聊一聊Python中的“垃圾”回收

前言

对于python来说，一切皆为对象，所有的变量赋值都遵循着对象引用机制。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)，俗称爆内存，程序可能被操作系统中止。而对于服务器，内存管理则显得更为重要，不然很容易引发内存泄漏- 这里的泄漏，并不是说你的内存出现了信息安全问题，被恶意程序利用了，而是指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。- 内存泄漏也不是指你的内存在物理上消失了，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。也就是这块内存脱离了gc的控制。

计数引用

因为python中一切皆为对象，你所看到的一切变量，本质上都是对象的一个指针。当一个对象不再调用的时候，也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。可以简单的理解为没有任何变量再指向它。 

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./ 1024  
print(  {} memory used: {} MB .format(hint, memory)) 

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 433 MB：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，因此之前占用的大量内存就又回来了。 

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  
) 
########## 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。同样，如果我们把生成的列表返回，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着：

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) 
 
########## 输出 ##########  
initial memory used:  47.96484375 MB 
after a created memory used:434.515625 MB 
finished memory used: 434.515625 MB 

那怎么可以看到变量被引用了多少次呢?通过 sys.getrefcount。 

import sys  
a = []  
# 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 getrefcount  
print (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 

如果其中涉及函数调用，会额外增加两次1. 函数栈2. 函数调用。

从这里就可以看到python不再需要像C那种的认为的释放内存，但是python同样给我们提供了手动释放内存的方法 gc.collect()。

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)  
########## 输出 ########## 
initial memory used: 48.1015625 MB 
after a created memory used: 434.3828125 MB  
finish memory used: 48.33203125 MB 
--------------------------------------------------------------------------- 
NameErrorTraceback (most recent call last) 
 
<ipython-input- 12 - 153e15063d8a > in<module>  
11  
12 show_memory_info(  finish ) 
--->  13 print (a) 
 
NameError : name  a  isnotdefined 

截止目前，貌似python的垃圾回收机制非常的简单，只要对象引用次数为0，必定为触发gc，那么引用次数为0是否是触发gc的充要条件呢?

循环回收

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? 

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 

从结果显而易见，它们并没有被回收，但是从程序上来看，当这个函数结束的时候，作为局部变量的a，b就已经从程序意义上不存在了。但是因为它们的互相引用，导致了它们的引用数都不为0。这时要如何规避呢1. 从代码逻辑上进行整改，避免这种循环引用2. 通过人工回收。 

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 )  
########## 输出 ##########  
initial memory used:49.51171875 MB  
after a, b created memory used: 824.1328125 MB  
finished memory used:49.98046875 MB 

python针对循环引用，有它的自动垃圾回收算法1. 标记清除(mark-sweep)算法2. 分代收集(generational)。

标记清除

标记清除的步骤总结为如下步骤1. GC会把所有的『活动对象』打上标记2. 把那些没有标记的对象『非活动对象』进行回收那么python如何判断何为非活动对象?通过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，我们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，我们就需要对它们进行垃圾回收。但是每次都遍历全图，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，list、dict、tuple，instance，才有可能产生循环引用)。

图中把小黑圈视为全局变量，也就是把它作为root object，从小黑圈出发，对象1可直达，那么它将被标记，对象2、3可间接到达也会被标记，而4和5不可达，那么1、2、3就是活动对象，4和5是非活动对象会被GC回收。 

分代回收

分代回收是一种以空间换时间的操作方式，Python将内存根据对象的存活时间划分为不同的集合，每个集合称为一个代，Python将内存分为了3“代”，分别为年轻代(第0代)、中年代(第1代)、老年代(第2代)，他们对应的是3个链表，它们的垃圾收集频率与对象的存活时间的增大而减小。新创建的对象都会分配在年轻代，年轻代链表的总数达到上限时(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)，Python垃圾收集机制就会被触发，把那些可以被回收的对象回收掉，而那些不会回收的对象就会被移到中年代去，依此类推，老年代中的对象是存活时间最久的对象，甚至是存活于整个系统的生命周期内。同时，分代回收是建立在标记清除技术基础之上。事实上，分代回收基于的思想是，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。所以对于刚刚的问题，引用计数只是触发gc的一个充分非必要条件，循环引用同样也会触发。

调试

可以使用 objgraph来调试程序，因为目前它的官方文档，还没有细读，只能把文档放在这供大家参阅啦~其中两个函数非常有用 1. show_refs() 2. show_backrefs()。