重述垃圾回收机制
重述垃圾回收机制
之前已经讲过垃圾回收机制了，就是引用计数为 0 的时候，解释器就会回收这个变量值，但是引用计数机制还存在着一个致命的弱点，就是循环引用，也叫作交叉引用。
# 如下我们定义了两个列表，简称列表1与列表2，变量名l1指向列表1，变量名l2指向列表2
>>> l1=['xxx'] # 列表1被引用一次，列表1的引用计数变为1
>>> l2=['yyy'] # 列表2被引用一次，列表2的引用计数变为1
>>> l1.append(l2) # 把列表2追加到l1中作为第二个元素，列表2的引用计数变为2
>>> l2.append(l1) # 把列表1追加到l2中作为第二个元素，列表1的引用计数变为2
# l1与l2之间有相互引用
# l1 = ['xxx'的内存地址,列表2的内存地址]
# l2 = ['yyy'的内存地址,列表1的内存地址]
>>> l1
['xxx', ['yyy', [...]]]
>>> l2
['yyy', ['xxx', [...]]]
>>> l1[1][1][0]
'xxx'
循环引用会导致：值不再被任何名字关联，但是值的引用计数并不会为0，应该被回收但不
能被回收，什么意思呢？试想一下，请看如下操作
>>> del l1 # 列表1的引用计数减1，列表1的引用计数变为1
>>> del l2 # 列表2的引用计数减1，列表2的引用计数变为1
此时，只剩下列表1与列表2之间的相互引用，两个列表的引用计数均不为0，但两个列表不
再被任何其他对象关联，没有任何人可以再引用到它们，所以它俩占用内存空间应该被回
收，但由于相互引用的存在，每一个对象的引用计数都不为0，因此这些对象所占用的内存
永远不会被释放，所以循环引用是致命的，这与手动进行内存管理所产生的内存泄露毫无区
别。
所以Python引入了“标记-清除” 与“分代回收”来分别解决引用计数的循环引用与效率低的问题
标记-清除
容器对象（比如：list，set，dict，class，instance）都可以包含对其他对象的引用，所以都
可能产生循环引用。而“标记-清除”计数就是为了解决循环引用的问题。
在了解标记清除算法前，我们需要明确一点，关于变量的存储，内存中有两块区域：堆区与
栈区，在定义变量时，变量名与值内存地址的关联关系存放于栈区，变量值存放于堆区，内
存管理回收的则是堆区的内容，详解如下图
定义了两个变量x = 10、y = 20
当我们执行x=y时，内存中的栈区与堆区变化如下
标记/清除算法的做法是当应用程序可用的内存空间被耗尽的时，就会停止整个程序，然后
进行两项工作，第一项则是标记，第二项则是清除
#1、标记
标记的过程其实就是，遍历所有的GC Roots对象(栈区中的所有内容或者线程都可以作为GC Roots对象），然后将所
有GC Roots的对象可以直接或间接访问到的对象标记为存活的对象，其余的均为非存活对象，应该被清除。
#2、清除
清除的过程将遍历堆中所有的对象，将没有标记的对象全部清除掉。
直接引用指的是从栈区出发直接引用到的内存地址，间接引用指的是从栈区出发引用到堆区
后再进一步引用到的内存地址，以我们之前的两个列表l1与l2为例画出如下图像
当我们同时删除l1与l2时，会清理掉栈区中l1与l2的内容
这样在启用标记清除算法时，发现栈区内不再有l1与l2（只剩下堆区内二者的相互引用），
于是列表1与列表2都没有被标记为存活，二者会被清理掉，这样就解决了循环引用带来的内
存泄漏问题。
分代回收
基于引用计数的回收机制，每次回收内存，都需要把所有对象的引用计数都遍历一遍，这是
非常消耗时间的，于是引入了分代回收来提高回收效率，分代回收采用的是用“空间换时
间”的策略。
分代：
分代回收的核心思想是：在历经多次扫描的情况下，都没有被回收的变量，gc机制就会认
为，该变量是常用变量，gc对其扫描的频率会降低，具体实现原理如下：
分代指的是根据存活时间来为变量划分不同等级（也就是不同的代）
新定义的变量，放到新生代这个等级中，假设每隔1分钟扫描新生代一次，如果发现变量依然被引用，那么该对象的权重（权重本质就是个整数）加一，当变量的权重大于某个设定得值（假设为3），会将它移动到更高一级的青春代，青春代的gc扫描的频率低于新生代（扫描时间间隔更长），假设5分钟扫描青春代一次，这样每次gc需要扫描的变量的总个数就变少了，节省了扫描的总时间，接下来，青春代中的对象，也会以同样的方式被移动到老年代中。也就是等级（代）越高，被垃圾回收机制扫描的频率越低
回收：
回收依然是使用引用计数作为回收的依据
虽然分代回收可以起到提升效率的效果，但也存在一定的缺点：
例如一个变量刚刚从新生代移入青春代，该变量的绑定关系就解除了，该变量应该被回收，但青春代的扫描频率低于新
生代，所以该变量的回收就会被延迟。
出 处：https://www.cnblogs.com/xiaoyuanqujing
其它博文：https://www.cnblogs.com/xiaoyuanqujing
