我們知道，目前的計算機都采用的是圖靈機架構，其本質就是用一條無限長的紙帶，對應今天的存儲器。隨后在工程學的推演中，逐漸出現了寄存器、易失性存儲器(內存)以及永久性存儲器(硬盤)等產品。由于不同的存儲器，其速度越快，單位價格也就越昂貴，因此，妥善利用好每一寸告訴存儲器的空間，永遠是系統設計的一個核心。

Python?程序在運行時，需要在內存中開辟出一塊空間，用于存放運行時產生的臨時變量，計算完成后，再將結果輸出到永久性存儲器中。但是當數據量過大，或者內存空間管理不善，就很容易出現內存溢出的情況，程序可能會被操作系統終止。

而對于服務器這種用于永不中斷的系統來說，內存管理就顯得更為重要了，不然很容易引發內存泄漏。

這里的內存泄漏是指程序本身沒有設計好，導致程序未能釋放已不再使用的內存，或者直接失去了對某段內存的控制，造成了內存的浪費。

那么，對于不會再用到的內存空間，Python 是通過什么機制來管理的呢？其實在前面章節已大致接觸過，就是引用計數機制。

Python引用計數機制

在學習 Python 的整個過程中，我們一直在強調，Python 中一切皆對象，也就是說，在 Python 中你用到的一切變量，本質上都是類對象。

那么，如何知道一個對象永遠都不能再使用了呢？很簡單，就是當這個對象的引用計數值為 0 時，說明這個對象永不再用，自然它就變成了垃圾，需要被回收。

舉個例子：

import os

import psutil

# 顯示當前 python 程序占用的內存大小

def show_memory_info(hint):

pid = os.getpid()

p = psutil.Process(pid)

info = p.memory_full_info()

memory = info.uss / 1024. / 1024

print('{} 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')

輸出結果為：

initial memory used: 47.19140625 MB

after a created memory used: 433.91015625 MB

finished memory used: 48.109375 MB

注意，運行此程序之前，需安裝 psutil 模塊(獲取系統信息的模塊)，可使用 pip 命令直接安裝，執行命令為 $pip install psutil，如果遇到 Permission denied 安裝失敗，請加上 sudo 重試。

可以看到，當調用函數 func() 且列表 a 被創建之后，內存占用迅速增加到了 433 MB，而在函數調用結束后，內存則返回正常。這是因為，函數內部聲明的列表 a 是局部變量，在函數返回后，局部變量的引用會注銷掉，此時列表 a 所指代對象的引用計數為 0，Python 便會執行垃圾回收，因此之前占用的大量內存就又回來了。

明白了這個原理后，稍微修改上面的代碼，如下所示：

def func():

show_memory_info('initial')

global a

a = [i for i in range(10000000)]

show_memory_info('after a created')

func()

show_memory_info('finished')

輸出結果為：

initial memory used: 48.88671875 MB

after a created memory used: 433.94921875 MB

finished memory used: 433.94921875 MB

上面這段代碼中，global a 表示將 a 聲明為全局變量，則即使函數返回后，列表的引用依然存在，于是 a 對象就不會被當做垃圾回收掉，依然占用大量內存。

同樣，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，垃圾回收也不會被觸發，大量內存仍然被占用著：

def func():

show_memory_info('initial')

a = [i for i in derange(10000000)]

show_memory_info('after a created')

return a

a = func()

show_memory_info('finished')

輸出結果為：

initial memory used: 47.96484375 MB

after a created memory used: 434.515625 MB

finished memory used: 434.515625 MB

以上最常見的幾種情況，下面由表及里，深入看一下 Python 內部的引用計數機制。先來分析一段代碼：

import sys

a = []

# 兩次引用，一次來自 a，一次來自 getrefcount

print(sys.getrefcount(a))

def func(a):

# 四次引用，a，python 的函數調用棧，函數參數，和 getrefcount

print(sys.getrefcount(a))

func(a)

# 兩次引用，一次來自 a，一次來自 getrefcount，函數 func 調用已經不存在

print(sys.getrefcount(a))

輸出結果為：

2

4

2

注意，sys.getrefcount() 函數用于查看一個變量的引用次數，不過別忘了，getrefcount 本身也會引入一次計數。

另一個要注意的是，在函數調用發生的時候，會產生額外的兩次引用，一次來自函數棧，另一個是函數參數。

import sys

a = []

print(sys.getrefcount(a)) # 兩次

b = a

print(sys.getrefcount(a)) # 三次

c = b

d = b

e = c

f = e

g = d

print(sys.getrefcount(a)) # 八次

輸出結果為：

2

3

8

分析一下這段代碼，a、b、c、d、e、f、g 這些變量全部指代的是同一個對象，而 sys.getrefcount() 函數并不是統計一個指針，而是要統計一個對象被引用的次數，所以最后一共會有 8 次引用。

理解引用這個概念后，引用釋放是一種非常自然和清晰的思想。相比 C 語言中需要使用 free 去手動釋放內存，Python 的垃圾回收在這里可以說是省心省力了。

不過，有讀者還是會好奇，如果想手動釋放內存，應該怎么做呢？方法同樣很簡單，只需要先調用 del a 來刪除一個對象，然后強制調用 gc.collect() 即可手動啟動垃圾回收。例如：

import gc

show_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)

輸出結果為：

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)

in

11

12 show_memory_info('finish')

---> 13 print(a)

NameError: name 'a' is not defined

是不是覺得垃圾回收非常簡單呢？這里再問大家一個問題：引用次數為 0 是垃圾回收啟動的充要條件嗎？還有沒有其他可能性呢？

其實，引用計數是其中最簡單的實現，引用計數并非充要條件，它只能算作充分非必要條件，至于其他的可能性，下面所講的循環引用正是其中一種。

循環引用

首先思考一個問題，如果有兩個對象，之間互相引用，且不再被別的對象所引用，那么它們應該被垃圾回收嗎？

舉個例子：

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')

輸出結果為：

initial memory used: 47.984375 MB

after a, b created memory used: 822.73828125 MB

finished memory used: 821.73046875 MB

程序中，a 和 b 互相引用，并且作為局部變量在函數 func 調用結束后，a 和 b 這兩個指針從程序意義上已經不存在，但從輸出結果中看到，依然有內存占用，這是為什么呢？因為互相引用導致它們的引用數都不為 0。

試想一下，如果這段代碼出現在生產環境中，哪怕 a 和 b 一開始占用的空間不是很大，但經過長時間運行后，Python 所占用的內存一定會變得越來越大，最終撐爆服務器，后果不堪設想。

有讀者可能會說，互相引用還是很容易被發現的呀，問題不大。可是，更隱蔽的情況是出現一個引用環，在工程代碼比較復雜的情況下，引用環真不一定能被輕易發現。那么應該怎么做呢？

事實上，Python 本身能夠處理這種情況，前面剛剛講過，可以顯式調用 gc.collect() 來啟動垃圾回收，例如：

import gc

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()

gc.collect()

show_memory_info('finished')

輸出結果為：

initial memory used: 49.51171875 MB

after a, b created memory used: 824.1328125 MB

finished memory used: 49.98046875 MB

事實上，Python 使用標記清除(mark-sweep)算法和分代收集(generational)，來啟用針對循環引用的自動垃圾回收。

先來看標記清除算法。我們先用圖論來理解不可達的概念。對于一個有向圖，如果從一個節點出發進行遍歷，并標記其經過的所有節點；那么，在遍歷結束后，所有沒有被標記的節點，我們就稱之為不可達節點。顯而易見，這些節點的存在是沒有任何意義的，自然的，我們就需要對它們進行垃圾回收。

當然，每次都遍歷全圖，對于 Python 而言是一種巨大的性能浪費。所以，在 Python 的垃圾回收實現中，標記清除算法使用雙向鏈表維護了一個數據結構，并且只考慮容器類的對象(只有容器類對象才有可能產生循環引用)。

而分代收集算法，則是將 Python 中的所有對象分為三代。剛剛創立的對象是第 0 代；經過一次垃圾回收后，依然存在的對象，便會依次從上一代挪到下一代。而每一代啟動自動垃圾回收的閾值，則是可以單獨指定的。當垃圾回收器中新增對象減去刪除對象達到相應的閾值時，就會對這一代對象啟動垃圾回收。

事實上，分代收集基于的思想是，新生的對象更有可能被垃圾回收，而存活更久的對象也有更高的概率繼續存活。因此，通過這種做法，可以節約不少計算量，從而提高 Python 的性能。

總結

以上是生活随笔為你收集整理的python垃圾回收价格表_深度解析Python垃圾回收机制（超级详细）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。