python中的内存管理

引用计数和垃圾回收机制：http://www.cnblogs.com/vamei/p/3232088.html

内存池机制：http://developer.51cto.com/art/201007/213585.htm

python的内存管理机制主要包括引用计数机制、垃圾回收机制、内存池机制。

引用计数机制：

    对于常见的赋值语句，如a=1。整数1为对象，而a是一个引用。利用赋值语句，引用a指向对象1.可使用内置函数id()返回对象的内存地址。在python中，整数和短小的字符，python都会缓存这些对象，以便重复使用。长的字符串和其余对象能够有多个相同的对象，可使用赋值语句建立出新的对象。当咱们建立多个等于1的引用时，其实是让全部这些引用指向同一个对象。为了检验两个引用指向同一个对象，咱们能够用is关键字。is用于判断两个引用所指向的对象是否相同。

    在python中，每一个对象都有存有指向该对象的引用总数，及引用计数。咱们可使用sys包中的getrefcount()来查看某个对象的引用计数。须要注意的是，当使用某个引用做为参数传递给getrefcount()时，参数实际上建立了一个临时的引用。所以，getrefcount()所获得的结果，会比指望的多1.

    python的一个容器对象，好比列表，词典等，能够包括多个对象。实际上，容器对象中包含的并非元素对象自己，是指向各个元素对象的引用。

    某个对象的引用计数可能减小。好比，可使用del关键字删除某个引用：>>>a=[1,2,3]  >>>b=a   >>>del a

del也能够用于删除容器元素中的元素，好比：del a[0]

    若是某个引用指向对象A，当这个引用被从新定向到某个其余对象B时，对象A的引用计数减小：

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

垃圾回收机制：

   当python中的对象愈来愈多，它们将占据愈来愈大的内存，python会启动垃圾回收机制。从基本原理上，当python的某个对象的引用计数降为0时，说明没有任何引用指向该对象，该对象就成为要被回收的垃圾了。例如：

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

>>>del a

del a后，已经没有任何引用指向以前创建的[1,2,3]这个表。用户不可能经过任何方式接触或者动用这个对象。当垃圾回收启动时，python扫描到这个引用计数为0的对象，就将它所占据的内存清空。

    垃圾回收时，Python不能进行其它的任务。频繁的垃圾回收将大大下降Python的工做效率。若是内存中的对象很少，就没有必要总启动垃圾回收。因此，Python只会在特定条件下，自动启动垃圾回收。当Python运行时，会记录其中分配对象(object allocation)和取消分配对象(object deallocation)的次数。当二者的差值高于某个阈值时，垃圾回收才会启动。

    咱们能够经过gc模块的get_threshold()方法，查看该阈值:

import gc
print(gc.get_threshold())

返回(700, 10, 10)，后面的两个10是与分代回收相关的阈值，后面能够看到。700便是垃圾回收启动的阈值。能够经过gc中的set_threshold()方法从新设置。咱们也能够手动启动垃圾回收，即便用gc.collect()。

Python同时采用了分代(generation)回收的策略。这一策略的基本假设是，存活时间越久的对象，越不可能在后面的程序中变成垃圾。咱们的程序每每会产生大量的对象，许多对象很快产生和消失，但也有一些对象长期被使用。出于信任和效率，对于这样一些“长寿”对象，咱们相信它们的用处，因此减小在垃圾回收中扫描它们的频率。

Python将全部的对象分为0，1，2三代。全部的新建对象都是0代对象。当某一代对象经历过垃圾回收，依然存活，那么它就被纳入下一代对象。垃圾回收启动时，必定会扫描全部的0代对象。若是0代通过必定次数垃圾回收，那么就启动对0代和1代的扫描清理。当1代也经历了必定次数的垃圾回收后，那么会启动对0，1，2，即对全部对象进行扫描。

这两个次数即上面get_threshold()返回的(700, 10, 10)返回的两个10。也就是说，每10次0代垃圾回收，会配合1次1代的垃圾回收；而每10次1代的垃圾回收，才会有1次的2代垃圾回收。

一样能够用set_threshold()来调整，好比对2代对象进行更频繁的扫描。

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

孤立的引用环：

引用环的存在会给上面的垃圾回收机制带来很大的困难。这些引用环可能构成没法使用，但引用计数不为0的一些对象。为了回收这样的引用环，Python复制每一个对象的引用计数，能够记为gc_ref。假设，每一个对象i，该计数为gc_ref_i。Python会遍历全部的对象i。对于每一个对象i引用的对象j，将相应的gc_ref_j减1。在结束遍历后，gc_ref不为0的对象，和这些对象引用的对象，以及继续更下游引用的对象，须要被保留。而其它的对象则被垃圾回收。

内存池机制：

在Python中，许多时候申请的内存都是小块的内存，这些小块内存在申请后，很快又会被释放，因为这些内存的申请并非为了建立对象，因此并无对象一级的内存池机制。

这就意味着Python在运行期间会大量地执行malloc和free的操做，频繁地在用户态和核心态之间进行切换，这将严重影响Python的执行效率。为了加速Python的执行效率，Python引入了一个内存池机制，用于管理对小块内存的申请和释放。这也就是以前提到的Pymalloc机制。

在Python 2.5中，Python内部默认的小块内存与大块内存的分界点定在256个字节，这个分界点由前面咱们看到的名为SMALL_REQUEST_THRESHOLD的符号控制。

也就是说，当申请的内存小于256字节时，PyObject_Malloc会在内存池中申请内存；当申请的内存大于256字节时，PyObject_Malloc的行为将蜕化为malloc的行为。固然，经过修改Python源代码，咱们能够改变这个默认值，从而改变Python的默认内存管理行为。

在一个对象的引用计数减为0时，与该对象对应的析构函数就会被调用。

可是要特别注意的是，调用析构函数并不意味着最终必定会调用free释放内存空间，若是真是这样的话，那频繁地申请、释放内存空间会使 Python的执行效率大打折扣（更况且Python已经多年背负了人们对其执行效率的不满）。通常来讲，Python中大量采用了内存对象池的技术，使用这种技术能够避免频繁地申请和释放内存空间。所以在析构时，一般都是将对象占用的空间归还到内存池中。

"这个问题就是:Python的arena历来不释放pool。这个问题为何会引发相似于内存泄漏的现象呢。考虑这样一种情形，申请10*1024*1024个16字节的小内存，这就意味着必须使用160M的内存，因为Python没有默认将前面提到的限制内存池的WITH_MEMORY_LIMITS编译符号打开，因此Python会彻底使用arena来知足你的需求，这都没有问题，关键的问题在于过了一段时间，你将全部这些16字节的内存都释放了，这些内存都回到arena的控制中，彷佛没有问题。

可是问题偏偏就在这时出现了。由于arena始终不会释放它维护的pool集合，因此这160M的内存始终被Python占用，若是之后程序运行中不再须要160M如此巨大的内存，这点内存岂不是就浪费了？"

Python内存管理规则：del的时候,把list的元素释放掉,把管理元素的大对象回收到py对象缓冲池里。