Python案例怎么释放无用内存？

wen python案例 2026-06-06 381

本文目录导读：

Python案例怎么释放无用内存？

使用 del 删除对象引用
利用 with 语句自动管理资源
使用生成器替代列表
手动触发垃圾回收
使用 weakref 避免循环引用
优化内存的编码技巧
实际案例：处理大型数据集
使用 memory_profiler 监控内存

在Python中，内存管理是自动进行的，但当你需要主动释放无用内存时,主要有以下几种有效方法：

使用 `del` 删除对象引用

# 创建一个大列表
big_list = [i for i in range(1000000)]
# 使用完后删除引用
del big_list
# 主动触发垃圾回收（可选）
import gc
gc.collect()

利用 `with` 语句自动管理资源

# 处理大文件时自动释放
with open('large_file.txt', 'r') as f:
    data = f.read()
    # 处理数据...
# 文件会自动关闭，内存释放
# 使用内存视图避免复制
import numpy as np
with np.load('large_array.npy', mmap_mode='r') as data:
    # 只读取需要的部分
    subset = data[0:1000]

使用生成器替代列表

# 不好的方式 - 一次性加载到内存
def process_large_file(filename):
    results = []
    with open(filename) as f:
        for line in f:
            results.append(process_line(line))
    return results
# 好的方式 - 使用生成器惰性计算
def process_large_file_gen(filename):
    with open(filename) as f:
        for line in f:
            yield process_line(line)
# 使用时
for result in process_large_file_gen('huge_file.txt'):
    # 每次只处理一个结果
    print(result)

手动触发垃圾回收

import gc
# 查看当前垃圾回收阈值
print(gc.get_threshold())  # (700, 10, 10)
# 手动触发垃圾回收
collected = gc.collect()
print(f"收集了 {collected} 个不可达对象")
# 针对特定代回收（0:年轻代, 1:中年代, 2:老年代）
gc.collect(0)  # 只回收年轻代

使用 `weakref` 避免循环引用

import weakref
class LargeObject:
    def __init__(self, data):
        self.data = data
# 使用弱引用避免循环引用
class Container:
    def __init__(self, obj):
        self.obj_ref = weakref.ref(obj)  # 不增加引用计数
    def get_object(self):
        return self.obj_ref()  # 如果对象已被回收，返回None
# 使用示例
big_obj = LargeObject('x' * 1000000)
container = Container(big_obj)
del big_obj  # 对象会被正确回收

优化内存的编码技巧

# 使用 __slots__ 减少对象内存
class Point:
    __slots__ = ['x', 'y']  # 阻止创建 __dict__
    def __init__(self, x, y):
        self.x = x
        self.y = y
# 使用数组替代列表（对于同类型数据）
import array
numbers = array.array('i', [1, 2, 3, 4, 5])  # 比列表节省内存
# 使用字节串替代字符串
binary_data = b'\x00\x01\x02\x03'  # 比字符串节省内存

实际案例：处理大型数据集

import gc
import psutil
import os
def memory_usage():
    process = psutil.Process(os.getpid())
    return process.memory_info().rss / 1024 / 1024  # MB
def process_large_dataset():
    print(f"初始内存: {memory_usage():.2f} MB")
    # 创建大型数据集
    data = [i for i in range(10000000)]
    print(f"创建数据后: {memory_usage():.2f} MB")
    # 处理数据（分块处理）
    chunk_size = 100000
    for i in range(0, len(data), chunk_size):
        chunk = data[i:i+chunk_size]
        # 处理这一块数据
        processed = [x * 2 for x in chunk]
        # 显式释放中间变量
        del chunk, processed
    # 删除原始数据
    del data
    gc.collect()
    print(f"清理后: {memory_usage():.2f} MB")
process_large_dataset()

使用 `memory_profiler` 监控内存

# 安装: pip install memory_profiler
from memory_profiler import profile
@profile
def memory_intensive_function():
    a = [i for i in range(1000000)]
    b = [i * 2 for i in a]
    del a
    del b
    return "Done"
memory_intensive_function()