Python中垃圾回收機制的原理是什么

Python中垃圾回收機制的原理是什么，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學(xué)習(xí)下，希望你能有所收獲。

垃圾回收機制

「垃圾回收（GC）」 大家應(yīng)該多多少少都了解過，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：在計算機科學(xué)中，垃圾回收（英語：Garbage Collection，縮寫為GC）是一種自動的內(nèi)存管理機制。當(dāng)一個電腦上的動態(tài)內(nèi)存不再需要時，就應(yīng)該予以釋放，以讓出內(nèi)存，這種內(nèi)存資源管理，稱為垃圾回收。我們都知道在C/C++里用戶需要自己管理維護內(nèi)存，自己管理內(nèi)存是很自由，可以隨意申請、釋放內(nèi)存，但是極易會出現(xiàn)內(nèi)存泄露，懸空指針等問題；像現(xiàn)在的高級語言Java，Python等，都采用了垃圾回收機制，自動進行內(nèi)存管理，而垃圾回收機制專注于兩件事：「① 找到內(nèi)存中無用的垃圾資源?！?/strong> 「② 清除這些垃圾資源并把內(nèi)存讓出來給其他對象使用?！?/strong>

Python作為一門解釋型語言，因為簡單易懂的語法，我們可以直接對變量賦值，而不必聲明變量的類型，變量類型的確定、內(nèi)存空間的分配與釋放都是由Python解釋器在運行時自動進行的，我們不必關(guān)心；Python這一自動管理內(nèi)存的功能極大的減少了開發(fā)者的編碼負(fù)擔(dān)，讓開發(fā)者專注于業(yè)務(wù)實現(xiàn)，這也是成就Python自身的重要原因之一。接下來，我們就扒一扒python的內(nèi)存管理。

引用計數(shù)機制

Python中一切皆對象，也就是說，在Python中你用到的一切變量，本質(zhì)上都是類對象。實際上每一個對象的核心就是一個「結(jié)構(gòu)體PyObject」，它的內(nèi)部有一個引用計數(shù)器ob_refcnt，程序在運行的過程中會實時的更新ob_refcnt的值，來反映引用當(dāng)前對象的名稱數(shù)量。當(dāng)某對象的引用計數(shù)值為0,說明這個對象變成了垃圾，那么它會被回收掉，它所用的內(nèi)存也會被立即釋放掉。

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

以下情況是導(dǎo)致引用計數(shù)加一的情況:
對象被創(chuàng)建，例如a=5
對象被引用，b=a
對象被作為參數(shù)，傳入到一個函數(shù)中（要注意的是，在函數(shù)調(diào)用發(fā)生的時候，會產(chǎn)生額外的兩次引用，一次來自函數(shù)棧，另一個是函數(shù)參數(shù)）
對象作為一個元素，存儲在容器中（例如存儲在列表中）

下面的情況則會導(dǎo)致引用計數(shù)減一:
對象別名被顯示銷毀 del a
對象別名被賦予新的對象
一個對象離開它的作用域
對象所在的容器被銷毀或者是從容器中刪除對象

我們還可以通過sys包中的getrefcount()來獲取一個名稱所引用的對象當(dāng)前的引用計數(shù)(注意，這里getrefcount()本身會使得引用計數(shù)加一)

import sys
a = [1, 2, 3]
print(sys.getrefcount(a))# 輸出為2，說明有兩次引用（一次來自a的定義，一次來自getrefcount）def func(a):    print(sys.getrefcount(a))
    # 輸出為4，說明有四次引用（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，說明有兩次引用（一次來自a的定義，一次來自getrefcount），此時函數(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 osimport psutildef 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)前進程的內(nèi)存使用: 12.125 MB
創(chuàng)建a之后 當(dāng)前進程的內(nèi)存使用: 205.15625 MB
結(jié)束 當(dāng)前進程的內(nèi)存使用: 12.87890625 MB

可以看出，當(dāng)前進程初始的內(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。這是因為，函數(shù)內(nèi)部聲明的列表a是局部變量，在函數(shù)返回后，局部變量的引用會注銷掉，此時列表a所指代對象的引用計數(shù)為0，Python 便會執(zhí)行垃圾回收，因此之前占用的大量內(nèi)存就又回來了。

循環(huán)引用

何為循環(huán)引用？簡單來說就是兩個對象相互引用?？聪旅嬉欢纬绦颍?/p>

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)前進程的內(nèi)存使用: 12.14453125 MB
創(chuàng)建a,b之后 當(dāng)前進程的內(nèi)存使用: 396.6875 MB
結(jié)束 當(dāng)前進程的內(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？因為互相引用導(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，又沒有其他垃圾回收機制的情況下，經(jīng)過長時間運行后，程序所占用的內(nèi)存一定會變得越來越大，如果沒有被及時處理，一定會跑滿服務(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()」 來啟動垃圾回收：

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

引用計數(shù)機制有高效、簡單、實時性（一旦為零就直接做掉）等優(yōu)點，一旦一個對象的引用計數(shù)歸零，內(nèi)存就直接釋放了。不用像其他機制等到特定時機。將垃圾回收隨機分配到運行的階段，處理回收內(nèi)存的時間分?jǐn)偟搅似綍r，正常程序的運行比較平穩(wěn)。但是，引用計數(shù)也存在著一些缺點，通常的缺點有：

① 邏輯雖然簡單，但維護起來有些麻煩。每個對象需要分配單獨的空間來統(tǒng)計引用計數(shù)，并且需要對引用計數(shù)進行維護，這是需要消耗一下資源的。
② 循環(huán)引用。這將是引用計數(shù)機制的致命傷，引用計數(shù)對此是無解的，因此必須要使用其它的垃圾回收算法對其進行補充。

事實上，Python 使用標(biāo)記清除（mark-sweep）算法和分代收集（generational），來啟用針對循環(huán)引用的自動垃圾回收。

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」，解決容器對象可能產(chǎn)生的循環(huán)引用問題。(注意，只有容器類對象才有可能產(chǎn)生循環(huán)引用，比如列表、字典、用戶自定義類的對象、元組等。而像數(shù)字，字符串這類簡單類型不會出現(xiàn)循環(huán)引用。作為一種優(yōu)化策略，對于只包含簡單類型的元組也不在標(biāo)記清除算法的考慮之列)
它分為兩個階段：第一階段是標(biāo)記階段，GC會把所有的「活動對象」打上標(biāo)記，第二階段是把那些沒有標(biāo)記的「非活動對象」進行回收。
那么Python又是如何判斷什么樣的對象為非活動對象的呢？
對于任何對象集合，我們先建個引用計數(shù)副本表，來存它們的引用計數(shù)，然后把集合內(nèi)部的引用都解除掉（內(nèi)部引用是指這個集合中的某個對象引用了本集合內(nèi)部的另一個對象），解除的過程中在副本表減少引用計數(shù)，解除掉所有的內(nèi)部引用后，在副本表引用計數(shù)依然不為0的，就是根集合，然后開始標(biāo)記過程，即從跟集合節(jié)點逐步恢復(fù)引用并增加副本表的引用計數(shù)，最后副本表中引用計數(shù)為0的，就是垃圾對象了，我們就需要對它們進行垃圾回收。例如：

上面這個集合中的節(jié)點有外部進來的連接（到a和到b），也有到外部的連接（c引用了外面某個對象），右邊是引用計數(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)開始標(biāo)記并恢復(fù)引用計數(shù)：

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

分代回收

分代回收是一種以空間換時間的操作方式，Python將內(nèi)存根據(jù)對象的存活時間劃分為不同的集合，每個集合稱為一個代，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)。它們對應(yīng)3個鏈表，它們的垃圾收集頻率隨對象的存活時間的增大而減小。
新創(chuàng)建的對象都會分配在年輕代，年輕代鏈表的總數(shù)達到上限時，即當(dāng)垃圾回收器中新增對象減去刪除對象達到相應(yīng)的閾值時，就會對這一代對象啟動垃圾回收，把那些可以被回收的對象回收掉，而那些不會回收的對象就會被移到中年代去，依此類推，老年代中的對象是存活時間最久的對象，甚至是存活于整個系統(tǒng)的生命周期內(nèi)。同時，分代回收是建立在標(biāo)記清除技術(shù)基礎(chǔ)之上。事實上，分代回收基于的思想是，新生的對象更有可能被垃圾回收，而存活更久的對象也有更高的概率繼續(xù)存活。因此，通過這種做法，可以節(jié)約不少計算量，從而提高Python的性能。

看完上述內(nèi)容是否對您有幫助呢？如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章，請關(guān)注億速云行業(yè)資訊頻道，感謝您對億速云的支持。