前言

對于python來說，一切皆為對象，所有的變量賦值都遵循著對象引用機制。程序在運行的時候，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。如果數據量過大，內存空間管理不善就很容易出現 OOM（out of memory），俗稱爆內存，程序可能被操作系統中止。

而對于服務器，內存管理則顯得更為重要，不然很容易引發內存泄漏- 這里的泄漏，并不是說你的內存出現了信息安全問題，被惡意程序利用了，而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。- 內存泄漏也不是指你的內存在物理上消失了，而是意味著代碼在分配了某段內存后，因為設計錯誤，失去了對這段內存的控制，從而造成了內存的浪費。也就是這塊內存脫離了gc的控制

計數引用

因為python中一切皆為對象，你所看到的一切變量，本質上都是對象的一個指針。

當一個對象不再調用的時候，也就是當這個對象的引用計數（指針數）為 0 的時候，說明這個對象永不可達，自然它也就成為了垃圾，需要被回收。可以簡單的理解為沒有任何變量再指向它。

代碼

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 ##########

initial memory used: 47.19140625 MB

after a created memory used: 433.91015625 MB

finished memory used: 48.109375 MB

可以看到調用函數 func()，在列表 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。

代碼

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 ##########

initial memory used: 48.88671875 MB

after a created memory used: 433.94921875 MB

finished memory used: 433.94921875 MB

新的這段代碼中，global a 表示將 a 聲明為全局變量。那么，即使函數返回后，列表的引用依然存在，于是對象就不會被垃圾回收掉，依然占用大量內存。同樣，如果我們把生成的列表返回，然后在主程序中接收，那么引用依然存在，垃圾回收就不會被觸發，大量內存仍然被占用著：

代碼

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 ##########

initial memory used: 47.96484375 MB

after a created memory used: 434.515625 MB

finished memory used: 434.515625 MB

那怎么可以看到變量被引用了多少次呢？通過 sys.getrefcount

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 ##########

2

4

2

如果其中涉及函數調用，會額外增加兩次1. 函數棧2. 函數調用

從這里就可以看到python不再需要像C那種的認為的釋放內存，但是python同樣給我們提供了手動釋放內存的方法 gc.collect()

代碼

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 ##########

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)

in

11

12 show_memory_info('finish')

---> 13print(a)

NameError: name 'a'isnotdefined

截止目前，貌似python的垃圾回收機制非常的簡單，只要對象引用次數為0，必定為觸發gc，那么引用次數為0是否是觸發gc的充要條件呢？

循環回收

如果有兩個對象，它們互相引用，并且不再被別的對象所引用，那么它們應該被垃圾回收嗎？

代碼

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 ##########

initial memory used: 47.984375 MB

after a, b created memory used: 822.73828125 MB

finished memory used: 821.73046875 MB

從結果顯而易見，它們并沒有被回收，但是從程序上來看，當這個函數結束的時候，作為局部變量的a，b就已經從程序意義上不存在了。但是因為它們的互相引用，導致了它們的引用數都不為0。

這時要如何規避呢1. 從代碼邏輯上進行整改，避免這種循環引用2. 通過人工回收

代碼：

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 ##########

initial memory used: 49.51171875 MB

after a, b created memory used: 824.1328125 MB

finished memory used: 49.98046875 MB

python針對循環引用，有它的自動垃圾回收算法1. 標記清除（mark-sweep）算法2. 分代收集（generational）

標記清除

標記清除的步驟總結為如下步驟1. GC會把所有的『活動對象』打上標記2. 把那些沒有標記的對象『非活動對象』進行回收

那么python如何判斷何為非活動對象？

通過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。

但是每次都遍歷全圖，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，mark-sweep 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，list、dict、tuple，instance，才有可能產生循環引用）。

圖中把小黑圈視為全局變量，也就是把它作為root object，從小黑圈出發，對象1可直達，那么它將被標記，對象2、3可間接到達也會被標記，而4和5不可達，那么1、2、3就是活動對象，4和5是非活動對象會被GC回收。

分代回收

分代回收是一種以空間換時間的操作方式，Python將內存根據對象的存活時間劃分為不同的集合，每個集合稱為一個代，Python將內存分為了3“代”，分別為年輕代（第0代）、中年代（第1代）、老年代（第2代），他們對應的是3個鏈表，它們的垃圾收集頻率與對象的存活時間的增大而減小。新創建的對象都會分配在年輕代，年輕代鏈表的總數達到上限時（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），Python垃圾收集機制就會被觸發，把那些可以被回收的對象回收掉，而那些不會回收的對象就會被移到中年代去，依此類推，老年代中的對象是存活時間最久的對象，甚至是存活于整個系統的生命周期內。同時，分代回收是建立在標記清除技術基礎之上。

事實上，分代回收基于的思想是，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。

所以對于剛剛的問題，引用計數只是觸發gc的一個充分非必要條件，循環引用同樣也會觸發。

調試

可以使用 objgraph來調試程序，因為目前它的官方文檔，還沒有細讀，只能把文檔放在這供大家參閱啦~

其中兩個函數非常有用 1. show_refs() 2. show_backrefs()

總結垃圾回收是 Python 自帶的機制，用于自動釋放不會再用到的內存空間；

引用計數是其中最簡單的實現，不過切記，這只是充分非必要條件，因為循環引用需要通過不可達判定，來確定是否可以回收；

Python 的自動回收算法包括標記清除和分代回收，主要針對的是循環引用的垃圾收集；

調試內存泄漏方面， objgraph 是很好的可視化分析工具。

總結

以上是生活随笔為你收集整理的python怎么清理垃圾_Python 中的“垃圾”是怎么回收的？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。