Python中的內存管理

引用計數和垃圾回收機制：http://www.cnblogs.com/vamei/p/3232088.html

內存池機制：http://developer.51cto.com/art/201007/213585.htm

python的內存管理機制主要包括引用計數機制、垃圾回收機制、內存池機制。

引用計數機制：

    對于常見的賦值語句，如a=1。整數1為對象，而a是一個引用。利用賦值語句，引用a指向對象1.可以使用內置函數id()返回對象的內存地址。在 python中，整數和短小的字符，python都會緩存這些對象，以便重復使用。長的字符串和其他對象可以有多個相同的對象，可以使用賦值語句創建出新的對象。當我們創建多個等于1的引用時，實際上是讓所有這些引用指向同一個對象。為了檢驗兩個引用指向同一個對象，我們可以用is關鍵字。is用于判斷兩個引用所指向的對象是否相同。

    在python中，每個對象都有存有指向該對象的引用總數，及引用計數。我們可以使用sys包中的getrefcount()來查看某個對象的引用計數。需要注意的是，當使用某個引用作為參數傳遞給getrefcount()時，參數實際上創建了一個臨時的引用。因此，getrefcount()所得到的結果，會比期望的多1.

    python的一個容器對象，比如列表，詞典等，可以包括多個對象。實際上，容器對象中包含的并不是元素對象本身，是指向各個元素對象的引用。

    某個對象的引用計數可能減少。比如，可以使用del關鍵字刪除某個引用：>>>a=[1,2,3]  >>>b=a   >>>del a

del也可以用于刪除容器元素中的元素，比如：del a[0]

    如果某個引用指向對象A，當這個引用被重新定向到某個其他對象B時，對象A的引用計數減少：

    >>>a=[1,2,3]    >>>b=a     >>>sys.getrefcount(b)   >>>a=1     >>>getrefcount(b)

垃圾回收機制：

   當python中的對象越來越多，它們將占據越來越大的內存，python會啟動垃圾回收機制。從基本原理上，當python的某個對象的引用計數降為0時，說明沒有任何引用指向該對象，該對象就成為要被回收的垃圾了。例如：

>>>a=[1,2,3]

>>>del a

del a后，已經沒有任何引用指向之前建立的[1,2,3]這個表。用戶不可能通過任何方式接觸或者動用這個對象。當垃圾回收啟動時，python掃描到這個引用計數為0的對象，就將它所占據的內存清空。

    垃圾回收時，Python不能進行其它的任務。頻繁的垃圾回收將大大降低Python的工作效率。如果內存中的對象不多，就沒有必要總啟動垃圾回收。所以，Python只會在特定條件下，自動啟動垃圾回收。當Python運行時，會記錄其中分配對象(object allocation)和取消分配對象(object deallocation)的次數。當兩者的差值高于某個閾值時，垃圾回收才會啟動。

    我們可以通過gc模塊的get_threshold()方法，查看該閾值:

import gc
print(gc.get_threshold())

返回(700, 10, 10)，后面的兩個10是與分代回收相關的閾值，后面可以看到。700即是垃圾回收啟動的閾值。可以通過gc中的set_threshold()方法重新設置。我們也可以手動啟動垃圾回收，即使用gc.collect()。

Python同時采用了分代(generation) 回收的策略。這一策略的基本假設是，存活時間越久的對象，越不可能在后面的程序中變成垃圾。我們的程序往往會產生大量的對象，許多對象很快產生和消失，但也有一些對象長期被使用。出于信任和效率，對于這樣一些“長壽”對象，我們相信它們的用處，所以減少在垃圾回收中掃描它們的頻率。

Python將所有的對象分為0，1，2三代。所有的新建對象都是0代對象。當某一代對象經歷過垃圾回收，依然存活，那么它就被歸入下一代對象。垃圾回收啟動時，一定會掃描所有的0代對象。如果0代經過一定次數垃圾回收，那么就啟動對0代和1代的掃描清理。當1代也經歷了一定次數的垃圾回收后，那么會啟動對0，1，2，即對所有對象進行掃描。

這兩個次數即上面get_threshold()返回的(700, 10, 10)返回的兩個10。也就是說，每10次0代垃圾回收，會配合1次1代的垃圾回收；而每10次1代的垃圾回收，才會有1次的2代垃圾回收。

同樣可以用set_threshold()來調整，比如對2代對象進行更頻繁的掃描。

import gc
gc.set_threshold(700, 10, 5)

孤立的引用環：

引用環的存在會給上面的垃圾回收機制帶來很大的困難。這些引用環可能構成無法使用，但引用計數不為0的一些對象。為了回收這樣的引用環，Python復制每個對象的引用計數，可以記為gc_ref。假設，每個對象i，該計數為gc_ref_i。Python會遍歷所有的對象i。對于每個對象i引用的對象j，將相應的gc_ref_j減1。在結束遍歷后，gc_ref不為0的對象，和這些對象引用的對象，以及繼續更下游引用的對象，需要被保留。而其它的對象則被垃圾回收。

內存池機制：

在Python中，許多時候申請的內存都是小塊的內存，這些小塊內存在申請后，很快又會被釋放，由于這些內存的申請并不是為了創建對象，所以并沒有對象一級的內存池機制。

這就意味著Python在運行期間會大量地執行malloc和free的操作，頻繁地在用戶態和核心態之間進行切換，這將嚴重影響Python的執行效率。為了加速Python的執行效率，Python引入了一個內存池機制，用于管理對小塊內存的申請和釋放。這也就是之前提到的Pymalloc機制。

在Python 2.5中，Python內部默認的小塊內存與大塊內存的分界點定在256個字節，這個分界點由前面我們看到的名為SMALL_REQUEST_THRESHOLD的符號控制。

也就是說，當申請的內存小于256字節時，PyObject_Malloc會在內存池中申請內存；當申請的內存大于256字節時，PyObject_Malloc的行為將蛻化為malloc的行為。當然，通過修改Python源代碼，我們可以改變這個默認值，從而改變 Python的默認內存管理行為。

在一個對象的引用計數減為0時，與該對象對應的析構函數就會被調用。

但是要特別注意的是，調用析構函數并不意味著最終一定會調用free釋放內存空間，如果真是這樣的話，那頻繁地申請、釋放內存空間會使 Python的執行效率大打折扣（更何況Python已經多年背負了人們對其執行效率的不滿）。一般來說，Python中大量采用了內存對象池的技術，使用這種技術可以避免頻繁地申請和釋放內存空間。因此在析構時，通常都是將對象占用的空間歸還到內存池中。

" 這個問題就是:Python的arena從來不釋放pool。這個問題為什么會引起類似于內存泄漏的現象呢。考慮這樣一種情形，申請 10*1024*1024個16字節的小內存，這就意味著必須使用160M的內存，由于Python沒有默認將前面提到的限制內存池的 WITH_MEMORY_LIMITS編譯符號打開，所以Python會完全使用arena來滿足你的需求，這都沒有問題，關鍵的問題在于過了一段時間，你將所有這些16字節的內存都釋放了，這些內存都回到arena的控制中，似乎沒有問題。

但是問題恰恰就在這時出現了。因為arena始終不會釋放它維護的pool集合，所以這160M的內存始終被Python占用，如果以后程序運行中再也不需要160M如此巨大的內存，這點內存豈不是就浪費了？"

Python內存管理規則：del的時候,把list的元素釋放掉,把管理元素的大對象回收到py對象緩沖池里。