【Python核心】垃圾回收机制

Python程序在运行的时候，需要在内存中开辟出一块空间用于存放运行时产生的临时变量，计算完成后再将结果输出到永久性存储器中
如果数据量过大，内存空间管理不善就很容易出现OOM(out of memory)，程序可能被操作系统中止

对于服务器，这种设计为永不中断的系统来说内存管理则显得更为重要，不然很容易引发内存泄漏。什么是内存泄漏呢？

程序本身没有设计好，导致程序未能释放已不再使用的内存
并不是内存在物理上消失，而是意味着代码在分配了某段内存后，因为设计错误失去了对这段内存的控制，从而造成了内存的浪费

那么，Python又是怎么解决这些问题的？换句话说，对于不会再用到的内存空间，Python是通过什么机制来回收这些空间的呢？

一、计数引用

Python中一切皆对象。因此，所看到的一切变量本质上都是对象的一个指针

那么，怎么知道一个对象是否永远都不能被调用了呢？

非常直观的一个想法，就是当这个对象的引用计数(指针数)为0的时候，说明这个对象永不可达，自然它也就成为了垃圾需要被回收

1.1 局部变量内存使用和释放

看一个例子：

import os
import psutil# 显示当前 python 程序占用的内存大小
def show_memory_info(hint):pid = os.getpid()p = psutil.Process(pid)info = p.memory_full_info()memory = info.uss / 1024. / 1024print('{} memory used: {} MB'.format(hint, memory))

def func():show_memory_info('initial')a = [i for i in range(10000000)]show_memory_info('after a created')func()
show_memory_info('finished')########## 输出 ##########initial memory used: 47.19140625 MB
after a created memory used: 433.91015625 MB
finished memory used: 48.109375 MB

通过这个示例，可以看到调用函数func()，在列表a被创建之后内存占用迅速增加到了433MB，而在函数调用结束后内存则返回正常

这是因为，函数内部声明的列表a是局部变量，在函数返回后局部变量的引用会注销掉，此时，列表a所指代对象的引用数为0，Python便会执行垃圾回收，因此占用的大量内存被释放

1.2 全局变量内存使用和释放

明白这个原理后，稍微修改一下代码：

def func():show_memory_info('initial')global aa = [i for i in range(10000000)]show_memory_info('after a created')func()
show_memory_info('finished')########## 输出 ##########initial memory used: 48.88671875 MB
after a created memory used: 433.94921875 MB
finished memory used: 433.94921875 MB

新的这段代码中，global a表示将a声明为全局变量
那么，即使函数返回后列表的引用依然存在，于是对象就不会被垃圾回收掉，依然占用大量内存

1.3 主程序引用的变量内存使用和释放

同样，如果把生成的列表返回然后在主程序中接收，那么引用依然存在，垃圾回收就不会被触发，大量内存仍然被占用

def func():show_memory_info('initial')a = [i for i in derange(10000000)]show_memory_info('after a created')return aa = func()
show_memory_info('finished')########## 输出 ##########initial memory used: 47.96484375 MB
after a created memory used: 434.515625 MB
finished memory used: 434.515625 MB

1.4 内部引用计数机制

这是最常见的几种情况
由表及里，下面深入看一下Python内部的引用计数机制。先来看代码：

import sysa = []# 两次引用，一次来自 a，一次来自 getrefcount
print(sys.getrefcount(a))def func(a):# 四次引用，a，python 的函数调用栈，函数参数，和 getrefcountprint(sys.getrefcount(a))func(a)# 两次引用，一次来自 a，一次来自 getrefcount，函数 func 调用已经不存在
print(sys.getrefcount(a))########## 输出 ##########2
4
2

其中，sys.getrefcount()函数可以查看一个变量的引用次数。但是需要注意，getrefcount本身也会引入一次计数

另一个要注意的是，在函数调用发生的时候会产生额外的两次引用，一次来自函数栈，另一个是函数参数

import sysa = []print(sys.getrefcount(a)) # 两次b = aprint(sys.getrefcount(a)) # 三次c = b
d = b
e = c
f = e
g = dprint(sys.getrefcount(a)) # 八次########## 输出 ##########2
3
8

需要注意，a、b、c、d、e、f、g这些变量全部指代的是同一个对象，而sys.getrefcount()函数并不是统计一个指针，而是要统计一个对象被引用的次数，所以最后一共会有八次引用

理解引用这个概念后，引用释放是一种非常自然和清晰的思想。相比C语言里需要使用free去手动释放内存，Python的垃圾回收显得更加省心省力

1.5 手动释放内存

不过，如果偏偏想手动释放内存，应该怎么做呢？

方法同样很简单，只需要先调用del a来删除对象的引用，然后强制调用gc.collect()清除没有引用的对象，即可手动启动垃圾回收

import gcshow_memory_info('initial')a = [i for i in range(10000000)]show_memory_info('after a created')del a
gc.collect()show_memory_info('finish')
print(a)########## 输出 ##########initial memory used: 48.1015625 MB
after a created memory used: 434.3828125 MB
finish memory used: 48.33203125 MB---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-12-153e15063d8a> in <module>11 12 show_memory_info('finish')
---> 13 print(a)NameError: name 'a' is not defined

到这里，是不是觉得垃圾回收非常简单呀？

但是如果此时有面试官问，引用次数为0是垃圾回收启动的充要条件吗？还有没有其他可能性呢？

二、循环引用

2.1 相互引用对象的垃圾回收

别急。不妨先思考这么一个问题：如果有两个对象它们互相引用，并且不再被别的对象所引用，那么它们应该被垃圾回收吗？

观察下面这段代码：

def func():show_memory_info('initial')a = [i for i in range(10000000)]b = [i for i in range(10000000)]show_memory_info('after a, b created')a.append(b)b.append(a)func()
show_memory_info('finished')########## 输出 ##########initial memory used: 47.984375 MB
after a, b created memory used: 822.73828125 MB
finished memory used: 821.73046875 MB

a和b互相引用，并且作为局部变量，在函数 func 调用结束后a和b这两个指针从程序意义上已经不存在了。但是，很明显依然有内存占用！为什么呢？因为互相引用导致它们的引用数都不为0

试想一下，如果这段代码出现在生产环境中，哪怕a和b一开始占用的空间不是很大，但经过长时间运行后Python所占用的内存一定会变得越来越大，最终撑爆服务器

当然，互相引用还是很容易被发现的，问题不大。可是，更隐蔽的情况是出现一个引用环，在工程代码比较复杂的情况下，引用环还真不一定能被轻易发现

那么，应该怎么做呢？

2.2 垃圾回收循环引用的变量

事实上，Python本身能够处理这种情况，可以显式调用gc.collect()来启动垃圾回收

import gcdef func():show_memory_info('initial')a = [i for i in range(10000000)]b = [i for i in range(10000000)]show_memory_info('after a, b created')a.append(b)b.append(a)func()
gc.collect()
show_memory_info('finished')########## 输出 ##########initial memory used: 49.51171875 MB
after a, b created memory used: 824.1328125 MB
finished memory used: 49.98046875 MB

所以可见，Python的垃圾回收机制并没有那么弱

2.3 垃圾回收算法

Python使用标记清除(mark-sweep)算法和分代收集(generational)，来启用针对循环引用的自动垃圾回收

2.3.1 标记清除算法

先来看标记清除算法

先用图论来理解不可达的概念。对于一个有向图，如果从一个节点出发进行遍历并标记其经过的所有节点，那么在遍历结束后，所有没有被标记的节点就称之为不可达节点
显而易见，这些节点的存在是没有任何意义的，自然的需要对它们进行垃圾回收

当然，每次都遍历全图对于Python而言是一种巨大的性能浪费。所以，在Python的垃圾回收实现中，mark-sweep使用双向链表维护了一个数据结构，并且只考虑容器类的对象(只有容器类对象才有可能产生循环引用)

2.3.2 分代收集算法

分代收集算法，则是另一个优化手段
Python将所有对象分为三代，刚刚创立的对象是第 0 代，经过一次垃圾回收后依然存在的对象，便会依次从上一代挪到下一代，而每一代启动自动垃圾回收的阈值则是可以单独指定的。当垃圾回收器中新增对象减去删除对象达到相应的阈值时，就会对这一代对象启动垃圾回收

事实上，分代收集基于的思想是新生的对象更有可能被垃圾回收，而存活更久的对象也有更高的概率继续存活。因此，通过这种做法可以节约不少计算量，从而提高Python的性能

刚刚面试官的问题可以回答得上来了么？
没错，引用计数是其中最简单的实现，不过切记，引用计数并非充要条件，它只能算作充分非必要条件，至于其他的可能性，循环引用正是其中一种

三、调试内存泄漏

不过，虽然有了自动回收机制，但这也不是万能的，内存泄漏是不想见到的，但是有没有什么好的调试手段呢？

答案当然是肯定的，接下来介绍一个得力助手objgraph

objgraph，一个非常好用的可视化引用关系的包

3.1 show_refs

在这个包中主要推荐两个函数，第一个是show_refs()，它可以生成清晰的引用关系图

通过下面这段代码和生成的引用调用图，能非常直观地发现有两个list互相引用，说明这里极有可能引起内存泄露

import objgrapha = [1, 2, 3]
b = [4, 5, 6]a.append(b)
b.append(a)objgraph.show_refs([a])

3.2 show_backrefs

另一个非常有用的函数是show_backrefs()，其中的示例代码和生成图：

import objgrapha = [1, 2, 3]
b = [4, 5, 6]a.append(b)
b.append(a)objgraph.show_backrefs([a])

相比刚才的引用调用图，这张图显得稍微复杂一些。但是这个API有很多有用的参数，比如层数限制(max_depth)、宽度限制(too_many)、输出格式控制(filename output)、节点过滤(filter, extra_ignore)等，可以查阅对应的文档述

四、总结

了解Python的垃圾回收机制，主要强调下面这几点：

垃圾回收是Python自带的机制，用于自动释放不会再用到的内存空间
引用计数是其中最简单的实现，不过切记这只是充分非必要条件，因为循环引用需要通过不可达判定来确定是否可以回收
Python的自动回收算法包括标记清除和分代收集，主要针对的是循环引用的垃圾收集
调试内存泄漏方面，objgraph是很好的可视化分析工具

五、思考题

问题

实现一个垃圾回收判定算法，输入是一个有向图，给定起点表示程序入口点，给定有向边，输出不可达节点

答案

经典的dfs(深度优先搜索)遍历，从起点开始遍历，对遍历到的节点做个记号。遍历完成后再对所有节点扫一遍，没有被做记号的就是需要垃圾回收

from typing import Setclass Graph:def __init__(self, value, nodes=None):self._value = valueself._nodes: list = [] if nodes is None else nodes@propertydef value(self):return self._value@propertydef nodes(self):return self._nodesdef node_add(self, node):self._nodes.append(node)def node_adds(self, nodes):self._nodes.extend(nodes)def node_del(self, node):self._nodes.remove(node)def __str__(self):return "Graph {} nodes {}".format(self._value, [node.value for node in self.nodes])def __repr__(self):return self.__str__()def dfs(start: Graph, includes: Set[Graph] = None) -> Set[Graph]:if includes is None:includes = set()if start in includes:return includesincludes.add(start)for s in start.nodes:includes.update(dfs(s, includes))return includesif __name__ == '__main__':A = Graph('A')B = Graph('B')C = Graph('C')D = Graph('D')E = Graph('E')F = Graph('F')has_nodes = {A, B, C, D, E, F}# A->B->E# ->C->E# B->A# D->F# F->DA.node_adds([B, C])B.node_adds([A, E])C.node_adds([E])D.node_adds([F])F.node_adds([D])graph_nodes = dfs(A, set())# OUT: {Graph B nodes ['A', 'E'], Graph E nodes [], Graph C nodes ['E'], Graph A nodes ['B', 'C']}print(graph_nodes)# OUT: {Graph F nodes ['D'], Graph D nodes ['F']}print(has_nodes - graph_nodes)