，它可以指向（引用）任何类型的对象
- python里每一个东西都是对象，它们的核心就是一个结构体：PyObject
- 变量必须先赋值，再引用。
- 比如，你定义一个计数器，你必须初始化成0，然后才能自增。
- 每个对象都包含两个头部字段（类型标识符和引用计数器）
关系图如下：
变量名没有类型，类型属于对象（因为变量引用对象，所以类型随对象），在Python中，变量是一种特定类型对象在一个特定的时间点的引用。
2、共享引用
二、内存优化
1、id()
id()是 python 的内置函数，用于返回对象的标识，即对象的内存地址。
>>> help(id)
Help on built-in function id in module builtins:
id(obj, /)
Return the identity of an object.
This is guaranteed to be unique among simultaneously existing objects.
(CPython uses the object‘s memory address.)
2、引用所指判断
通过is进行引用所指判断，is是用来判断两个引用所指的对象是否相同。
整数：
>>> a = 256 >>> b = 256 >>> a is b True >>> c = 257 >>> d = 257 >>> c is d False >>>
短字符串：
>>> e = "Explicit" >>> f = "Explicit" >>> e is f True >>>
长字符串：
>>> g = "Beautiful is better" >>> h = "Beautiful is better" >>> g is h False >>>
列表：
>>> lst1 = [1, 2, 3] >>> lst2 = [1, 2, 3] >>> lst1 is lst2 False >>>
由运行结果可知：
1、Python缓存了整数和短字符串，因此每个对象在内存中只存有一份，引用所指对象就是相同的，即使使用赋值
语句，也只是创造新的引用，而不是对象本身；
2、Python没有缓存长字符串、列表及其他对象，可以由多个相同的对象，可以使用赋值语句创建出新的对象。
原理：
# 两种优化机制： 代码块内的缓存机制, 小数据池。 # 代码块 代码全都是基于代码块去运行的（好比校长给一个班发布命令），一个文件就是一个代码块。 不同的文件就是不同的代码块。 # 代码块内的缓存机制 Python在执行同一个代码块的初始化对象的命令时，会检查是否其值是否已经存在，如果存在，会将其重用。 换句话说：执行同一个代码块时，遇到初始化对象的命令时，他会将初始化的这个变量与值存储在一个字典中， 在遇到新的变量时，会先在字典中查询记录， 如果有同样的记录那么它会重复使用这个字典中的之前的这个值。 所以在文件执行时（同一个代码块）会把两个变量指向同一个对象， 满足缓存机制则他们在内存中只存在一个，即：id相同。 注意： # 机制只是在同一个代码块下！！！，才实行。 # 满足此机制的数据类型：int str bool。 # 小数据池（驻留机制，驻村机制，字符串的驻存机制，字符串的缓存机制等等） 不同代码块之间的优化。 # 适应的数据类型：str bool int int： -5 ~256 str: 一定条件下的str满足小数据池。 bool值 全部。 # 总结： 如果你在同一个代码块中，用同一个代码块中的缓存机制。 如果你在不同代码块中，用小数据池。 # 优点： 1，节省内存。 2，提升性能。
3、查看对象的引用计数
在Python中，每个对象都有指向该对象的引用总数 --- 引用计数
查看对象的引用计数：sys.getrefcount()
当对变量重新赋值时，它原来引用的值去哪啦？比如下面的例子，给 s 重新赋值 字符串 apple，6 跑哪里去啦？
>>> s = 6 >>> s = ‘apple‘
答案是：当变量重新赋值时，它原来指向的对象（如果没有被其他变量或对象引用的话）的空间可能被收回（垃圾回收）
普通引用：
>>> import sys >>> >>> a = "simple" >>> sys.getrefcount(a) 2 >>> b = a >>> sys.getrefcount(a) 3 >>> sys.getrefcount(b) 3 >>>
注意：当使用某个引用作为参数，传递给getrefcount()时，参数实际上创建了一个临时的引用。因此，getrefcount()所得到的结果，会比期望的多1。
三、垃圾回收
当Python中的对象越来越多，占据越来越大的内存，启动垃圾回收(garbage collection)，将没用的对象清除。
1、原理
当Python的某个对象的引用计数降为0时，说明没有任何引用指向该对象，该对象就成为要被回收的垃圾。
比如某个新建对象，被分配给某个引用，对象的引用计数变为1。如果引用被删除，对象的引用计数为0，那么该对象就可以被垃圾回收。
2、解析del
del 可以使 对象的引用计数减 1，该表引用计数变为0，用户不可能通过任何方式接触或者动用这个对象，当垃圾回收启动时，Python扫描到这个引用计数为0的对象，就将它所占据的内存清空。
注意
1、垃圾回收时，Python不能进行其它的任务，频繁的垃圾回收将大大降低Python的工作效率；
2、Python只会在特定条件下，自动启动垃圾回收（垃圾对象少就没必要回收）
3、当Python运行时，会记录其中分配对象(object allocation)和取消分配对象(object deallocation)的次数。
当两者的差值高于某个阈值时，垃圾回收才会启动。
>>> import gc >>> >>> gc.get_threshold() #gc模块中查看垃圾回收阈值的方法 (700, 10, 10) >>>
阈值分析：
700 即是垃圾回收启动的阈值；
每10 次 0代 垃圾回收，会配合 1次 1代 的垃圾回收；而每10次1代的垃圾回收，才会有1次的2代垃圾回收；
当然也是可以手动启动垃圾回收：
>>> gc.collect() #手动启动垃圾回收 52 >>> gc.set_threshold(666, 8, 9) # gc模块中设置垃圾回收阈值的方法 >>>
3、何为分代回收
- Python将所有的对象分为0，1，2三代；
- 所有的新建对象都是0代对象；
- 当某一代对象经历过垃圾回收，依然存活，就被归入下一代对象。
分代技术是一种典型的以空间换时间的技术，这也正是java里的关键技术。这种思想简单点说就是：对象存在时间越长，越可能不是垃圾，应该越少去收集。 这样的思想，可以减少标记-清除机制所带来的额外操作。分代就是将回收对象分成数个代，每个代就是一个链表（集合），代进行标记-清除的时间与代内对象 存活时间成正比例关系。 从上面代码可以看出python里一共有三代，每个代的threshold值表示该代最多容纳对象的个数。默认情况下，当0代超过700,或1，2代超过10，垃圾回收机制将触发。 0代触发将清理所有三代，1代触发会清理1,2代，2代触发后只会清理自己。
4、标记-清除
标记-清除机制，顾名思义，首先标记对象（垃圾检测），然后清除垃圾（垃圾回收）。 首先初始所有对象标记为白色，并确定根节点对象（这些对象是不会被删除），标记它们为黑色（表示对象有效）。 将有效对象引用的对象标记为灰色（表示对象可达，但它们所引用的对象还没检查），检查完灰色对象引用的对象后，将灰色标记为黑色。 重复直到不存在灰色节点为止。最后白色结点都是需要清除的对象。
如何解决循环引用可能导致的内存泄露问题呢？
import gc
import objgraph
import sys
import weakref
def quote_demo():
class Person:
pass
p = Person() # 1
print(sys.getrefcount(p)) # 2 first
def log(obj):
# 4 second 函数执行才计数，执行完释放
print(sys.getrefcount(obj))
log(p) # 3
p2 = p # 2
print(sys.getrefcount(p)) # 3
del p2
print(sys.getrefcount(p)) # 3 - 1 = 2
def circle_quote():
# 循环引用
class Dog:
pass
class Person:
pass
p = Person()
d = Dog()
print(objgraph.count("Person"))
print(objgraph.count("Dog"))
p.pet = d
d.master = p
# 删除 p, d之后, 对应的对象是否被释放掉
del p
del d
print(objgraph.count("Person"))
print(objgraph.count("Dog"))
def solve_cirecle_quote():
# 1. 定义了两个类
class Person:
def __del__(self):
print("Person对象, 被释放了")
pass
class Dog:
def __del__(self):
print("Dog对象, 被释放了")
pass
p = Person()
d = Dog()
p.pet = d
d.master = p
p.pet = None # 强制置 None
del p
del d
gc.collect()
print(objgraph.count("Person"))
print(objgraph.count("Dog"))
def sovle_circle_quote_with_weak_ref():
# 1. 定义了两个类
class Person:
def __del__(self):
print("Person对象, 被释放了")
pass
class Dog:
def __del__(self):
print("Dog对象, 被释放了")
pass
p = Person()
d = Dog()
p.pet = d
d.master = weakref.ref(p)
del p
del d
gc.collect()
print(objgraph.count("Person"))
print(objgraph.count("Dog"))
if __name__ == "__main__":
quote_demo()
circle_quote()
solve_cirecle_quote()
sovle_circle_quote_with_weak_ref()
答案是：
- 弱引用 使用weakref 模块下的 ref 方法
- 强制把其中一个引用变成 None
四、内存池机制
Python中有分为大内存和小内存：（256K为界限分大小内存）
- 大内存使用malloc进行分配
- 小内存使用内存池进行分配
- Python的内存池(金字塔)
第+3层：最上层，用户对Python对象的直接操作
第+1层和第+2层：内存池，有Python的接口函数PyMem_Malloc实现
-
- 若请求分配的内存在1~256字节之间就使用内存池管理系统进行分配，调用malloc函数分配内存，
- 但是每次只会分配一块大小为256K的大块内存，不会调用free函数释放内存，将该内存块留在内存池中以便下次使用
第0层：大内存 -----> 若请求分配的内存大于256K，malloc函数分配内存，free函数释放内存。
第-1，-2层：操作系统进行操作
原文地址：https://www.cnblogs.com/leokale-zz/p/12113108.html