Python 内存优化的方法
白羽 2018-07-03 来源 :网络 阅读 21 评论 0

摘要:本文关注的是Python的内存优化,一般说来,如果不发生内存泄露,运行在服务端的Python代码不用太关心内存,但是如果运行在客户端(比如移动平台上),那还是有优化的必要。具体而言,本文主要针对的Cpython,而且不涉及C扩展。


本文关注的是Python的内存优化,一般说来,如果不发生内存泄露,运行在服务端的Python代码不用太关心内存,但是如果运行在客户端(比如移动平台上),那还是有优化的必要。具体而言,本文主要针对的Cpython,而且不涉及C扩展。

我们知道,Python使用引用技术和垃圾回收来管理内存,底层也有各种类型的内存池,那我们怎么得知一段代码使用的内存情况呢?工欲善其事必先利其器,直接看windows下的任务管理器或者linux下的top肯定是不准的。

Pytracemalloc

对于基本类型,可以通过sys.getsizeof()来查看对象占用的内存大小。以下是在64位Linux下的一些结果:

Python

 



   

>>> import sys

 

>>> sys.getsizeof(1)

24

>>> sys.getsizeof([])

72

>>> sys.getsizeof(())

56

>>> sys.getsizeof({})

280

>>> sys.getsizeof(True)

24

   


可以看到,即使是一个int类型(1)也需要占用24个字节,远远高于C语言中int的范围。因为Python中一切都是对象,int也不例外(事实上是PyIntObject),除了真正存储的数值,还需要保存引用计数信息、类型信息,更具体的可以参见《Python源码剖析》。

而对于更复杂的组合类型,复杂的代码,使用getsizeof来查看就不准确了,因为在Python中变量仅仅指向一个对象,这个时候就需要更高级的工具,比如guppy,pysizer,pytracemalloc,objgraph。在这里重点介绍pytracemalloc。

在Python3.4中,已经支持了pytracemalloc,如果使用python2.7版本,则需要对源码打补丁,然后重新编译。pytracemalloc在pep454中提出,主要有以下几个特点:

· Traceback where an object was allocated

· Statistics on allocated memory blocks per filename and per line number: total size, number and average size of allocated memory blocks

· Compute the differences between two snapshots to detect memory leaks

简单来说,pytracemalloc hook住了python申请和释放内存的接口,从而能够追踪对象的分配和回收情况。对内存分配的统计数据可以精确到每个文件、每一行代码,也可以按照调用栈做聚合分析。而且还支持快照(snapshot)功能,比较两个快照之间的差异可以发现潜在的内存泄露。

下面通过一个例子来简单介绍pytracemalloc的用法和接口,关于更详细用法和API,可以参考这份详尽的文档或者pytracemalloc的作者在pycon上的演讲ppt。

 


   

import tracemalloc

 

NUM_OF_ATTR =  10

NUM_OF_INSTANCE = 100

class Slots(object):

    __slots__ = ['attr%s'%i for i in range(NUM_OF_ATTR)]

    def __init__(self):

        value_lst = (1.0, True, [], {}, ())

        for i in range(NUM_OF_ATTR):

            setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])

 

 

class NoSlots(object):

    def __init__(self):

        value_lst = (1.0, True, [], {}, ())

        for i in range(NUM_OF_ATTR):

            setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])

 

 

 

def generate_some_objs():

    lst = []

    for i in range(NUM_OF_INSTANCE):

        o = Slots() if i % 2 else NoSlots()

        lst.append(o)

    return lst

 

 

if __name__ == '__main__':

    tracemalloc.start(3)

 

    t = generate_some_objs() 

 

    snapshot = tracemalloc.take_snapshot()

    top_stats = snapshot.statistics('lineno') # lineno filename traceback

 

    print(tracemalloc.get_traced_memory())

    for stat in top_stats[:10]:

        print(stat)

   


在上面的代码中,用到了pytracemalloc几个核心的API:

Python

 



   

start(nframe: int=1)

   


pytracemalloc的一大好处就是可以随时启停,start函数即开始追踪内存分配,相应的stop会停止追踪。start函数有一个参数,nframes : 内存分配时记录的栈的深度,这个值越大,pytracemalloc本身消耗的内存越多,在计算cumulative数据的时候有用。

Python

 


   

 get_traced_memory()

   


返回值是拥有两个元素的tuple,第一个元素是当前分配的内存,第二个元素是自内存追踪启动以来的内存峰值。

Python

 



   

take_snapshot()

   


返回当前内存分配快照,返回值是Snapshot对象,该对象可以按照单个文件、单行、单个调用栈统计内存分配情况

运行环境:windows 64位python3.4

Python

 



   

(62280, 62920)

 

test_pytracemalloc_use_py3.4.py:10: size=16.8 KiB, count=144, average=120 B

test_pytracemalloc_use_py3.4.py:17: size=16.7 KiB, count=142, average=120 B

test_pytracemalloc_use_py3.4.py:19: size=9952 B, count=100, average=100 B

test_pytracemalloc_use_py3.4.py:26: size=9792 B, count=102, average=96 B

test_pytracemalloc_use_py3.4.py:27: size=848 B, count=1, average=848 B

test_pytracemalloc_use_py3.4.py:34: size=456 B, count=1, average=456 B

test_pytracemalloc_use_py3.4.py:36: size=448 B, count=1, average=448 B

D:\Python3.4\lib\tracemalloc.py:474: size=64 B, count=1, average=64 B

   


如果将第36行的“lineno“改成“filename”,那么结果如下

Python



   

(62136, 62764)

 

test_pytracemalloc_use_py3.4.py:0: size=54.5 KiB, count=491, average=114 B

D:\Python3.4\lib\tracemalloc.py:0: size=64 B, count=1, average=64 B

   


有了Profile结果之后,可以看出来在哪个文件中有大量的内存分配。与性能优化相同,造成瓶颈的有两种情况:单个对象占用了大量的内存;同时大量存在的小对象。对于前者,优化的手段并不多,惰性初始化属性可能有一些帮助;而对于后者,当同样类型的对象大量存在时,可以使用slots进行优化。

Slots

默认情况下,自定义的对象都使用dict来存储属性(通过obj.__dict__查看),而python中的dict大小一般比实际存储的元素个数要大(以此降低hash冲突概率),因此会浪费一定的空间。在新式类中使用__slots__,就是告诉Python虚拟机,这种类型的对象只会用到这些属性,因此虚拟机预留足够的空间就行了,如果声明了__slots__,那么对象就不会再有__dict__属性。

使用slots到底能带来多少内存优化呢,首先看看这篇文章,对于一个只有三个属性的Image类,使用__slots__之后内存从25.5G下降到16.2G,节省了9G的空间!

 

到底能省多少,取决于类自身有多少属性、属性的类型,以及同时存在多少个类的实例。下面通过一段简单代码测试一下:



   

# -*- coding: utf-8 -*-

import sys

import tracemalloc

 

NUM_OF_ATTR =  3 #3 # 10 # 30 #90

NUM_OF_INSTANCE = 10 # 10 # 100

class Slots(object):

    __slots__ = ['attr%s'%i for i in range(NUM_OF_ATTR)]

    def __init__(self):

        value_lst = (1.0, True, [], {}, ())

        for i in range(NUM_OF_ATTR):

            setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])

 

 

class NoSlots(object):

    def __init__(self):

        value_lst = (1.0, True, [], {}, ())

        for i in range(NUM_OF_ATTR):

            setattr(self, 'attr%s'%i, value_lst[i % len(value_lst)])

 

if __name__ == '__main__':

    clz = Slots if len(sys.argv) > 1 else NoSlots

    tracemalloc.start()

    objs = [clz() for i in range(NUM_OF_INSTANCE)]

    print(tracemalloc.get_traced_memory()[0])

   


上面的代码,主要是在每个实例的属性数目、并发存在的实例数目两个维度进行测试,并没有测试不同的属性类型。结果如下表:

 

百分比为内存优化百分比,计算公式为(b – a) / b, 其中b为没有使用__slots__时分配的内存, a为使用了__slots__时分配的内存。

注意事项

关于__slots__,Python文档有非常详尽的介绍,这里只强调几点注意事项

第一:基类和子类都必须__slots__,即使基类或者子类没有属性

Python

 



   

>>> class Base(object):

 

...     pass

...

>>> class Derived(Base):

...     __slots__ = ('a', )

...

>>> d.__slots__

('a',)

>>> getattr(d, '__dict__', 'No Dict')

{}

   


从上面的示例可以看到,子类的对象还是有__dict__属性,原因就在于基类没有声明__slots__。因此,可以通过看子类的实例有没有__dict__属性来判断slots的使用是否正确

第二:子类会继承基类的__slots__

更准确的说,如果访问属性的时候没有在子类的__slots__找到,会继续在基类的__slots__查找,因为Python使用descriptor在类这个层级实现__slots__的,具体可以参见《python属性查找 深入理解》一文

Python

 



   

>>> class Base(object):

 

...     __slots__ = ('a',)

...

>>> class Derived(Base):

...     __slots__ = ('b', )

...

>>> d = Derived()

>>> d.__slots__

('b',)

>>> getattr(d, '__dict__', 'No Dict')

'No Dict'

>>> d.a = 1

>>> d.c = 0

Traceback (most recent call last):

  File "<stdin>", line 1, in <module>

AttributeError: 'Derived' object has no attribute 'c'

   


objgraph

在大型工程中,怎么排查有哪些大量存在的对象呢,毕竟同一个类型存在的对象越多,优化越有效果。除了直接看代码,最好使的就是使用objgraph.py的show_most_common_types(N)函数,该函数返回Python gc管理的所有对象中,数目前N多的对象,在排除掉python builtin对象之后,剩下的就是可优化的对象。比如在最上面的代码中:在最后加上这么两句:

Python

 



   

import objgraph

 

objgraph.show_most_common_types(25)

   


输出如下:

 

再论Python dict

前面介绍slots的时候,就提到Python自定义的对象中通过dict来管理属性。这种机制极大的提高了Python的灵活性 — 可以随时给对象增加属性,但是其实现机制也带来了内存上的浪费。不管是python源码,还是Python程序,都大量使用了dict,因此这部分内存浪费不容小视。

python中的dict使用的是散列表(类似C++中的std::unordered_map),当计算出的hash值冲突的时候,采用开放地址法解决冲突(另一种常见的冲突解决算法是链表法)。为了降低冲突概率,当装填因子(实际存储的元素与散列表长度的比值)超过2/3的时候就会对散列表进行扩容,因此散列表中一定会存在一些未使用的槽。

下面简单看看PyDictObject的数据结构(python2.7.3 dictobject.h)

 




   

#define PyDict_MINSIZE 8

 

typedef struct {

    /* Cached hash code of me_key.  Note that hash codes are C longs.

     * We have to use Py_ssize_t instead because dict_popitem() abuses

     * me_hash to hold a search finger.

     */

    Py_ssize_t me_hash;

    PyObject *me_key;

    PyObject *me_value;

} PyDictEntry;

 

 

typedef struct _dictobject PyDictObject;

struct _dictobject {

    PyObject_HEAD

    Py_ssize_t ma_fill;  /* # Active + # Dummy */

    Py_ssize_t ma_used;  /* # Active */

 

    /* The table contains ma_mask + 1 slots, and that's a power of 2.

     * We store the mask instead of the size because the mask is more

     * frequently needed.

     */

    Py_ssize_t ma_mask;

 

    /* ma_table points to ma_smalltable for small tables, else to

     * additional malloc'ed memory.  ma_table is never NULL!  This rule

     * saves repeated runtime null-tests in the workhorse getitem and

     * setitem calls.

     */

    PyDictEntry *ma_table;

    PyDictEntry *(*ma_lookup)(PyDictObject *mp, PyObject *key, long hash);

    PyDictEntry ma_smalltable[PyDict_MINSIZE];

};

   


从定义可以看出,除了固定的部分(几个Py_ssize_t),PyDictObject中主要是PyDictEntry对象,PyDictEntrty包含一个Py_ssize_t(int)和两个指针。上面源码中的注释(第26行)指出,当dict的元素比较少时,ma_table指向ma_smalltable,当元素增多时,ma_table会指向新申请的空间。ma_smalltable的作用在于Python(不管是源码还是代码)都大量使用dict,一般来说,存储的元素也不会太多,因此Python就先开辟好PyDict_MINSIZE(默认为8)个空间。

为什么说PyDictObject存在浪费呢,PyDictEntry在32位下也有12个字节,那么即使在ma_smalltable(ma_table)中大量的位置没有被使用时,也要占用这么多字节。用这篇文章中的例子:

假设有这么一个dict:

Python

 



   

 d = {'timmy': 'red', 'barry': 'green', 'guido': 'blue'}

   


在Python源码中的视图就是这样的:

Python



   

 #  下面的entries就是ma_smalltable

 

entries = [['--', '--', '--'],

           [-8522787127447073495, 'barry', 'green'],

           ['--', '--', '--'],

           ['--', '--', '--'],

           ['--', '--', '--'],

           [-9092791511155847987, 'timmy', 'red'],

           ['--', '--', '--'],

           [-6480567542315338377, 'guido', 'blue']]

   


然而,完全可以这么存储:

Python

 



   

indices = [None, 1, None, None, None, 0, None, 2]

 

entries =  [[-9092791511155847987, 'timmy', 'red'],

                [-8522787127447073495, 'barry', 'green'],

                [-6480567542315338377, 'guido', 'blue']]

   


indices的作用类似ma_smalltable,但只存储一个数组的索引值,数组只存储实际存在的元素(PyDictEntry),当dict中的元素越稀疏,相比上一种存储方式使用的内存越少。而且,这种实现, dict就是有序的(按插入时间排序)

这就是python3.6中新的dict实现,Compact dict! Stackoverflow上也有相关讨论。

总结

本文中介绍了Python内存优化的Profile工具,最有效的优化方法:使用slots,也介绍了在python3.6中新的dict实现。

当然,还有一些良好的编码习惯。比如尽量使用immutable而不是mutable对象:使用tuple而不是list,使用frozenset而不是set;另外,就是尽量使用迭代器,比如python2.7中,使用xrange而不是range,dict的iterxx版本。


 


本文由职坐标整理并发布,希望对同学们有所帮助。了解更多详情请关注职坐标编程语言之Python!


本文由 @白羽 发布于职坐标。未经许可,禁止转载。
喜欢 | 0 不喜欢 | 0
看完这篇文章有何感觉?已经有0人表态,0%的人喜欢 快给朋友分享吧~
评论(0)
后参与评论
X
免费获取海同IT培训资料
验证码手机号,获得海同独家IT培训资料
获取验证码
提交

版权所有 职坐标-一站式IT培训就业服务领导者 沪ICP备13042190号-4
上海海同信息科技有限公司 Copyright ©2015 www.zhizuobiao.com,All Rights Reserved.
沪公网安备 31011502005948号