脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - Python对象及内存管理机制

Python对象及内存管理机制

2022-02-28 23:19测试开发小记 Python

本文主要介绍了Python的参数传递、浅拷贝、深拷贝,垃圾回收和内存池机制。

Python对象及内存管理机制

Python是一门面向对象的编程语言,Python中一切皆为对象,对每一个对象分配内存空间,Python的内存管理机制主要包括引用计数、垃圾回收和内存池机制。本文简要介绍Python对象及内存管理机制。

参数传递

常见的参数传递有值传递和引用传递

  • 值传递就是拷贝参数的值,然后传递给新变量,这样原变量和新变量之间互相独立,互不影响。
  • 引用传递指把参数的引用传给新的变量,这样原变量和新变量指向同一块内存地址。其中任何一个变量值改变,另外一个变量也会随之改变。

Python 参数传递

Python 的参数传递是赋值传递(pass by assignment),或者叫作对象的引用传递(pass by object reference)。在进行参数传递时,新变量与原变量指向相同的对象。下面先来看一下Python中可变和不可变数据类型赋值的例子。

1. 不可变数据类型

整型(int)赋值:

a = 1 print(id(a)) b = a print(id(b)) a = a + 1 print(id(a)) c = 1 print(id(c))

执行结果:

140722100085136 140722100085136 140722100085168 140722100085136 

其中id()函数用于返回对象的内存地址。

可以看到b,c都指向了相同的对象,而a = a + 1 并不是让 a 的值增加 1,而是重新创建并指向了新的值为 2 的对象。最终结果就是a指向了2这个新的对象,b指向1,值不变。

2. 可变数据类型

以列表(list)为例:

l1 = [1, 2, 3] print(id(l1)) # l2 = l1 print(id(l2)) l1.append(4) print(id(l1)) print(l1) print(l2)

执行结果:

1933202772296 1933202772296 1933202772296 [1, 2, 3, 4]
[1, 2, 3, 4]

l1 和 l2 指向相同的对象,由于列表是可变(mutable)数据类型,所以 l1.append(4)不会创建新的列表,仍然指向相同的对象。 由于l1 和 l2 指向相同的对象,所以列表变化也会导致l2的值变化。

可变对象(列表,字典,集合等)的改变,会影响所有指向该对象的变量。对于不可变对象(字符串、整型、元组等),所有指向该对象的变量的值总是一样的,也不会改变。

Python中的'==' 和 'is'

== 和 is是Python 对象比较中常用的两种方式,== 比较对象的值是否相等, is 比较对象的身份标识(ID)是否相等,是否是同一个对象,是否指向同一个内存地址。

a = 1 b = a print(id(a)) print(id(b)) print(a == b) print(a is b)

执行结果:

140722100085136 140722100085136 True True 

a和b的值相等,并指向同一个对象。在实际应用中,通常使用== 来比较两个变量的值是否相等。is 操作符常用来检查一个变量是否为 None:

if a is None: print("a is None") if a is not None: print("a is not None")

Python浅拷贝和深度拷贝

前面介绍了Python的赋值(对象的引用传递),那么Python如何解决原始数据在函数传递后不受影响呢,Python提供了浅度拷贝(shallow copy)和深度拷贝(deep copy)两种方式。

  • 浅拷贝(copy):拷贝父对象,不拷贝对象内部的子对象。
  • 深拷贝(deepcopy):完全拷贝了父对象及其子对象。

浅拷贝

1. 不可变数据类型

下面对不可变对象整型变量和元组进行浅拷贝:

import copy a = 1 b = copy.copy(a) print(id(a)) print(id(b)) print(a == b) print(a is b) t1 = (1, 2, 3) t2 = tuple(t1) print(id(t1)) print(id(t2)) print(t1 == t2) print(t1 is t2)

执行结果:

50622072 50622072 True True 55145384 55145384 True True 

不可变对象的拷贝和对象的引用传递一样,a、b指向相同的对象,修改其中一个变量的值不会影响另外的变量,会开辟新的空间。

2. 可变数据类型

对可变对象list进行浅拷贝:

import copy l1 = [1, 2, 3] l2 = list(l1) l3 = copy.copy(l1) l4 = l1[:] print(id(l1)) print(id(l2)) print(l1 == l2) print(l1 is l2) print(id(l3)) print(id(l4)) l1.append(4) print(id(l1)) print(l1 == l2) print(l1 is l2)

执行结果:

48520904 48523784 True False 48523848 48521032 48520904 False False 

可以看到,对可变对象的浅拷贝会重新分配一块内存,创建一个新的对象,里面的元素是原对象中子对象的引用。改变l1的值不会影响l2,l3,l4的值,它们指向不同的对象。

上面的例子比较简单,下面举一个相对复杂的数据结构:

import copy l1 = [[1, 2], (4, 5)] l2 = copy.copy(l1) print(id(l1)) print(id(l2)) print(id(l1[0])) print(id(l2[0])) l1.append(6) print(l1) print(l2) l1[0].append(3) print(l1) print(l2)

执行结果:

1918057951816 1918057949448 2680328991496 2680328991496 [[1, 2], (4, 5), 6]
[[1, 2], (4, 5)]
[[1, 2, 3], (4, 5), 6]
[[1, 2, 3], (4, 5)]

l2 是 l1 的浅拷贝,它们指向不同的对象,因为浅拷贝里的元素是对原对象元素的引用,因此 l2 中的元素和 l1 指向同一个列表和元组对象(l1[0]和l2[0]指向的是相同的地址)。l1.append(6)不会对 l2 产生任何影响,因为 l2 和 l1 作为整体是两个不同的对象,不共享内存地址。

l1[0].append(3)对 l1 中的第一个列表新增元素 3,因为 l2 是 l1 的浅拷贝,l2 中的第一个元素和 l1 中的第一个元素,共同指向同一个列表,因此 l2 中的第一个列表也会相对应的新增元素 3。

这里提一个小问题:如果对l1中的元组新增元素(l1[1] += (7, 8)),会影响l2吗?

到这里我们知道使用浅拷贝可能带来的副作用,要避免它就得使用深度拷贝。

深度拷贝

深度拷贝会完整地拷贝一个对象,会重新分配一块内存,创建一个新的对象,并且将原对象中的元素以递归的方式,通过创建新的子对象拷贝到新对象中。因此,新对象和原对象没有任何关联,也就是完全拷贝了父对象及其子对象。

import copy l1 = [[1, 2], (4, 5)] l2 = copy.deepcopy(l1) print(id(l1)) print(id(l2)) l1.append(6) print(l1) print(l2) l1[0].append(3) print(l1) print(l2)

执行结果:

3026088342280 3026088342472 [[1, 2], (4, 5), 6]
[[1, 2], (4, 5)]
[[1, 2, 3], (4, 5), 6]
[[1, 2], (4, 5)]

可以看到,l1 变化不影响l2 ,l1 和 l2 完全独立,没有任何联系。

在进行深度拷贝时,深度拷贝 deepcopy 中会维护一个字典,记录已经拷贝的对象与其 ID。如果字典里已经存储了将要拷贝的对象,则会从字典直接返回。

Python垃圾回收

Python垃圾回收包括引用计数、标记清除和分代回收

引用计数

引用计数是一种垃圾收集机制,当一个python对象被引用时,引用计数加 1,当一个对象的引用为0时,该对象会被当做垃圾回收。

from sys import getrefcount l1 = [1, 2, 3] print(getrefcount(l1)) # 查看引用计数 l2 = l1 print(getrefcount(l2))

执行结果:

2 3 

在使用 getrefcount()的时候,变量作为参数传进去,会多一次引用。

del语句会删除对象的一个引用。请看下面的例子

from sys import getrefcount class TestObjectA(): def __init__(self): print("hello!!!") def __del__(self): print("bye!!!") a = TestObjectA() b = a c = a print(getrefcount(c)) del a print(getrefcount(c)) del b print(getrefcount(c)) del c print("666")

执行结果:

hello!!! 4 3 2 bye!!! 666 

方法__del__ 的作用是当对象被销毁时调用。其中del a删除了变量a,但是对象TestObjectA仍然存在,它还被b和c引用,所以不会被回收,引用计数为0时会被回收。上面的例子中,将a,b,c都删除后引用的对象被回收(打印“666”之前)。

另外重新赋值也会删除对象的一个引用。

标记清除

如果出现了循环引用,引用计数方法就无法回收,导致内存泄漏。先来看下面的例子:

class TestObjectA(dict): def __init__(self): print("A: hello!!!") def __del__(self): print("A: bye!!!") class TestObjectB(dict): def __init__(self): print("B: hello!!!") def __del__(self): print("B: bye!!!") a = TestObjectA() b = TestObjectB() a['1'] = b b['1'] = a del a del b print("666")

执行结果:

A: hello!!! B: hello!!! 666 A: bye!!! B: bye!!! 

上面的代码存在循环引用,删除a和b之后,它们的引用计数还是1,仍然大于0,不会被回收(打印“666”之后)。

标记清除可解决循环引用问题,从根对象(寄存器和程序栈上的引用)出发,遍历对象,将遍历到的对象打上标记(垃圾检测),然后在内存中清除没有标记的对象(垃圾回收)。上面的例子中,a和b相互引用,如果与其他对象没有引用关系就不会遍历到它,也就不会被标记,所以会被清除。

分代回收

如果频繁进行标记清除会影响Python性能,有很多对象,清理了很多次他依然存在,可以认为,这样的对象不需要经常回收,也就是说,对象存在时间越长,越可能不是垃圾。

将回收对象进行分代(一共三代),每代回收的时间间隔不同,其中新创建的对象为0代,如果一个对象能在第0代的垃圾回收过程中存活下来,那么它就被放入到1代中,如果1代里的对象在第1代的垃圾回收过程中存活下来,则会进入到2代。

gc模块

以下三种情况会启动垃圾回收:

  • 调用gc.collect():强制对所有代执行一次回收
  • 当gc模块的计数器达到阀值的时候。
  • 程序退出的时候

gc 模块函数:

  • gc.enable() :启用自动垃圾回收
  • gc.disable():停用自动垃圾回收
  • gc.isenabled():如果启用了自动回收则返回 True。
  • gc.collect(generation=2):不设置参数会对所有代执行一次回收
  • gc.set_threshold(threshold0[, threshold1[, threshold2]]):设置垃圾回收阈值
  • gc.get_count():当前回收计数
  • 垃圾回收启动的默认阈值
import gc print(gc.get_threshold())

输出:

(700, 10, 10)

700是垃圾回收启动的阈值,对象分配数量减去释放数量的值大于 700 时,就会开始进行垃圾回收,每10次0代垃圾回收,会导致一次1代回收;而每10次1代的回收,才会有1次的2代回收。可以使用set_threshold()方法重新设置。

Python内存管理机制:Pymalloc

Pymalloc

Python实现了一个内存池(memory pool)机制,使用Pymalloc对小块内存(小于等于256kb)进行申请和释放管理。

当 Python 频繁地创建和销毁一些小的对象时,底层会多次重复调用 malloc 和 free 等函数进行内存分配。这不仅会引入较大的系统开销,而且还可能产生大量的内存碎片。

内存池的概念就是预先在内存中申请一定数量的内存空间,当有有满足条件的内存请求时,就先从内存池中分配内存给这个需求,如果预先申请的内存已经耗尽,Pymalloc allocator 会再申请新的内存(不能超过预先设置的内存池最大容量)。垃圾回收时,回收的内存归还给内存池。这样做最显著的优势就是能够减少内存碎片,提升效率。

如果应用的内存需求大于 pymalloc 设置的阈值,那么解释器再将这个请求交给底层的 C 函数(malloc/realloc/free等)来实现。

python内存池金字塔

  • 第-1层和-2层:由操作系统操作。
  • 第0层:大内存,若请求分配的内存大于256kb,使用malloc、free 等函数分配、释放内存。
  • 第1层和第2层:由python的接口函数Pymem_Malloc实现,若请求的内存在小于等于256kb时使用该层进行分配。
  • 第3层(最上层):用户对python对象的直接操作

Python对象及内存管理机制

图片来源:https://www.c-sharpcorner.com/article/memory-management-in-python/

总结

本文主要介绍了Python的参数传递、浅拷贝、深拷贝,垃圾回收和内存池机制。

  • Python 中参数的传递既不是值传递,也不是引用传递,而是赋值传递,或者是叫对象的引用传递。需要注意可变对象和不可变对象的区别。比较操作符==比较对象间的值是否相等,而`is比较对象是否指向同一个内存地址。
  • 浅拷贝中的元素是对原对象中子对象的引用,如果父对象中的元素是可变的,改变它的值也会影响拷贝后的对象。深拷贝则会递归地拷贝原对象中的每一个子对象,是对原对象的完全拷贝。
  • Python垃圾回收包括引用计数、标记清除和分代回收三种,可以使用gc模块来进行垃圾回收的配置。为了减少内存碎片,提升效率,Python使用了Pymalloc来管理小于等于256kb的小内存。

原文地址:https://www.toutiao.com/a7067145281871266317/

延伸 · 阅读

精彩推荐