python 内存分析 流程图

memory_profiler 模块被用于在逐行的基础上，测量你代码的内存使用率，也建议安装 psutil 包，使得 memory_profile 模块运行的更快

from memory_profiler import profile
 
 
@profile(precision=6)
def primes(n):
    if n == 2:
        return [2]
    elif n < 2:
        return []
    s = range(3, n + 1, 2)
    mroot = n ** 0.5
    half = (n + 1) / 2 - 1
    i = 0
    m = 3
    while m <= mroot:
        if s[i]:
            j = (m * m - 3) / 2
            s[j] = 0
            while j < half:
                s[j] = 0
                j += m
        i = i + 1
        m = 2 * i + 3
    return [2] + [x for x in s if x]
 
 
len(primes(100000))

 

meliae会把某个时刻的内存给dump到一个文件中，然后再对该文件进行分析，当我们的某个python程序占用内存很大，可能有内存泄露发生时，可以使用该工具来进行检测分析

 

Guppy (使用了Heapy）：使用 guppy 包，你可以跟踪每个类型在你代码中每个阶段（字符， 元组， 字典 等等）有多少对象被创建了，查看占用内存前十位变量的工具

 

objgraph模块：该工具允许你查看内存中对象的数量，定位含有该对象的引用的所有代码的位置。

.定位哪个对象引起内存泄漏
# -*- coding: utf-8 -*-
import objgraph

_cache = []

class OBJ(object):
    pass

def func_to_leak():
    o = OBJ()
    _cache.append(o)
    # do something with o, then remove it from _cache 
 
    if True: # this seem ugly, but it always exists
       return 
       
    _cache.remove(o)
 
if __name__ == '__main__':
   objgraph.show_growth()
    try:
       func_to_leak()
    except:
       pass
    print '********after call func_to_leak*********'
   objgraph.show_growth()
    
运行结果（我们只关心后一次 show_growth 的结果）如下

wrapper_descriptor           1196    +1196
function                   1187    +1187
builtin_function_or_method     739     +739
method_descriptor            635     +635
dict                        539     +539
weakref                     457     +457
tuple                       364     +364
getset_descriptor            306     +306
list                        232     +232
member_descriptor            227     +227
********after call func_to_leak*********
wrapper_descriptor    1205       +9
getset_descriptor      310       +4
member_descriptor      230       +3
weakref              459       +2
dict                 541       +2
OBJ                   1      +1  

从运行结果可以发现，调用函数之后，增加了一个类 OBJ 的实例，然而理论上函数调用结束之后，所有在函数作用域（local）中声明的对象都改被销毁，因此这里就存在内存泄露。

• 显示占据python程序内存的头N个对象
• 显示一段时间以后哪些对象被删除活增加了
• 在我们的脚本中显示某个给定对象的所有引用

 

============快速生成陌生代码的函数调用关系

1、graphviz（Graph Visualization Software-图形可视化软件）

2、pycallgraph（创建python的可视化图形）