什么是垃圾回收

垃圾回收（GC） 大家應(yīng)該多多少少都了解過(guò)，什么是垃圾回收呢？垃圾回收GC的全拼是 Garbage Collection，在維基百科的定義是：在計(jì)算機(jī)科學(xué)中，垃圾回收（英語(yǔ)：Garbage Collection，縮寫(xiě)為GC）是一種自動(dòng)的內(nèi)存管理機(jī)制。當(dāng)一個(gè)電腦上的動(dòng)態(tài)內(nèi)存不再需要時(shí)，就應(yīng)該予以釋放，以讓出內(nèi)存，這種內(nèi)存資源管理，稱(chēng)為垃圾回收。我們都知道在C/C++里用戶需要自己管理維護(hù)內(nèi)存，自己管理內(nèi)存是很自由，可以隨意申請(qǐng)、釋放內(nèi)存，但是極易會(huì)出現(xiàn)內(nèi)存泄露，懸空指針等問(wèn)題；像現(xiàn)在的高級(jí)語(yǔ)言Java，Python等，都采用了垃圾回收機(jī)制，自動(dòng)進(jìn)行內(nèi)存管理，而垃圾回收機(jī)制專(zhuān)注于兩件事：① 找到內(nèi)存中無(wú)用的垃圾資源。 ② 清除這些垃圾資源并把內(nèi)存讓出來(lái)給其他對(duì)象使用。

Python作為一門(mén)解釋型語(yǔ)言，因?yàn)楹?jiǎn)單易懂的語(yǔ)法，我們可以直接對(duì)變量賦值，而不必聲明變量的類(lèi)型，變量類(lèi)型的確定、內(nèi)存空間的分配與釋放都是由Python解釋器在運(yùn)行時(shí)自動(dòng)進(jìn)行的，我們不必關(guān)心；Python這一自動(dòng)管理內(nèi)存的功能極大的減少了開(kāi)發(fā)者的編碼負(fù)擔(dān)，讓開(kāi)發(fā)者專(zhuān)注于業(yè)務(wù)實(shí)現(xiàn)，這也是成就Python自身的重要原因之一。接下來(lái)，我們就扒一扒Python的內(nèi)存管理。

Python中的垃圾回收機(jī)制

引用計(jì)數(shù)

Python中一切皆對(duì)象，也就是說(shuō)，在Python中你用到的一切變量，本質(zhì)上都是類(lèi)對(duì)象。實(shí)際上每一個(gè)對(duì)象的核心就是一個(gè)**「結(jié)構(gòu)體PyObject」**，它的內(nèi)部有一個(gè)引用計(jì)數(shù)器ob_refcnt，程序在運(yùn)行的過(guò)程中會(huì)實(shí)時(shí)的更新ob_refcnt的值，來(lái)反映引用當(dāng)前對(duì)象的名稱(chēng)數(shù)量。當(dāng)某對(duì)象的引用計(jì)數(shù)值為0,說(shuō)明這個(gè)對(duì)象變成了垃圾，那么它會(huì)被回收掉，它所用的內(nèi)存也會(huì)被立即釋放掉。

typedef struct _object {
    int ob_refcnt;//引用計(jì)數(shù)
    struct _typeobject *ob_type;
} PyObject;

以下情況是導(dǎo)致引用計(jì)數(shù)加一的情況:
①對(duì)象被創(chuàng)建，例如a=5
②對(duì)象被引用，b=a
③對(duì)象被作為參數(shù)，傳入到一個(gè)函數(shù)中（要注意的是，在函數(shù)調(diào)用發(fā)生的時(shí)候，會(huì)產(chǎn)生額外的兩次引用，一次來(lái)自函數(shù)棧，另一個(gè)是函數(shù)參數(shù)）
④對(duì)象作為一個(gè)元素，存儲(chǔ)在容器中（例如存儲(chǔ)在列表中）

下面的情況則會(huì)導(dǎo)致引用計(jì)數(shù)減一:
①對(duì)象別名被顯示銷(xiāo)毀 del a
②對(duì)象別名被賦予新的對(duì)象
③一個(gè)對(duì)象離開(kāi)它的作用域
④對(duì)象所在的容器被銷(xiāo)毀或者是從容器中刪除對(duì)象

我們還可以通過(guò)sys包中的getrefcount()來(lái)獲取一個(gè)名稱(chēng)所引用的對(duì)象當(dāng)前的引用計(jì)數(shù)(注意，這里getrefcount()本身會(huì)使得引用計(jì)數(shù)加一)

import sys
a = [1, 2, 3]
print(sys.getrefcount(a))
# 輸出為2，說(shuō)明有兩次引用（一次來(lái)自a的定義，一次來(lái)自getrefcount）

def func(a):
    print(sys.getrefcount(a))
    # 輸出為4，說(shuō)明有四次引用（a的定義、Python的函數(shù)調(diào)用棧，函數(shù)參數(shù)，和getrefcount）

func(a)
print(sys.getrefcount(a))
# 輸出為2，說(shuō)明有兩次引用（一次來(lái)自a的定義，一次來(lái)自getrefcount），此時(shí)函數(shù)func調(diào)用已經(jīng)不存在

下面從使用內(nèi)存的角度看一下：

import os
import psutil


def show_memory_info(hint):
    """
    顯示當(dāng)前 python 程序占用的內(nèi)存大小
    :param hint:
    :return:
    """
    pid = os.getpid()
    p = psutil.Process(pid)

    info = p.memory_full_info()
    memory = info.rss / 1024 / 1024
    print('{} 當(dāng)前進(jìn)程的內(nèi)存使用: {} MB'.format(hint, memory))


def func():
    show_memory_info('初始')
    a = [i for i in range(9999999)]
    show_memory_info('創(chuàng)建a之后')


func()
show_memory_info('結(jié)束')

輸出如下：

初始 當(dāng)前進(jìn)程的內(nèi)存使用: 12.125 MB
創(chuàng)建a之后 當(dāng)前進(jìn)程的內(nèi)存使用: 205.15625 MB
結(jié)束 當(dāng)前進(jìn)程的內(nèi)存使用: 12.87890625 MB

可以看出，當(dāng)前進(jìn)程初始的內(nèi)存使用為12.125 MB，當(dāng)調(diào)用了函數(shù)func()創(chuàng)建列表a之后，內(nèi)存占用迅速增加到了205.15625 MB，而在函數(shù)調(diào)用結(jié)束后，內(nèi)存則返回正常。這是因?yàn)椋瘮?shù)內(nèi)部聲明的列表a是局部變量，在函數(shù)返回后，局部變量的引用會(huì)注銷(xiāo)掉，此時(shí)列表a所指代對(duì)象的引用計(jì)數(shù)為0，Python 便會(huì)執(zhí)行垃圾回收，因此之前占用的大量?jī)?nèi)存就又回來(lái)了。

循環(huán)引用

何為循環(huán)引用？簡(jiǎn)單來(lái)說(shuō)就是兩個(gè)對(duì)象相互引用。看下面一段程序：

def func2():
    show_memory_info('初始')
    a = [i for i in range(10000000)]
    b = [x for x in range(10000001, 20000000)]
    a.append(b)
    b.append(a)
    show_memory_info('創(chuàng)建a,b之后')

func2()
show_memory_info('結(jié)束')

輸出如下：

初始 當(dāng)前進(jìn)程的內(nèi)存使用: 12.14453125 MB
創(chuàng)建a,b之后 當(dāng)前進(jìn)程的內(nèi)存使用: 396.6875 MB
結(jié)束 當(dāng)前進(jìn)程的內(nèi)存使用: 396.96875 MB

可以看出，在程序中，a和b互相引用，并且作為局部變量在函數(shù)func2調(diào)用結(jié)束后，a和b從程序意義上已經(jīng)不存在，但從輸出結(jié)果中看到，依然有內(nèi)存占用，這是為什么呢？因?yàn)榛ハ嘁脤?dǎo)致它們的引用數(shù)都不為0。

如果在生產(chǎn)環(huán)境下出現(xiàn)了循環(huán)引用，又沒(méi)有其他垃圾回收機(jī)制的情況下，經(jīng)過(guò)長(zhǎng)時(shí)間運(yùn)行后，程序所占用的內(nèi)存一定會(huì)變得越來(lái)越大，如果沒(méi)有被及時(shí)處理，一定會(huì)跑滿服務(wù)器的。

如果不得不使用循環(huán)引用的話，我們可以顯式調(diào)用gc.collect() 來(lái)啟動(dòng)垃圾回收：

def func2():
    show_memory_info('初始')
    a = [i for i in range(10000000)]
    b = [x for x in range(10000001, 20000000)]
    a.append(b)
    b.append(a)
    show_memory_info('創(chuàng)建a,b之后')

func2()
gc.collect()
show_memory_info('結(jié)束')

輸出如下：

初始 當(dāng)前進(jìn)程的內(nèi)存使用: 12.29296875 MB
創(chuàng)建a,b之后 當(dāng)前進(jìn)程的內(nèi)存使用: 396.69140625 MB
結(jié)束 當(dāng)前進(jìn)程的內(nèi)存使用: 12.95703125 MB

引用計(jì)數(shù)機(jī)制有高效、簡(jiǎn)單、實(shí)時(shí)性（一旦為零就直接做掉）等優(yōu)點(diǎn)，一旦一個(gè)對(duì)象的引用計(jì)數(shù)歸零，內(nèi)存就直接釋放了。不用像其他機(jī)制等到特定時(shí)機(jī)。將垃圾回收隨機(jī)分配到運(yùn)行的階段，處理回收內(nèi)存的時(shí)間分?jǐn)偟搅似綍r(shí)，正常程序的運(yùn)行比較平穩(wěn)。但是，引用計(jì)數(shù)也存在著一些缺點(diǎn)，通常的缺點(diǎn)有：

① 邏輯雖然簡(jiǎn)單，但維護(hù)起來(lái)有些麻煩。每個(gè)對(duì)象需要分配單獨(dú)的空間來(lái)統(tǒng)計(jì)引用計(jì)數(shù)，并且需要對(duì)引用計(jì)數(shù)進(jìn)行維護(hù)，這是需要消耗一下資源的。
② 循環(huán)引用。這將是引用計(jì)數(shù)機(jī)制的致命傷，引用計(jì)數(shù)對(duì)此是無(wú)解的，因此必須要使用其它的垃圾回收算法對(duì)其進(jìn)行補(bǔ)充。

事實(shí)上，Python 使用標(biāo)記清除（mark-sweep）算法和分代收集（generational），來(lái)啟用針對(duì)循環(huán)引用的自動(dòng)垃圾回收。

標(biāo)記清除解除循環(huán)引用

Python采用了 標(biāo)記-清除(Mark and Sweep)算法，解決容器對(duì)象可能產(chǎn)生的循環(huán)引用問(wèn)題。(注意，只有容器類(lèi)對(duì)象才有可能產(chǎn)生循環(huán)引用，比如列表、字典、用戶自定義類(lèi)的對(duì)象、元組等。而像數(shù)字，字符串這類(lèi)簡(jiǎn)單類(lèi)型不會(huì)出現(xiàn)循環(huán)引用。作為一種優(yōu)化策略，對(duì)于只包含簡(jiǎn)單類(lèi)型的元組也不在標(biāo)記清除算法的考慮之列)

它分為兩個(gè)階段：第一階段是標(biāo)記階段，GC會(huì)把所有的活動(dòng)對(duì)象打上標(biāo)記，第二階段是把那些沒(méi)有標(biāo)記的非活動(dòng)對(duì)象進(jìn)行回收。

那么Python又是如何判斷什么樣的對(duì)象為非活動(dòng)對(duì)象的呢？

對(duì)于任何對(duì)象集合，我們先建個(gè)引用計(jì)數(shù)副本表，來(lái)存它們的引用計(jì)數(shù)，然后把集合內(nèi)部的引用都解除掉（內(nèi)部引用是指這個(gè)集合中的某個(gè)對(duì)象引用了本集合內(nèi)部的另一個(gè)對(duì)象），解除的過(guò)程中在副本表減少引用計(jì)數(shù)，解除掉所有的內(nèi)部引用后，在副本表引用計(jì)數(shù)依然不為0的，就是根集合，然后開(kāi)始標(biāo)記過(guò)程，即從跟集合節(jié)點(diǎn)逐步恢復(fù)引用并增加副本表的引用計(jì)數(shù)，最后副本表中引用計(jì)數(shù)為0的，就是垃圾對(duì)象了，我們就需要對(duì)它們進(jìn)行垃圾回收。例如：

上面這個(gè)集合中的節(jié)點(diǎn)有外部進(jìn)來(lái)的連接（到a和到b），也有到外部的連接（c引用了外面某個(gè)對(duì)象），右邊是引用計(jì)數(shù)表，然后我們拆掉所有內(nèi)部連接：

那么根集合就是a和b了，然后我們從a和b出發(fā)開(kāi)始標(biāo)記并恢復(fù)引用計(jì)數(shù)：

從a和b出發(fā)可達(dá)的節(jié)點(diǎn)都被恢復(fù)了，引用計(jì)數(shù)還是0的就是這個(gè)集合內(nèi)部循環(huán)引用的垃圾（e和f），如果把所有對(duì)象看做一個(gè)集合，那么可以回收所有垃圾，也可以將所有對(duì)象劃分成一個(gè)個(gè)小的集合，分別回收小集合內(nèi)的垃圾。
但是每次都需要遍歷圖，對(duì)于Python而言是一種巨大的性能浪費(fèi)。

分代回收

分代回收是一種以空間換時(shí)間的操作方式，Python將內(nèi)存根據(jù)對(duì)象的存活時(shí)間劃分為不同的集合，每個(gè)集合稱(chēng)為一個(gè)代，Python將內(nèi)存分為了3代，分別為年輕代(第0代)、中年代(第1代)、老年代(第2代)。它們對(duì)應(yīng)3個(gè)鏈表，它們的垃圾收集頻率隨對(duì)象的存活時(shí)間的增大而減小。

新創(chuàng)建的對(duì)象都會(huì)分配在年輕代，年輕代鏈表的總數(shù)達(dá)到上限時(shí)，即當(dāng)垃圾回收器中新增對(duì)象減去刪除對(duì)象達(dá)到相應(yīng)的閾值時(shí)，就會(huì)對(duì)這一代對(duì)象啟動(dòng)垃圾回收，把那些可以被回收的對(duì)象回收掉，而那些不會(huì)回收的對(duì)象就會(huì)被移到中年代去，依此類(lèi)推，老年代中的對(duì)象是存活時(shí)間最久的對(duì)象，甚至是存活于整個(gè)系統(tǒng)的生命周期內(nèi)。同時(shí)，分代回收是建立在標(biāo)記清除技術(shù)基礎(chǔ)之上。事實(shí)上，分代回收基于的思想是，新生的對(duì)象更有可能被垃圾回收，而存活更久的對(duì)象也有更高的概率繼續(xù)存活。因此，通過(guò)這種做法，可以節(jié)約不少計(jì)算量，從而提高Python的性能。

總結(jié)

垃圾回收是Python自帶的機(jī)制，用于自動(dòng)釋放不會(huì)再用到的內(nèi)存空間，在Python中，主要通過(guò)引用計(jì)數(shù)進(jìn)行垃圾回收，通過(guò)標(biāo)記清除解決容器對(duì)象可能產(chǎn)生的循環(huán)引用問(wèn)題，通過(guò)分代回收以空間換時(shí)間的方法提高垃圾回收效率。

到此這篇關(guān)于Python垃圾回收是怎么實(shí)現(xiàn)的的文章就介紹到這了,更多相關(guān)Python垃圾回收內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！