👏作者简介：大家好，我是爱敲代码的小王，CSDN博客博主,Python小白
📕系列专栏：python入门到实战、Python爬虫开发、Python办公自动化、Python数据分析、Python前后端开发
📧如果文章知识点有错误的地方，请指正！和大家一起学习，一起进步👀
🔥如果感觉博主的文章还不错的话，请👍三连支持👍一下博主哦
🍂博主正在努力完成2023计划中：以梦为马，扬帆起航，2023追梦人
🔥🔥🔥 python入门到实战专栏：从入门到实战
🔥🔥🔥 Python爬虫开发专栏：从入门到实战
🔥🔥🔥 Python办公自动化专栏：从入门到实战
🔥🔥🔥 Python数据分析专栏：从入门到实战
🔥🔥🔥 Python前后端开发专栏：从入门到实战
目录
内存管理机制
Python缓存机制
垃圾回收机制
分代回收机制
内存管理机制
Python是由C语言开发的，底层操作都是基于C语言实现，Python中创建每个对象，内部都会与C语言结构体维护一些值。
源码下载，https://www.python.org/
将压缩文件减压，可以看到有很多文件，主要关心两个（Include、 Objects） 在Include目录下object.h中可以查看创建对象的结构体。
#define _PyObject_HEAD_EXTRA \struct _object *_ob_next; \struct _object *_ob_prev;
typedef struct _object {_PyObject_HEAD_EXTRAPy_ssize_t ob_refcnt;PyTypeObject *ob_type;
} PyObject;typedef struct {PyObject ob_base;Py_ssize_t ob_size; /* Number of items in variable part */
} PyVarObject;在创建对象时，每个对象至少内部4个值，PyObject结构体(上一个 对象、下一个对象、类型、引用个数)。
有多个元素组成的对象使用PyVarObject，里面由：PyObject结构体(上一个对象、下一个对象、类型、引用个数)+Ob_size(items=元素，元素个数)。
环状双向链表refchain
在python程序中创建的任何对象都会被放在refchain链表中。
类型封装结构体
f = 3.14
'''
内部会创建：
1.开辟内存
2.初始化ob_fval = 3.14 值ob_type = float 类型ob_refcnt = 1 引用数量
3.将对象加入到双向链表refchain中_ob_next = refchain中的上一个对象_ob_prev = refchain中的下一个对象
'''Python缓存机制
小整数对象池
一些整数在程序中的使用非常广泛，Python为了优化速度，使用了小整数对象池， 避免为整数频繁申请和销毁内存空间。
Python 对小整数的定义是 [-5, 257) 这些整数对象是提前建立好的，不会被垃圾回收。在一个 Python 的程序中，所有位于这个范围内的整数使用的都是同一个对象。在一个 Python 的程序中，无论这个整数处于LEGB(局部变量，闭包，全局，内建模块)中的哪个位置， 所有位于这个范围内的整数使用的都是同一个对象。
【示例】验证小整数池
In [8]: a = 100In [9]: id(a)
Out[9]: 140705185112832#删除变量a
In [10]: del aIn [11]: b = 100In [12]: id(b)
Out[12]: 140705185112832大整数对象池
每一个大整数，均创建一个新的对象。
【示例】验证大整数池
In [13]: a = 257In [14]: b = 257In [15]: id(a)
Out[15]: 1747036560496In [16]: id(b)
Out[16]: 1747036558352In [17]: a is b
Out[17]: False
intern机制
每个单词(字符串)，不夹杂空格或者其他符号，默认开启intern机制，共享内存，靠引用计数决定是否销毁。
【示例】intern机制
>>> a = 'helloworld'
>>> b = 'helloworld'
>>> a is b
>>> a = 'hello world'
>>> b = 'hello world'
>>> a is bfree_list机制
当一个对象的引用计数器为0时，按理说应该回收，但内存不会直接回收，而是将对象添加到free_list链表中缓存。以后再去创建对象 时，不再重新开辟内存，而是直接使用free_list。
以上的free_list的代表：float，list，tuple，dict。
>>> f1 = 3.14
>>> id(f1)
2078136427568
>>> del f1
>>> f2 = 9.998
>>> id(f2)
2078136427568f1 = 3.14，会创建float类型，并且加入refchain中。del f1 则减1， refchain移除，按理会进行销毁，但是实际中不会真正销毁，而是 会添加到free_list。以后创建f2=9.998等，只要是float类型，则不会重新开辟内存，会去free_list获取对象，对象内部进行初始化， 替换值3.14换成9.99，再放到refchain中。不是所有的都放入 free_list。例如存储100个缓存，则前面新创建的80个会放入 free_list。如果满了81之后则会销毁。
1、 float类型，维护的free_list链表最多可缓存100个float对象。
#ifndef PyFloat_MAXFREELIST//定义free_list的最大长度
#define PyFloat_MAXFREELIST 100
#endif2、 list类型，维护的free_list数组最多可缓存80个list对象。
#ifndef PyList_MAXFREELIST#define
PyList_MAXFREELIST 80
#endif
【示例】
>>> v1 = [11,22,33]
>>> id(v1)
2078137539904
>>> del v1
>>> v2 = ['a','b']
>>> id(v2)
2078137539904
3、 tuple类型，维护一个free_list数组且数组含量20，数组中元素 可以是链表且每个链表最多可以含钠2000个元组对象。元组的 free_list数据在存储数据时，是根据元组可容纳的个数为索引找 到free_list数组中对应的链表，并添加到链表中。
>>> t1 = (1,2,3)
>>> id(t1)
2078137564992
>>> del t1 #元组的数量是3,所以把这个对象缓存到
free_list[3]的链表中
>>> t2 = ('a','b','c')
#元组的数量也是3，不会重新开辟内存，而是去
free_list[3]对应的链表中拿到一个对象来使用
>>> id(t2)
2078137564992
>>> del t2
>>> t3 = (11,22,33,44)
>>> id(t3)
20781382194724、 dict类型，维护的free_list数组最多可缓存80个dict对象。
#ifndef PyDict_MAXFREELIST#define
PyDict_MAXFREELIST 80
#endif【示例】
>>> d1 = {'name':'zs'}
>>> id(d1)
2078137472640
>>> del d1
>>> d2 = {'age':30}
>>> id(d2)
2078137472640垃圾回收机制
Python 内部采用 引用计数法 ，为每个对象维护引用次数，并据此回收不再需要的垃圾对象。由于引用计数法存在重大缺陷，循环引 用时有内存泄露风险，因此 Python 还采用 标记清除法 来回收存在循环引用的垃圾对象。此外，为了提高垃圾回收( GC )效率，Python 还引入了 分代回收机制 。
引用计数法
Python采用了类似Windows内核对象一样的方式来对内存进行管理。每一个对象，都维护这一个对指向该对对象的引用的计数。
引用计数 是计算机编程语言中的一种 内存管理技术 ，它将资源被引用的次数保存起来，当引用次数变为 0 时就将资源释放。它管理 的资源并不局限于内存，还可以是对象、磁盘空间等等。
Python 也使用引用计数这种方式来管理内存，每个 Python 对象都包含一个公共头部，头部中的 ob_refcnt 字段便用于维护对象被引用 次数。回忆对象模型部分内容，我们知道一个典型的 Python 对象结构如下：
当创建一个对象实例时，先在堆上为对象申请内存，对象的引用计数被初始化为 1 。以 Python 为例，我们创建一个 float 对象保存 6.66，并把它赋值到变量 f ：
>>> f = 6.66
>>> f
6.66
由于此时只有变量 f 引用 float 对象，因此它的引用计数为 1 ：
当我们把 pi 赋值给 f 后，float 对象的引用计数就变成了 2 ，因为现在有两个变量引用它：
>>> ff = f
>>> ff
6.66
我们新建一个 list 对象，并把 float 对象保存在里面。这样一来， float 对象有多了一个来自 list 对象的引用，因此它的引用计数又加 一，变成 3 了：
>>> l = [f]
>>> l
[6.66]
标准库 sys 模块中有一个函数 getrefcount 可以获取对象引用计数：
>>> import sys
>>> sys.getrefcount(pi)
4咦！引用计数不应该是 3 吗？为什么会是 4 呢？由于 float 对象被作为参数传给 getrefcount 函数，它在函数执行过程中作为函数的局部变量存在，创建了一个临时的引用，因此又多了一个引用：
随着 getrefcount 函数执行完毕并返回，它的栈帧对象将从调用链中解开并销毁，这时 float 对象的引用计数也跟着下降。因此，当一个 对象作为参数传个函数后，它的引用计数将加一；当函数返回，局部名字空间销毁后，对象引用计数又减一。
引用计数就这样随着引用关系的变动，不断变化着。当所有引用都消除后，引用计数就降为零，这时 Python 就可以安全地销毁对象， 回收内存了：
>>> del l
>>> del ff
>>> del f
引用计数增加
1、 对象被创建
2 、如果有新的对象使用该对象
3 、作为容器对象的一个元素
4、 被作为参数传递给函数
引用计数减少
1、 对象的引用被显示的销毁
2、 新对象不再使用该对象
3 、对象从列表中被移除，或者列表对象本身被销毁
4 、函数调用结束
引用计数机制的优点
1、简单
2、实时性：一旦没有引用，内存就直接释放了。
引用计数机制的缺点
1、维护引用计数消耗资源
2、循环引用的问题无法解决
a = [1,2]
b = [3,4]
a.append(b) #b的计数器2
b.append(a) #a的计数器2
del a
del b标记-清除
引用计数法能够解决大多数垃圾回收的问题，但是遇到两个对象相互引用的情况，del语句可以减少引用次数，但是引用计数不会归 0，对象也就不会被销毁，从而造成了内存泄漏问题。针对该情况， Python引入了标记-清除机制。
循环引用
引用计数这种管理内存的方式虽然很简单，但是有一个比较大的瑕疵，即它不能很好的解决循环引用问题。如上图所示：对象 A 和对 象 B，相互引用了对方作为自己的成员变量，只有当自己销毁时， 才会将成员变量的引用计数减 1。因为对象 A 的销毁依赖于对象 B 销毁，而对象 B 的销毁与依赖于对象 A 的销毁，这样就造成了我们 称之为循环引用（Reference Cycle）的问题，这两个对象即使在外界已经没有任何指针能够访问到它们了，它们也无法被释放。
class People:pass
class Cat:pass
#创建People的实例对象
p = People()
#创建Dog的实例对象
c = Cat()
#People的宠物属性指向Cat
p.pet = c
#Cat的主人属性指向People
c.master = p
#删除p和c对象
del p
del c上述实例中，对象p中的属性引用c，而对象c中属性同时来引用p， 从而造成仅仅删除p和c对象，也无法释放其内存空间，因为他们依然在被引用。深入解释就是，循环引用后，p和c被引用个数为2， 删除p和c对象后，两者被引用个数变为1，并不是0，而python只有 在检查到一个对象的被引用个数为0时，才会自动释放其内存，所以 这里无法释放p和c的内存空间。
主动思路一般分为两步：垃圾识别 和 垃圾回收 。垃圾对象被识别出来后，回收就只是自然而然的工作了，因此垃圾识别是解决问题的关键。那么，有什么办法可以将垃圾对象识别出来呢？我们来考察一个一般化例子：
这是一个对象引用关系图，其中灰色部分是需要回收但由于循环引用而无法回收的垃圾对象，绿色部分是被程序引用而不能回收的活跃对象。如果我们能够将活跃对象逐个遍历并标记，那么最后没有被标记的对象就是垃圾对象。
遍历活跃对象，第一步需要找出 根对象 ( root object )集合。所谓根对象，就是指被全局引用或者在栈中引用的对象，这部对象是不能被删除的。因此，我们将这部分对象标记为绿色，作为活跃对象遍历的起点。
根对象本身是 可达的 ( reachable )，不能删除；被根对象引用的对象也是可达的，同样不能删除；以此类推。我们从一个根对象出发，沿着引用关系遍历，遍历到的所有对象都是可达的，不能删除。
这样一来，当我们遍历完所有根对象，活跃对象也就全部找出来了：
而没有被标色的对象就是 不可达 ( unreachable )的垃圾对象，可以被安全回收。循环引用的致命缺陷完美解决了！
这就是垃圾回收中常用的 标记清除法 。
【示例】标记清除法
上图中小黑点（变量）表示根节点，从根节点出发，每个对象都有引用和被引用的情况，如果该对象找不到根节点，那么就会被清除，如图1,2,3都有被小黑点（变量）引用，4,5没有变量引用，所以 4,5就会被清除。
分代回收机制
Python 程序启动后，内部可能会创建大量对象。如果每次执行标记清除法时，都需要遍历所有对象，多半会影响程序性能。为此， Python引入分代回收机制——将对象分为若干“代”( generation )， 每次只处理某个代中的对象，因此 GC 卡顿时间更短。
考察对象的生命周期，可以发现一个显著特征：一个对象存活的时间越长，它下一刻被释放的概率就越低。我们应该也有这样的亲身体会：经常在程序中创建一些临时对象，用完即刻释放；而定义为 全局变量的对象则极少释放。
因此，根据对象存活时间，对它们进行划分就是一个不错的选择。 对象存活时间越长，它们被释放的概率越低，可以适当降低回收频率；相反，对象存活时间越短，它们被释放的概率越高，可以适当提高回收频率。
| 对象存活时间 | 释放概率 | 回收频率 |
| 长 | 低 | 低 |
| 短 | 高 | 高 |
Python 内部根据对象存活时间，将对象分为 3 代(见 Include/internal/mem.h )：
#define NUM_GENERATIONS 3随着时间的推进，程序冗余对象逐渐增多，达到一定阈值，系统进行回收。
这 3 个代分别称为：初生代、中生代 以及 老生代。当这 3 个代初始化完毕后，对应的 gc_generation 数组大概是这样的：
import gc
#python 中内置模块gc触发
print(gc.get_threshold()) #查看gc默认值
#输出(700, 10, 10)
第一代链表：
当第一代达到700，就开始检测哪些对象引用计数变成0了，把不是0的放到第二代链表里，此时第一代链表就是空了，当再次达到700 时，就再检测一遍。
第二代链表：
当第二代链表达到10，就检测一次。
第三代链表：
第三代链表检测10之后，第三代链表检测一次。
import gc#返回一个元组，分别获取这三代当前计数
gc.get_count() #返回一个元组，分别获取这三代当前的收集阈值
gc.get_threshold()#设置阈值
gc.set_threshold()#关闭gc垃圾回收机制
gc.disable()
