沒有什麼記憶體問題，是一行Python程式碼解決不了的
記憶體不足是專案開發過程中經常碰到的問題，我和我的團隊在之前的一個專案中也遇到了這個問題，我們的專案需要儲存和處理一個相當大的動態列表，測試人員經常向我抱怨記憶體不足。但是最終，我們通過新增一行簡單的程式碼解決了這個問題。
結果如圖所示：
我將在下面解釋它的工作原理。
舉一個簡單的“learning”示例 - 建立一個DataItem類，在其中定義一些個人資訊屬性，例如姓名，年齡和地址。
class DataItem(object): def __init__(self, name, age, address): self.name = name self.age = age self.address = address
小測試——這樣一個物件會佔用多少記憶體？
首先讓我們嘗試下面這種測試方案：
d1 = DataItem("Alex", 42, "-")
print ("sys.getsizeof(d1):", sys.getsizeof(d1))
答案是56位元組。看起來比較小，結果令人滿意。
但是，讓我們檢查另一個數據多一些的物件：
d2 = DataItem("Boris", 24, "In the middle of nowhere")
print ("sys.getsizeof(d2):", sys.getsizeof(d2))
答案仍然是56。這讓我們明白這個結果並不完全正確。
我們的直覺是對的，這個問題不是那麼簡單。Python是一種非常靈活的語言，具有動態型別，它在工作時儲存了許多額外的資料。這些額外的資料本身就佔了很多記憶體。
例如，sys.getsizeof(“ ”)返回33，沒錯，每個空行就多達33位元組！並且sys.getsizeof（1）將為此數字返回24-24個位元組（我建議C程式員們現在點選結束閱讀，以免對Python的美麗失去信心）。
對於更復雜的元素，例如字典，sys.getsizeof(dict())返回272個位元組，這還只是一個空字典。舉例到此為止，但事實已經很清楚了，何況RAM的製造商也需要出售他們的晶片。
現在，讓我們回到回到我們的DataItem類和“小測試”問題。
這個類到底佔多少記憶體？
首先，我們將以較低級別輸出該類的全部內容：
def dump(obj):
for attr in dir(obj):
print("obj.%s = %r" % (attr, getattr(obj, attr)))
這個函式將顯示隱藏在“隱身衣”下的內容，以便所有Python函式（型別，繼承和其他包）都可以執行。
結果令人印象深刻：
它總共佔用多少記憶體呢？
在GitHub/">GitHub上，有一個函式可以計算實際大小，通過遞迴呼叫所有物件的getsizeof實現。
def get_size(obj, seen=None): # From https://goshippo.com/blog/measure-real-size-any-python-object/ # Recursively finds size of objects size = sys.getsizeof(obj) if seen is None: seen = set() obj_id = id(obj) if obj_id in seen: return 0 # Important mark as seen *before* entering recursion to gracefully handle # self-referential objects seen.add(obj_id) if isinstance(obj, dict): size += sum([get_size(v, seen) for v in obj.values()]) size += sum([get_size(k, seen) for k in obj.keys()]) elif hasattr(obj, '__dict__'): size += get_size(obj.__dict__, seen) elif hasattr(obj, '__iter__') and not isinstance(obj, (str, bytes, bytearray)): size += sum([get_size(i, seen) for i in obj]) return size
讓我們試一下：
d1 = DataItem("Alex", 42, "-")
print ("get_size(d1):", get_size(d1))
d2 = DataItem("Boris", 24, "In the middle of nowhere")
print ("get_size(d2):", get_size(d2))
我們分別得到460和484位元組，這似乎更接近事實。
使用這個函式，我們可以進行一系列實驗。例如，我想知道如果DataItem放在列表中，資料將佔用多少空間。
get_size([d1])函式返回532個位元組，顯然，這些是“原本的”460+一些額外開銷。但是get_size([d1，d2])返回863個位元組—小於460+484。get_size([d1，d2，d1])的結果更加有趣，它產生了871個位元組，只是稍微多了一點，這說明Python很聰明，不會再為同一個物件分配記憶體。
現在我們來看問題的第二部分。
是否有可能減少記憶體消耗？
答案是肯定的。Python是一個直譯器，我們可以隨時擴充套件我們的類，例如，新增一個新欄位：
d1 = DataItem("Alex", 42, "-")
print ("get_size(d1):", get_size(d1))
d1.weight = 66
print ("get_size(d1):", get_size(d1))
這是一個很棒的特點，但是如果我們不需要這個功能，我們可以強制直譯器使用__slots__指令來指定類屬性列表：
class DataItem(object): __slots__ = ['name', 'age', 'address'] def __init__(self, name, age, address): self.name = name self.age = age self.address = address
更多資訊可以參考文件中的“__dict__和__weakref__的部分。使用__dict__所節省的空間可能會很大”。
我們嘗試後發現：get_size（d1）返回的是64位元組，對比460直接，減少約7倍。作為獎勵，物件的建立速度提高了約20％（請參閱文章的第一個螢幕截圖）。
真正使用如此大的記憶體增益不會導致其他開銷成本。只需新增元素即可建立100,000個數組，並檢視記憶體消耗：
data = []
for p in range(100000):
data.append(DataItem("Alex", 42, "middle of nowhere"))
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')
total = sum(stat.size for stat in top_stats)
print("Total allocated size: %.1f MB" % (total / (1024*1024)))
在沒有__slots__的情況結果為16.8MB，而使用__slots__時為6.9MB。當然不是7倍，但考慮到程式碼變化很小，它的表現依然出色。
現在討論一下這種方式的缺點。啟用__slots__會禁止建立其他所有元素，包括__dict__，這意味著，例如，下面這種將結構轉換為json的程式碼將不起作用：
def toJSON(self): return json.dumps(self.__dict__)
但這也很容易搞定，可以通過程式設計方式生成你的dict，遍歷迴圈中的所有元素：
def toJSON(self): data = dict() for var in self.__slots__: data[var] = getattr(self, var) return json.dumps(data)
向類中動態新增新變數也是不可能的，但在我們的專案裡，這不是必需的。
下面是最後一個小測試。來看看整個程式需要多少記憶體。在程式末尾新增一個無限迴圈，使其持續執行，並檢視Windows工作管理員中的記憶體消耗。
沒有__slots__時
69Mb變成27Mb......好吧，畢竟我們節省了記憶體。對於只新增一行程式碼的結果來說已經很好了。
注意：tracemalloc除錯庫使用了大量額外的記憶體。顯然，它為每個建立的物件添加了額外的元素。如果你將其關閉，總記憶體消耗將會少得多，截圖顯示了2個選項：
如何節省更多的記憶體？
可以使用numpy庫，它允許你以C風格建立結構，但在這個的專案中，它需要更深入地改進程式碼，所以對我來說第一種方法就足夠了。
奇怪的是，__slots__的使用從未在Habré上詳細分析過，我希望這篇文章能夠填補這一空白。
結論
這篇文章看起來似乎是反Python的廣告，但它根本不是。Python是非常可靠的（為了“刪除”Python中的程式，你必須非常努力），這是一種易於閱讀和方便編寫的語言。在許多情況下，這些優點遠勝過缺點，但如果你需要效能和效率的最大化，你可以使用numpy庫像C++一樣編寫程式碼，它可以非常快速有效地處理資料。
最後，祝你程式設計愉快！
相關報道： ofollow,noindex" target="_blank">https://medium.com/@alexmaisiura/python-how-to-reduce-memory-consumption-by-half-by-adding-just-one-line-of-code-56be6443d524