python 占用内存过高_如何优化Python占用的内存

概述

如果程序处理的数据比较多、比较复杂，那么在程序运行的时候，会占用大量的内存，当内存占用到达一定的数值，程序就有可能被操作系统终止，特别是在限制程序所使用的内存大小的场景，更容易发生问题。下面我就给出几个优化Python占用内存的几个方法。

说明：以下代码运行在Python3。

举个栗子

我们举个简单的场景，使用Python存储一个三维坐标数据，x,y,z。

Dict

使用Python内置的数据结构Dict来实现上述例子的需求很简单。

>>> ob = {'x':1, 'y':2, 'z':3}

>>> x = ob['x']

>>> ob['y'] = y

查看以下ob这个对象占用的内存大小：

>>> print(sys.getsizeof(ob))

240

简单的三个整数，占用的内存还真不少，想象以下，如果有大量的这样的数据要存储，会占用更大的内存。

数据量

占用内存大小

1 000 000

240 Mb

10 000 000

2.40 Gb

100 000 000

24 Gb

Class

对于喜欢面向对象编程的程序员来说，更喜欢把数据包在一个class里。使用class使用同样需求：

class Point:

#

def __init__(self, x, y, z):

self.x = x

self.y = y

self.z = z

>>> ob = Point(1,2,3)

class的数据结构和Dict区别就很大了，我们来看看这种情况下占用内存的情况：

字段

占用内存

PyGC_Head

24

PyObject_HEAD

16

_weakref_

8

_dict_

8

TOTAL

56

关于 __weakref__(弱引用)可以查看这个文档，　对象的__dict__中存储了一些self.xxx的一些东西。从Python 3.3开始，key使用了共享内存存储， 减少了RAM中实例跟踪的大小。

>>> print(sys.getsizeof(ob), sys.getsizeof(ob.__dict__))

56 112

数据量

占用内存

1 000 000

168 Mb

10 000 000

1.68 Gb

100 000 000

16.8 Gb

可以看到内存占用量，class比dict少了一些，但这远远不够。

_slots_

从class的内存占用分布上，我们可以发现，通过消除__dict__和_weakref__，可以显着减少RAM中类实例的大小，我们可以通过使用__slots__来达到这个目的。

class Point:

__slots__ = 'x', 'y', 'z'

def __init__(self, x, y, z):

self.x = x

self.y = y

self.z = z

>>> ob = Point(1,2,3)

>>> print(sys.getsizeof(ob))

64

可以看到内存占用显著的减少了

字段

内存占用

PyGC_Head

24

PyObject_HEAD

16

x

8

y

8

z

8

TOTAL

64

数据量

占用内存

1 000 000

64Mb

10 000 000

640Mb

100 000 000

6.4Gb

默认情况下,Python的新式类和经典类的实例都有一个dict来存储实例的属性。这在一般情况下还不错，而且非常灵活，乃至在程序中可以随意设置新的属性。但是，对一些在”编译”前就知道有几个固定属性的小class来说，这个dict就有点浪费内存了。

当需要创建大量实例的时候，这个问题变得尤为突出。一种解决方法是在新式类中定义一个__slots__属性。

__slots__声明中包含若干实例变量，并为每个实例预留恰好足够的空间来保存每个变量；这样Python就不会再使用dict，从而节省空间。

那么用slot就是非非常那个有必要吗？使用__slots__也是有副作用的：

每个继承的子类都要重新定义一遍__slots__

实例只能包含哪些在__slots__定义的属性，这对写程序的灵活性有影响，比如你由于某个原因新网给instance设置一个新的属性，比如instance.a = 1, 但是由于a不在__slots__里面就直接报错了，你得不断地去修改__slots__或者用其他方法迂回的解决

实例不能有弱引用(weakref)目标，否则要记得把__weakref__放进__slots__

最后，namedlist和attrs提供了自动创建带__slot__的类，感兴趣的可以试试看。

Tuple

Python还有一个内置类型元组，用于表示不可变数据结构。 元组是固定的结构或记录，但没有字段名称。 对于字段访问，使用字段索引。 在创建元组实例时，元组字段一次性与值对象关联：

>>> ob = (1,2,3)

>>> x = ob[0]

>>> ob[1] = y # ERROR

元组的示例很简洁：

>>> print(sys.getsizeof(ob))

72

可以看只比__slot__多8byte：

字段

占用内存(bytes)

PyGC_Head

24

PyObject_HEAD

16

ob_size

8

[0]

8

[1]

8

[2]

8

TOTAL

72

Namedtuple

通过namedtuple我们也可以实现通过key值来访问tuple里的元素：

Point = namedtuple('Point', ('x', 'y', 'z'))

它创建了一个元组的子类，其中定义了用于按名称访问字段的描述符。 对于我们的例子，它看起来像这样:

class Point(tuple):

#

@property

def _get_x(self):

return self[0]

@property

def _get_y(self):

return self[1]

@property

def _get_y(self):

return self[2]

#

def __new__(cls, x, y, z):

return tuple.__new__(cls, (x, y, z))

此类的所有实例都具有与元组相同的内存占用。 大量实例会留下稍大的内存占用：

数据量

内存占用

1 000 000

72 Mb

10 000 000

720 Mb

100 000 000

7.2 Gb

Recordclass

python的第三方库recordclassd提供了一个数据结构recordclass.mutabletuple，它几乎和内置tuple数据结构一致，但是占用更少的内存。

>>> Point = recordclass('Point', ('x', 'y', 'z'))

>>> ob = Point(1, 2, 3)

实例化以后，只少了PyGC_Head:

字段

占用内存

PyObject_HEAD

16

ob_size

8

x

8

y

8

y

8

TOTAL

48

到此，我们可以看到，和__slot__比，又进一步缩小了内存占用：

数据量

内存占用

1 000 000

48 Mb

10 000 000

480 Mb

100 000 000

4.8 Gb

Dataobject

recordclass提供了另外一个解决方法：在内存中使用与__slots__类相同的存储结构，但不参与循环垃圾收集机制。通过recordclass.make_dataclass可以创建出这样的实例：

>>> Point = make_dataclass('Point', ('x', 'y', 'z'))

另外一个方法是继承自dataobject

class Point(dataobject):

x:int

y:int

z:int

以这种方式创建的类将创建不参与循环垃圾收集机制的实例。 内存中实例的结构与__slots__的情况相同，但没有PyGC_Head：

字段

内存占用(bytes)

PyObject_HEAD

16

x

8

y

8

y

8

TOTAL

40

>>> ob = Point(1,2,3)

>>> print(sys.getsizeof(ob))

40

要访问这些字段，还使用特殊描述符通过其从对象开头的偏移量来访问字段，这些对象位于类字典中：

mappingproxy({'__new__': ,

.......................................

'x': ,

'y': ,

'z': })

数据量

内存占用

1 000 000

40 Mb

10 000 000

400 Mb

100 000 000

4.0 Gb

Cython

有一种方法基于Cython的使用。 它的优点是字段可以采用C语言原子类型的值。例如：

cdef class Python:

cdef public int x, y, z

def __init__(self, x, y, z):

self.x = x

self.y = y

self.z = z

这种情况下，占用的内存更小：

>>> ob = Point(1,2,3)

>>> print(sys.getsizeof(ob))

32

内存结构分布如下:

字段

内存占用(bytes)

PyObject_HEAD

16

x

4

y

4

y

4

пусто

4

TOTAL

32

数据量

内存占用

1 000 000

32 Mb

10 000 000

320 Mb

100 000 000

3.2 Gb

但是，从Python代码访问时，每次都会执行从int到Python对象的转换，反之亦然。

Numpy

在纯Python的环境中，使用Numpy能带来更好的效果，例如:

>>> Point = numpy.dtype(('x', numpy.int32), ('y', numpy.int32), ('z', numpy.int32)])

创建初始值是0的数组：

>>> points = numpy.zeros(N, dtype=Point)

数据量

内存占用

1 000 000

12 Mb

10 000 000

120 Mb

100 000 000

1.2 Gb

最后

可以看出，在Python性能优化这方面，还是有很多事情可以做的。Python提供了方便的同时，也需要暂用较多的资源。在不通的场景下，我需要选择不同的处理方法，以便带来更好的性能体验.

更多有趣的文章，请点击我的博客