我們使用Python和它的數據處理庫套件(如panda和scikiti -learn)進行大量數據處理時候，可能使用了大量的計算資源。如何監視程序的內存使用情況就顯得尤為重要。

[[330450]]

1. 詢問操作系統

跟蹤內存使用情況的最簡單方法是使用操作系統本身。您可以使用top來提供您在一段時間內使用的資源的概述。或者，如果您想要現場檢查資源使用情況，您可以使用ps命令：

$ ps -m -o %cpu,%mem,command  
%CPU %MEM COMMAND  
23.4  7.2 python analyze_data.py  
 0.0  0.0 bash 

m標志指示ps按照進程使用最多內存的順序顯示結果。o標志控制顯示每個進程的哪些屬性——在本例中是使用的CPU百分比、消耗的系統內存百分比和正在執行的進程的命令行。CPU百分比將一個完整的CPU核心計算為100%的使用率，因此如果您有一個4核的機器，可能會看到總計高達400%的CPU使用率。還有其他輸出選項用于顯示其他進程屬性，以及用于控制顯示哪些進程的ps的其他標志。

結合一些創造性的shell腳本，可以編寫一個監視腳本，使用ps跟蹤任務的內存使用情況。

2. tracemalloc

Python解釋器的操作中有大量的hooks，可以在Python代碼運行時用于監視和內省。pdb使用這些鉤子來提供調試;覆蓋率也使用它們來提供測試覆蓋率。tracemalloc模塊還使用它們來提供一個了解內存使用情況的窗口。

tracemalloc是在Python 3.4中添加的一個標準庫模塊，它跟蹤Python解釋器分配的每個單獨的內存塊。tracemalloc能夠提供關于運行Python進程中內存分配的非常細粒度的信息:

import tracemalloc 
 
tracemalloc.start() 
my_complex_analysis_method() 
current, peak = tracemalloc.get_traced_memory() 
print(f"Current memory usage is {current / 10**6}MB; Peak was {peak / 10**6}MB") 
tracemalloc.stop() 

調用tracemplugin .start()啟動跟蹤進程。在進行跟蹤時，您可以詢問分配了哪些內容的詳細信息;在本例中，我們只要求當前和峰值內存分配。調用tracemplugin .stop()將刪除hook并清除已經收集的任何跟蹤。

不過，這種程度的細節是要付出代價的。tracemalloc將自己深深地注入到正在運行的Python進程中——正如您所預期的那樣，這會帶來性能損失。在我們的測試中，我們觀察到在運行分析時使用tracemalloc的速度下降了30%。在分析單個進程時，這可能是可以的，但在生產中，您確實不希望僅僅為了監視內存使用情況而降低30%的性能。

3. 抽樣

幸運的是，Python標準庫提供了另一種觀察內存使用情況的方法—resource模塊。resource模塊為程序分配的資源提供基本控制，包括內存使用:

import resource 
usage = resource.getrusage(resource.RUSAGE_SELF).ru_maxrss 

getrusage()的調用返回程序所使用的資源。常量RUSAGE_SELF表示我們只對這個進程使用的資源感興趣，而不是它的子進程。返回的對象是一個結構，它包含一系列操作系統資源，包括CPU時間、信號、上下文切換等;但就我們的目的而言，我們感興趣的是maxrss——最大駐留集大小——它是進程當前在RAM中持有的內存量。

但是，與tracemalloc模塊不同的是，資源模塊不隨時間跟蹤使用情況—它只提供點采樣。因此，我們需要實現一種方法來隨時間對內存使用情況進行采樣。

首先，我們定義一個類來執行內存監控：

import resource 
from time import sleep 
 
class MemoryMonitor: 
    def __init__(self): 
        self.keep_measuring = True 
 
    def measure_usage(self): 
        max_usage = 0 
        while self.keep_measuring: 
            maxmax_usage = max( 
                max_usage, 
                resource.getrusage(resource.RUSAGE_SELF).ru_maxrss 
            ) 
            sleep(0.1) 
 
        return max_usage 

在這個類的實例上調用measure_usage()時，它將進入一個循環，每0.1秒測量一次內存使用情況。將跟蹤內存使用量的任何增加，并在循環退出時返回最大內存分配。

但是什么告訴循環退出呢?我們在哪里調用被監視的代碼?我們在單獨的線程中完成。

from concurrent.futures import ThreadPoolExecutor 
 
 
with ThreadPoolExecutor() as executor: 
    monitor = MemoryMonitor() 
    mem_thread = executor.submit(monitor.measure_usage) 
    try: 
        fn_thread = executor.submit(my_analysis_function) 
        result = fn_thread.result() 
 
    finally: 
        monitor.keep_measuring = False 
        max_usage = mem_thread.result() 
 
    print(f"Peak memory usage: {max_usage}") 

ThreadPoolExecutor為提交要在線程中執行的任務提供了一種方便的方法。我們向執行程序提交兩個任務——監視器和my_analysis_function(如果分析函數需要額外的參數，可以通過提交調用傳入它們)。對fn_thread.result()的調用將被阻塞，直到分析函數完成并獲得其結果，此時我們可以通知監視器停止并獲得最大內存。try/finally模塊確保了如果分析函數拋出異常，內存線程仍然會被終止。

使用這種方法，我們可以有效地隨時間對內存使用情況進行抽樣。大部分工作將在主分析線程中完成;但是每0.1秒，監視器線程就會被喚醒，進行一次內存測量，如果內存使用量增加就將其存儲，然后返回睡眠狀態。

英文原文：

https://medium.com/survata-engineering-blog/monitoring-memory-usage-of-a-running-python-program-49f027e3d1ba