Python内存管理
最近面试问到了Python的内存管理机制，在这里简单总结一下，我在这里参考了某位大神的博客https://www.cnblogs.com/sunBinary/p/10934140.html，总结的当然比我的更好，大家有兴趣可以去看看~
一、变量与对象
1、变量，通过变量指针引用对象
变量指针指向具体对象的内存空间，取对象的值。
2、对象，类型已知，每个对象都包含一个头部信息（头部信息：类型标识符和引用计数器）
注意：
变量名没有类型，类型属于对象（因为变量引用对象，所以类型随对象），变量引用什么类型的对象，变量就是什么类型的。
>>> var1=123 >>> var2=var1 >>> id(var1) 140716553973968 >>> id(var2) 140716553973968
说明：
id()是python的内置函数，用于返回对象的身份，即对象的内存地址。
>>> var1=123 >>> var2=var1 >>> id(var1) 140716553973968 >>> id(var2) 140716553973968 >>> var1=567 >>> id(var1) 1661397914192 >>> id(var2) 140716553973968
引用所指判断
通过is进行引用所指判断，is是用来判断两个引用所指的对象是否相同。
整数
In [46]: a=1 In [47]: b=1 In [48]: print(a is b) True
短字符串
In [49]: c="good" In [50]: d="good" In [51]: print(c is d) True
长字符串
In [52]: e="very good" In [53]: f="very good" In [54]: print(e is f) False
列表
In [55]: g=[] In [56]: h=[] In [57]: print(g is h) False
由运行结果可知：
1、Python缓存了整数和短字符串，因此每个对象在内存中只存有一份，引用所指对象就是相同的，即使使用赋值语句，也只是创造新的引用，而不是对象本身；
2、Python没有缓存长字符串、列表及其他对象，可以由多个相同的对象，可以使用赋值语句创建出新的对象。
3、python中对大于256的整数，会重新分配对象空间地址保存对象；对于字符串来说，如果不包含空格的字符串，则不会重新分配对象空间，对于包含空格的字符串则会重新分配
（a = 256, b = 256 , a is b == true, a = 300, b= 300, a is b == false;
x = "abc ef" , y="abc ef" x is y == false）
二、引用计数
在Python中，每个对象都有指向该对象的引用总数---引用计数
查看对象的引用计数：sys.getrefcount()
1、普通引用
In [2]: import sys In [3]: a=[1,2,3,4] In [4]: sys.getrefcount(a) Out[4]: 2 In [5]: b=a In [6]: sys.getrefcount(a) Out[6]: 3 In [7]: sys.getrefcount(b) Out[7]: 3
注意：
当使用某个引用作为参数，传递给getrefcount()时，参数实际上创建了一个临时的引用。因此，getrefcount()所得到的结果，会比期望的多1。
2、容器对象
Python的一个容器对象(比如：列表、词典等)，可以包含多个对象。
In [12]: a=[1,2,3,4,5] In [13]: b=a In [14]: a is b Out[14]: True In [15]: a[0]=6 In [16]: a Out[16]: [6, 2, 3, 4, 5] In [17]: a is b Out[17]: True In [18]: b Out[18]: [6, 2, 3, 4, 5]
即像字典(dict)，列表(List)等容器对象，改变一个就会引起另一个的改变，也称之为浅拷贝（这里关于深浅拷贝可以看我之前写的博客https://www.cnblogs.com/sunny0824/p/13418563.html）。
3、引用计数的增加
（1）对象被创建
In [39]: sys.getrefcount(123) Out[39]: 6 In [40]: n=123 In [41]: sys.getrefcount(123) Out[41]: 7
(2) 另外的别人被创建
In [42]: m=n In [43]: sys.getrefcount(123) Out[43]: 8
(3) 作为容器对象的一个元素
In [44]: a=[1,12,123] In [45]: sys.getrefcount(123) Out[45]: 9
(4) 作为参数传递给函数：foo(x)
4、引用计数减少
(1) 对象的别名被显式的销毁
In [46]: del m In [47]: sys.getrefcount(123) Out[47]: 8
(2) 对象的一个别名被赋值给其他对象
In [48]: n=456 In [49]: sys.getrefcount(123) Out[49]: 7
(3) 对象从一个窗口对象中移除，或，窗口对象本身被销毁
In [50]: a.remove(123) In [51]: a Out[51]: [1, 12] In [52]: sys.getrefcount(123) Out[52]: 6
三、垃圾回收
当Python中的对象越来越多，占据越来越大的内存，启动垃圾回收(garbage collection)，将没用的对象清除。
1、原理
当Python的某个对象的引用计数降为0时，说明没有任何引用指向该对象，该对象就成为要被回收的垃圾。比如某个新建对象，被分配给某个引用，对象的引用计数变为1。如果引用被删除，对象的引用计数为0，那么该对象就可以被垃圾回收。
In [74]: a=[321,123] In [75]: del a
2、解析del
del a后，已经没有任何引用指向之前建立的[321,123]，该表引用计数变为0，用户不可能通过任何方式接触或者动用这个对象，当垃圾回收启动时，Python扫描到这个引用计数为0的对象，就将它所占据的内存清空。
3、注意
(1)、垃圾回收时，Python不能进行其它的任务，频繁的垃圾回收将大大降低Python的工作效率；
(2)、Python只会在特定条件下，自动启动垃圾回收（垃圾对象少就没必要回收）
(3)、当Python运行时，会记录其中分配对象(object allocation)和取消分配对象(object deallocation)的次数。当两者的差值高于某个阈值时，垃圾回收才会启动。
In [93]: import gc In [94]: gc.get_threshold() #gc模块中查看阈值的方法 Out[94]: (700, 10, 10)
阈值分析：
700即是垃圾回收启动的阈值；
每10次0代垃圾回收，会配合1次1代的垃圾回收；而每10次1代的垃圾回收，才会有1次的2代垃圾回收；
当然也是可以手动启动垃圾回收：
In [95]: gc.collect() #手动启动垃圾回收 Out[95]: 2
4、何为分代回收
Python将所有的对象分为0，1，2三代；
所有的新建对象都是0代对象；
当某一代对象经历过垃圾回收，依然存活，就被归入下一代对象。
四、内存池机制
Python中有分为大内存和小内存：（256K为界限分大小内存）
1、大内存使用malloc进行分配
2、小内存使用内存池进行分配
3、Python的内存池(金字塔)
第3层：最上层，用户对Python对象的直接操作
第1层和第2层：内存池，有Python的接口函数PyMem_Malloc实现-----若请求分配的内存在1~256字节之间就使用内存池管理系统进行分配，调用malloc函数分配内存，但是每次只会分配一块大小为256K的大块内存，不会调用free函数释放内存，将该内存块留在内存池中以便下次使用。
第0层：大内存-----若请求分配的内存大于256K，malloc函数分配内存，free函数释放内存。
第 -1，-2层：操作系统进行操作
python内存分配情况图
Python的内存机制以金字塔行，-1，-2层主要有操作系统进行操作，
第0层是C中的malloc，free等内存分配和释放函数进行操作；
第1层和第2层是内存池，有Python的接口函数PyMem_Malloc函数实现，当对象小于256K时有该层直接分配内存；
第3层是最上层，也就是我们对Python对象的直接操作；
在 C 中如果频繁的调用 malloc 与 free 时,是会产生性能问题的.再加上频繁的分配与释放小块的内存会产生内存碎片. Python 在这里主要干的工作有:
如果请求分配的内存在1~256字节之间就使用自己的内存管理系统,否则直接使用 malloc.
这里还是会调用 malloc 分配内存,但每次会分配一块大小为256k的大块内存.
经由内存池登记的内存到最后还是会回收到内存池,并不会调用 C 的 free 释放掉.以便下次使用.对于简单的Python对象，例如数值、字符串，元组（tuple不允许被更改)采用的是复制的方式(深拷贝?)，也就是说当将另一个变量B赋值给变量A时，虽然A和B的内存空间仍然相同，但当A的值发生变化时，会重新给A分配空间，A和B的地址变得不再相同
