python内存泄漏解决

一、目录

1 定义
2 内存泄漏的常见原因
3 检测
4 解决方法

二、实现

1. 定义
   程序在使用完内存后未正确释放，导致内存占用不断增加，最终耗尽内存资源。python中，由于提供自动内存管理机制(垃圾回收),内存泄漏问题比较少，但仍然会发生。

2. 内存泄漏的常见原因

a.循环引用：当两个或多个对象相互引用时，如果没有妥善地处理，可能会导致内存泄漏。垃圾回收器无法识别这种情况，因为这些对象不再被使用，但由于引用计数不为零，无法被垃圾回收。

class A():
    def __init__(self):
        self.b = None

class B():
    def __init__(self):
        self.a = None
a = A()
b = B()
a.b = b
b.a = a
解决：
# 打破循环引用
a.b = None
b.a = None

# 错误示例：循环中创建大量临时对象
for i in range(1000000):
    temp_list = [i] * 1000000  # 大量临时对象
    # 正确做法：不要在循环中创建大对象或者临时对象
    # 或者在每次迭代后手动清理资源
    del temp_list     #清空对象
 
# 错误示例：对象间产生了强引用循环
class MyClass:
    def __init__(self):
        self.list_of_myself = []
 
    def leak_memory(self):
        for i in range(1000000):
            self.list_of_myself.append(self)  # 强引用循环
            # 正确做法：使用弱引用或者在每次迭代后手动解除引用
            # self.list_of_myself.pop()
 
# 使用弱引用的示例
import weakref
 
class MyClass:
    def __init__(self):
        self.list_of_myself = []
 
    def leak_memory(self):
        for i in range(1000000):
            self.list_of_myself.append(weakref.ref(self))  # 使用弱引用
            # 正确做法：定期清理弱引用后来的死对象
            # 可以在适当的时候手动检查并清理弱引用
 
# 正确示例：使用生成器来避免大对象
def generate_data(n):
    for i in range(n):
        yield i  # 使用生成器，不会创建大列表
 
for item in generate_data(1000000):
    # 处理数据
    pass

b.全局变量：全局变量占用的内存会一直存在，直到程序结束。如果在程序中使用了大量的全局变量，或者没有及时释放不再使用的全局变量，可能会导致内存泄漏。

del 变量
gc.collect()

c.长期运行的进程：长期运行的进程可能会因为长时间的运行而导致内存泄漏。例如，在一个循环中创建大量的对象，但没有及时释放，就会导致内存泄漏。

采用多线程，线程结束则进行回收。

d.第三方库：使用第三方库时，如果没有正确地管理资源，可能会导致内存泄漏。例如，打开文件、数据库连接等资源没有正确关闭。

f = open('file.txt', 'w')
f.write('hello')

e.C扩展模块：Python中的C扩展模块可能会导致内存泄漏。如果在C代码中使用了动态分配的内存，但没有及时释放，就会导致内存泄漏。

2. 检测

from memory_profiler import profile

@profile
def load_data():
    data = []
    for i in range(10000):
        data.append(dict(id=i, name='name{}'.format(i)))
    return data

if __name__ == '__main__':
    my_data = load_data()
    
代码行号   内存占用      内存增量                  代码
Line #    Mem usage    Increment  Occurrences   Line Contents
=============================================================
     4     62.7 MiB     62.7 MiB           1   @profile
     5                                         def load_data():
     6     62.7 MiB      0.0 MiB           1       data = []
     7     66.0 MiB      0.5 MiB       10001       for i in range(10000):
     8     66.0 MiB      2.8 MiB       10000           data.append(dict(id=i, name='name{}'.format(i)))
     9     66.0 MiB      0.0 MiB           1       return data

3. 解决方法
   1. 弱引用`

import weakref
import numpy as np
a = np.array([1, 2, 3])
b = weakref.ref(a)

print(f"b：{b}")
print(f"a：{a}")
print("使用b()可以访问b引用的对象")
print(f"b() = {b()}")     #调用方法
a = None        #杀死方法
print("====== 运行 a = None 后 ======")
print(f"b：{b}")   #

2. 避免创建全局变量
3. 采用多线程，线程结束则进行回收。
4. 避免使用循环引用。
5. 正确使用引用库。

原文地址：https://blog.csdn.net/weixin_40777649/article/details/138038675

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！