內(nèi)存不足是項(xiàng)目開(kāi)發(fā)過(guò)程中經(jīng)常碰到的問(wèn)題，我和我的團(tuán)隊(duì)在之前的一個(gè)項(xiàng)目中也遇到了這個(gè)問(wèn)題，我們的項(xiàng)目需要存儲(chǔ)和處理一個(gè)相當(dāng)大的動(dòng)態(tài)列表，測(cè)試人員經(jīng)常向我抱怨內(nèi)存不足。但是最終，我們通過(guò)添加一行簡(jiǎn)單的代碼解決了這個(gè)問(wèn)題。

結(jié)果如圖所示：

我將在下面解釋它的工作原理。

舉一個(gè)簡(jiǎn)單的“learning”示例 - 創(chuàng)建一個(gè)DataItem類，在其中定義一些個(gè)人信息屬性，例如姓名，年齡和地址。 

class DataItem(object):  
   def __init__(self, name, age, address):  
       self.name = name  
       self.age = age  
       self.address = address 

小測(cè)試——這樣一個(gè)對(duì)象會(huì)占用多少內(nèi)存？

首先讓我們嘗試下面這種測(cè)試方案： 

d1 = DataItem("Alex", 42, "-")  
print ("sys.getsizeof(d1):", sys.getsizeof(d1)) 

答案是56字節(jié)。看起來(lái)比較小，結(jié)果令人滿意。

但是，讓我們檢查另一個(gè)數(shù)據(jù)多一些的對(duì)象： 

d2 = DataItem("Boris", 24, "In the middle of nowhere")  
print ("sys.getsizeof(d2):", sys.getsizeof(d2)) 

答案仍然是56。這讓我們明白這個(gè)結(jié)果并不完全正確。

我們的直覺(jué)是對(duì)的，這個(gè)問(wèn)題不是那么簡(jiǎn)單。Python是一種非常靈活的語(yǔ)言，具有動(dòng)態(tài)類型，它在工作時(shí)存儲(chǔ)了許多額外的數(shù)據(jù)。這些額外的數(shù)據(jù)本身就占了很多內(nèi)存。

例如，sys.getsizeof(“ ”)返回33，沒(méi)錯(cuò)，每個(gè)空行就多達(dá)33字節(jié)！并且sys.getsizeof（1）將為此數(shù)字返回24-24個(gè)字節(jié)（我建議C程序員們現(xiàn)在點(diǎn)擊結(jié)束閱讀，以免對(duì)Python的美麗失去信心）。

對(duì)于更復(fù)雜的元素，例如字典，sys.getsizeof(dict())返回272個(gè)字節(jié)，這還只是一個(gè)空字典。舉例到此為止，但事實(shí)已經(jīng)很清楚了，何況RAM的制造商也需要出售他們的芯片。

現(xiàn)在，讓我們回到回到我們的DataItem類和“小測(cè)試”問(wèn)題。

這個(gè)類到底占多少內(nèi)存？

首先，我們將以較低級(jí)別輸出該類的全部?jī)?nèi)容： 

def dump(obj):  
    for attr in dir(obj):  
        print("  obj.%s = %r" % (attr, getattr(obj, attr))) 

這個(gè)函數(shù)將顯示隱藏在“隱身衣”下的內(nèi)容，以便所有Python函數(shù)（類型，繼承和其他包）都可以運(yùn)行。

結(jié)果令人印象深刻：

它總共占用多少內(nèi)存呢？

在GitHub上，有一個(gè)函數(shù)可以計(jì)算實(shí)際大小，通過(guò)遞歸調(diào)用所有對(duì)象的getsizeof實(shí)現(xiàn)。 

def get_size(obj, seen=None):  
   # From https://goshippo.com/blog/measure-real-size-any-python-object/  
   # Recursively finds size of objects  
   size = sys.getsizeof(obj)  
   if seen is None:  
       seen = set()  
   obj_id = id(obj) 
    if obj_id in seen:  
       return 0  
# Important mark as seen *before* entering recursion to gracefully handle  
   # self-referential objects  
   seen.add(obj_id)  
   if isinstance(obj, dict):  
     size += sum([get_size(v, seen) for v in obj.values()])  
     size += sum([get_size(k, seen) for k in obj.keys()])  
   elif hasattr(obj, '__dict__'):  
     size += get_size(obj.__dict__, seen)  
   elif hasattr(obj, '__iter__') and not isinstance(obj, (str, bytes, bytearray)):  
     size += sum([get_size(i, seen) for i in obj]) 
    return size  
#讓我們?cè)囈幌拢?nbsp;
d1 = DataItem("Alex", 42, "-")  
print ("get_size(d1):", get_size(d1)) 
d2 = DataItem("Boris", 24, "In the middle of nowhere")  
print ("get_size(d2):", get_size(d2)) 

我們分別得到460和484字節(jié)，這似乎更接近事實(shí)。

使用這個(gè)函數(shù)，我們可以進(jìn)行一系列實(shí)驗(yàn)。例如，我想知道如果DataItem放在列表中，數(shù)據(jù)將占用多少空間。

get_size([d1])函數(shù)返回532個(gè)字節(jié)，顯然，這些是“原本的”460+一些額外開(kāi)銷。但是get_size([d1，d2])返回863個(gè)字節(jié)—小于460+484。get_size([d1，d2，d1])的結(jié)果更加有趣，它產(chǎn)生了871個(gè)字節(jié)，只是稍微多了一點(diǎn)，這說(shuō)明Python很聰明，不會(huì)再為同一個(gè)對(duì)象分配內(nèi)存。

現(xiàn)在我們來(lái)看問(wèn)題的第二部分。

是否有可能減少內(nèi)存消耗？

答案是肯定的。Python是一個(gè)解釋器，我們可以隨時(shí)擴(kuò)展我們的類，例如，添加一個(gè)新字段： 

d1 = DataItem("Alex", 42, "-")  
print ("get_size(d1):", get_size(d1))  
d1.weight = 66  
print ("get_size(d1):", get_size(d1)) 

這是一個(gè)很棒的特點(diǎn)，但是如果我們不需要這個(gè)功能，我們可以強(qiáng)制解釋器使用__slots__指令來(lái)指定類屬性列表： 

class DataItem(object):  
   __slots__ = ['name', 'age', 'address']  
   def __init__(self, name, age, address):  
       self.name = name  
       self.age = age  
       self.address = address 

更多信息可以參考文檔中的“__dict__和__weakref__的部分。使用__dict__所節(jié)省的空間可能會(huì)很大”。

我們嘗試后發(fā)現(xiàn)：get_size（d1）返回的是64字節(jié)，對(duì)比460直接，減少約7倍。作為獎(jiǎng)勵(lì)，對(duì)象的創(chuàng)建速度提高了約20％（請(qǐng)參閱文章的第一個(gè)屏幕截圖）。

真正使用如此大的內(nèi)存增益不會(huì)導(dǎo)致其他開(kāi)銷成本。只需添加元素即可創(chuàng)建100,000個(gè)數(shù)組，并查看內(nèi)存消耗： 

data = []  
for p in range(100000):  
   data.append(DataItem("Alex", 42, "middle of nowhere"))  
snapshot = tracemalloc.take_snapshot()  
top_stats = snapshot.statistics('lineno')  
total = sum(stat.size for stat in top_stats)  
print("Total allocated size: %.1f MB" % (total / (1024*1024))) 

在沒(méi)有__slots__的情況結(jié)果為16.8MB，而使用__slots__時(shí)為6.9MB。當(dāng)然不是7倍，但考慮到代碼變化很小，它的表現(xiàn)依然出色。

現(xiàn)在討論一下這種方式的缺點(diǎn)。激活__slots__會(huì)禁止創(chuàng)建其他所有元素，包括__dict__，這意味著，例如，下面這種將結(jié)構(gòu)轉(zhuǎn)換為json的代碼將不起作用： 

def toJSON(self):  
    return json.dumps(self.__dict__) 

但這也很容易搞定，可以通過(guò)編程方式生成你的dict，遍歷循環(huán)中的所有元素： 

def toJSON(self):  
       data = dict()  
       for var in self.__slots__:  
           data[var] = getattr(self, var)  
       return json.dumps(data) 

向類中動(dòng)態(tài)添加新變量也是不可能的，但在我們的項(xiàng)目里，這不是必需的。

下面是最后一個(gè)小測(cè)試。來(lái)看看整個(gè)程序需要多少內(nèi)存。在程序末尾添加一個(gè)無(wú)限循環(huán)，使其持續(xù)運(yùn)行，并查看Windows任務(wù)管理器中的內(nèi)存消耗。

沒(méi)有__slots__時(shí)

69Mb變成27Mb......好吧，畢竟我們節(jié)省了內(nèi)存。對(duì)于只添加一行代碼的結(jié)果來(lái)說(shuō)已經(jīng)很好了。

注意：tracemalloc調(diào)試庫(kù)使用了大量額外的內(nèi)存。顯然，它為每個(gè)創(chuàng)建的對(duì)象添加了額外的元素。如果你將其關(guān)閉，總內(nèi)存消耗將會(huì)少得多，截圖顯示了2個(gè)選項(xiàng)：

如何節(jié)省更多的內(nèi)存？

可以使用numpy庫(kù)，它允許你以C風(fēng)格創(chuàng)建結(jié)構(gòu)，但在這個(gè)的項(xiàng)目中，它需要更深入地改進(jìn)代碼，所以對(duì)我來(lái)說(shuō)第一種方法就足夠了。

奇怪的是，__slots__的使用從未在Habré上詳細(xì)分析過(guò)，我希望這篇文章能夠填補(bǔ)這一空白。

結(jié)論

這篇文章看起來(lái)似乎是反Python的廣告，但它根本不是。Python是非常可靠的（為了“刪除”Python中的程序，你必須非常努力），這是一種易于閱讀和方便編寫(xiě)的語(yǔ)言。在許多情況下，這些優(yōu)點(diǎn)遠(yuǎn)勝過(guò)缺點(diǎn)，但如果你需要性能和效率的最大化，你可以使用numpy庫(kù)像C++一樣編寫(xiě)代碼，它可以非常快速有效地處理數(shù)據(jù)。