编辑“︁Python 内存泄漏”︁

= Python内存泄漏 =

== 概述 ==
'''Python内存泄漏'''指程序在运行过程中未能释放不再使用的内存，导致内存占用持续增长，最终可能引发性能下降或程序崩溃。尽管Python拥有自动垃圾回收机制（GC），但在特定场景下仍可能发生内存泄漏，通常由以下原因导致：
* 循环引用与垃圾回收器失效
* 全局变量或缓存不当持有对象引用
* 未正确关闭文件/网络连接等资源
* C扩展模块管理不当

== 核心机制 ==
=== Python内存管理基础 ===
Python使用'''引用计数'''为主、'''分代垃圾回收'''为辅的内存管理策略。当对象引用计数降为0时，内存立即释放；循环引用则依赖垃圾回收器定期清理。

<mermaid>
graph LR
    A[对象创建] --> B[引用计数+1]
    B --> C{引用计数=0?}
    C -->|是| D[立即释放内存]
    C -->|否| E[继续持有]
    F[循环引用] --> G[垃圾回收器介入]
</mermaid>

=== 常见泄漏场景 ===
==== 1. 循环引用 ====
<syntaxhighlight lang="python">
class Node:
    def __init__(self):
        self.parent = None
        self.children = []

# 创建循环引用
node1 = Node()
node2 = Node()
node1.children.append(node2)
node2.parent = node1

# 即使删除外部引用，内存仍被占用
del node1, node2  
</syntaxhighlight>

==== 2. 全局缓存未清理 ====
<syntaxhighlight lang="python">
cache = {}

def process_data(data):
    if data not in cache:
        # 模拟耗时计算
        result = expensive_computation(data)
        cache[data] = result
    return cache[data]

# 持续调用会导致cache无限增长
</syntaxhighlight>

== 检测工具 ==
=== 内置模块 ===
* <code>gc</code>模块：手动控制垃圾回收
<syntaxhighlight lang="python">
import gc
gc.collect()  # 强制触发全代回收
print(gc.garbage)  # 查看无法回收的对象
</syntaxhighlight>

=== 第三方工具 ===
* '''memory_profiler'''：逐行内存分析
* '''objgraph'''：可视化对象引用关系
* '''tracemalloc'''（Python 3.4+）：跟踪内存分配

== 解决方案 ==
=== 打破循环引用 ===
* 使用<code>weakref</code>模块创建弱引用：
<syntaxhighlight lang="python">
import weakref

class Node:
    def __init__(self):
        self.parent = weakref.ref(None)
        self.children = []
</syntaxhighlight>

=== 上下文管理器管理资源 ===
<syntaxhighlight lang="python">
with open('large_file.txt') as f:
    data = f.read()
# 文件自动关闭，释放相关内存
</syntaxhighlight>

=== 定期清理缓存 ===
* 使用<code>functools.lru_cache</code>限制缓存大小：
<syntaxhighlight lang="python">
from functools import lru_cache

@lru_cache(maxsize=1000)
def get_expensive_result(key):
    return expensive_computation(key)
</syntaxhighlight>

== 真实案例 ==
=== Web应用中的泄漏 ===
某Flask应用因未关闭数据库连接导致内存持续增长：
<syntaxhighlight lang="python">
from flask import Flask
import sqlite3

app = Flask(__name__)

# 错误示例：连接未关闭
@app.route('/data')
def get_data():
    conn = sqlite3.connect('database.db')
    cursor = conn.cursor()
    # ...操作数据库...
    return "Data fetched"  # 连接未关闭！

# 正确写法
@app.route('/data_fixed')
def get_data_fixed():
    with sqlite3.connect('database.db') as conn:
        cursor = conn.cursor()
        # ...操作数据库...
    return "Data fetched"  # 自动关闭连接
</syntaxhighlight>

== 数学原理 ==
内存泄漏的积累效应可用公式描述：
<math>
M(t) = M_0 + \sum_{i=1}^{n} \Delta m_i \cdot H(t-t_i)
</math>
其中：
* <math>M(t)</math>：时间t的内存占用
* <math>\Delta m_i</math>：第i次泄漏的内存增量
* <math>H(t)</math>：单位阶跃函数

== 最佳实践 ==
# 使用工具定期检测内存使用
# 避免在全局作用域存储大数据结构
# 对可能产生循环引用的场景使用弱引用
# 确保资源使用后立即释放（文件/网络连接等）
# 为缓存设置大小限制或过期策略

== 参见 ==
* [[Python垃圾回收机制]]
* [[Python性能优化]]
* [[Python高级调试技巧]]

[[Category:编程语言]]
[[Category:Python]]
[[Category:Python 内存管理]]