0. memory_profiler是干嘛的

This is a python module for monitoring memory consumption of a process as well as line-by-line analysis of memory consumption for python programs. It is a pure python module and has the psutil module as optional (but highly recommended) dependencies.

memory_profiler是监控python进程的神器,它可以分析出每一行代码所增减的内存状况。

1. 入门例子

#del3.py

import time
@profile
def my_func():
a = [1] * (10 ** 6)
b = [2] * (2 * 10 ** 7)
time.sleep(10)
del b
del a
print "+++++++++" if __name__ == '__main__':
my_func()

结果

$python -m memory_profiler del3.py
+++++++++
Filename: del3.py Line # Mem usage Increment Line Contents
================================================
2 10.293 MiB 0.000 MiB @profile
3 def my_func():
4 17.934 MiB 7.641 MiB a = [1] * (10 ** 6)
5 170.523 MiB 152.590 MiB b = [2] * (2 * 10 ** 7)
6 170.527 MiB 0.004 MiB time.sleep(10)
7 17.938 MiB -152.590 MiB del b
8 10.305 MiB -7.633 MiB del a
9 10.309 MiB 0.004 MiB print "+++++++++"

代码执行一遍,然后给出具体代码在某一步占用的内存,通过内存加减可以看出某个对象的大小。

2. 对象不删除,直接赋值内存是否会继续增长

#对比1

@profile
def my_func():
a = 'a' * 1024 * 1024 * 1024;
a = 'a' * 1024 * 1024
a = 'a' * 1024
del a
print "+++++++++" if __name__ == '__main__':
my_func()

结果

Line #    Mem usage    Increment   Line Contents
================================================
1 10.293 MiB 0.000 MiB @profile
2 def my_func():
3 1034.301 MiB 1024.008 MiB a = 'a' * 1024 * 1024 * 1024;
4 11.285 MiB -1023.016 MiB a = 'a' * 1024 * 1024
5 11.285 MiB 0.000 MiB a = 'a' * 1024
6 11.285 MiB 0.000 MiB del a
7 11.289 MiB 0.004 MiB print "+++++++++"

#对比2

@profile
def my_func():
a = 'a' * 1024 * 1024 * 1024;
del a
a = 'a' * 1024 * 1024
del a
a = 'a' * 1024
del a
print "+++++++++" if __name__ == '__main__':
my_func()

结果

Line #    Mem usage    Increment   Line Contents
================================================
1 10.293 MiB 0.000 MiB @profile
2 def my_func():
3 1034.301 MiB 1024.008 MiB a = 'a' * 1024 * 1024 * 1024;
4 10.297 MiB -1024.004 MiB del a
5 11.285 MiB 0.988 MiB a = 'a' * 1024 * 1024
6 11.285 MiB 0.000 MiB del a
7 11.285 MiB 0.000 MiB a = 'a' * 1024
8 11.285 MiB 0.000 MiB del a
9 11.289 MiB 0.004 MiB print "+++++++++"

结论:是否 del对象没有影响,新赋的值会替代旧的值

3. 对象赋值是否会增加同样的内存

#对比1

@profile
def my_func():
a = 'a' * 1024 * 1024 * 1024;
b = a
del a
print "+++++++++" if __name__ == '__main__':
my_func()

结果

Line #    Mem usage    Increment   Line Contents
================================================
1 10.293 MiB 0.000 MiB @profile
2 def my_func():
3 1034.301 MiB 1024.008 MiB a = 'a' * 1024 * 1024 * 1024;
4 1034.301 MiB 0.000 MiB b = a
5 1034.301 MiB 0.000 MiB del a
6 1034.305 MiB 0.004 MiB print "+++++++++"

#对比2

@profile
def my_func():
a = 'a' * 1024 * 1024 * 1024;
b = a
del a
del b
print "+++++++++" if __name__ == '__main__':
my_func()

结果

Line #    Mem usage    Increment   Line Contents
================================================
1 10.297 MiB 0.000 MiB @profile
2 def my_func():
3 1034.305 MiB 1024.008 MiB a = 'a' * 1024 * 1024 * 1024;
4 1034.305 MiB 0.000 MiB b = a
5 1034.305 MiB 0.000 MiB del a
6 10.301 MiB -1024.004 MiB del b
7 10.305 MiB 0.004 MiB print "+++++++++"

结论,把a赋值给b,内存没有增加。但是只删除其中一个对象的时候,内存不会减。

4. 另一种等价的启动方式

from memory_profiler import profile
@profile(precision=4)
def my_func():
a = 'a' * 1024 * 1024 * 1024;
del a
a = 'a' * 1024 * 1024
del a
a = 'a' * 1024
del a
print "+++++++++" if __name__ == '__main__':
my_func()

结果

$python -m memory_profiler del3.py
+++++++++
Filename: del3.py Line # Mem usage Increment Line Contents
================================================
2 10.3867 MiB 0.0000 MiB @profile(precision=4)
3 def my_func():
4 1034.3945 MiB 1024.0078 MiB a = 'a' * 1024 * 1024 * 1024;
5 10.3906 MiB -1024.0039 MiB del a
6 11.3789 MiB 0.9883 MiB a = 'a' * 1024 * 1024
7 11.3789 MiB 0.0000 MiB del a
8 11.3789 MiB 0.0000 MiB a = 'a' * 1024
9 11.3789 MiB 0.0000 MiB del a
10 11.3828 MiB 0.0039 MiB print "+++++++++"

5. 非python内置对象例子

from memory_profiler import profile
import networkx as nx @profile(precision=4)
def my_func():
a = 'a' * 1024 * 1024 * 1024;
del a
G = nx.Graph()
G.add_node(1)
G.add_nodes_from([i for i in range(10000)])
G.add_nodes_from([i for i in range(10000, 20000)])
G.add_edges_from([(1,2), (1,4), (2, 9), (4, 1), (3, 8)])
del G
print "++++++" if __name__ == '__main__':
my_func()

结果

$python del3.py
++++++
Filename: del3.py Line # Mem usage Increment Line Contents
================================================
4 23.4844 MiB 0.0000 MiB @profile(precision=4)
5 def my_func():
6 1047.4922 MiB 1024.0078 MiB a = 'a' * 1024 * 1024 * 1024;
7 23.4883 MiB -1024.0039 MiB del a
8 23.4883 MiB 0.0000 MiB G = nx.Graph()
9 23.4883 MiB 0.0000 MiB G.add_node(1)
10 31.3359 MiB 7.8477 MiB G.add_nodes_from([i for i in range(10000)])
11 36.9219 MiB 5.5859 MiB G.add_nodes_from([i for i in range(10000, 20000)])
12 36.9219 MiB 0.0000 MiB G.add_edges_from([(1,2), (1,4), (2, 9), (4, 1), (3, 8)])
13 25.9219 MiB -11.0000 MiB del G
14 25.9258 MiB 0.0039 MiB print "++++++"

6. 类怎么使用呢

#del4.py

from memory_profiler import profile

class people:
name = ''
age = 0
__weight = 0 def __init__(self,n,a,w):
self.name = n
self.age = a
self.__weight = w @profile(precision=4)
def speak(self):
a = 'a' * 1024
b = 'b' * 1024 * 1024
print("%s is speaking: I am %d years old" % (self.name,self.age)) if __name__ == '__main__':
p = people('tom', 10, 30)
p.speak()

结果

$python del4.py
tom is speaking: I am 10 years old
Filename: del4.py Line # Mem usage Increment Line Contents
================================================
13 9.4219 MiB 0.0000 MiB @profile(precision=4)
14 def speak(self):
15 9.4258 MiB 0.0039 MiB a = 'a' * 1024
16 10.4297 MiB 1.0039 MiB b = 'b' * 1024 * 1024
17 10.4336 MiB 0.0039 MiB print("%s is speaking: I am %d years old" % (self.name,self.age))

7. 随时间内存统计

#test.py

import time

@profile
def test1():
n = 10000
a = [1] * n
time.sleep(1)
return a @profile
def test2():
n = 100000
b = [1] * n
time.sleep(1)
return b if __name__ == "__main__":
test1()
test2()

test.py 里有两个两个待分析的函数(@profile标识),为了形象地看出内存随时间的变化,每个函数内sleep 1s,执行

mprof run test.py

如果执行成功,结果这样

$ mprof run test.py
mprof: Sampling memory every 0.1s
running as a Python program...

结果会生成一个.dat文件,如"mprofile_20160716170529.dat",里面记录了内存随时间的变化,可用下面的命令以图片的形式展示出来:

mprof plot

8. API

memory_profiler提供很多包给第三方代码,如

>>> from memory_profiler import memory_usage
>>> mem_usage = memory_usage(-1, interval=.2, timeout=1)
>>> print(mem_usage)
[7.296875, 7.296875, 7.296875, 7.296875, 7.296875]

memory_usage(proc=-1, interval=.2, timeout=None)返回一段时间的内存值,其中proc=-1表示此进程,这里可以指定特定的进程号;interval=.2表示监控的时间间隔是0.2秒;timeout=1表示总共的时间段为1秒。那结果就返回5个值。

如果要返回一个函数的内存消耗,示例

def f(a, n=100):
import time
time.sleep(2)
b = [a] * n
time.sleep(1)
return b from memory_profiler import memory_usage
print memory_usage((f, (2,), {'n' : int(1e6)}))

这里执行了 f(1, n=int(1e6)) ,并返回在执行此函数时的内存消耗。

9. 优化实例

对比str & int

from datetime import datetime
@profile
def my_func():
beg = datetime.now()
a = {}
for i in range():
a[i] = i
#a[str(i)] = i
print "+++++++++"
del a
print "+++++++++"
end = datetime.now()
print "time:", end - beg if __name__ == '__main__':
my_func()

用a[i] = i,结果

+++++++++
+++++++++
time: 0:06:14.790899
Filename: int.py Line # Mem usage Increment Line Contents
================================================
2 14.727 MiB 0.000 MiB @profile
3 def my_func():
4 14.734 MiB 0.008 MiB beg = datetime.now()
5 14.734 MiB 0.000 MiB a = {}
6 94.031 MiB 79.297 MiB for i in range(1000000):
7 94.031 MiB 0.000 MiB a[i] = i
8 #a[str(i)] = i
9 86.402 MiB -7.629 MiB print "+++++++++"
10 38.398 MiB -48.004 MiB del a
11 38.398 MiB 0.000 MiB print "+++++++++"
12 38.398 MiB 0.000 MiB end = datetime.now()
13 38.406 MiB 0.008 MiB print "time:", end - beg

用a[str(i)] = i,结果

+++++++++
+++++++++
time: 0:06:00.288052
Filename: int.py Line # Mem usage Increment Line Contents
================================================
2 14.723 MiB 0.000 MiB @profile
3 def my_func():
4 14.730 MiB 0.008 MiB beg = datetime.now()
5 14.730 MiB 0.000 MiB a = {}
6 140.500 MiB 125.770 MiB for i in range(1000000):
7 #a[i] = i
8 140.500 MiB 0.000 MiB a[str(i)] = i
9 132.871 MiB -7.629 MiB print "+++++++++"
10 38.539 MiB -94.332 MiB del a
11 38.539 MiB 0.000 MiB print "+++++++++"
12 38.539 MiB 0.000 MiB end = datetime.now()
13 38.547 MiB 0.008 MiB print "time:", end - beg

python 内存监控模块之memory_profiler的更多相关文章

  1. python内存管理机制

    主要分为三部分: (1)内存池机制(2)引用计数(3)垃圾回收 (1)内存池机制对于python来说,对象的类型和内存都是在运行时确定的,所以python对象都是动态类型简单来说,python内存分为 ...

  2. 解读Python内存管理机制

    转自:http://developer.51cto.com/art/201007/213585.htm 内存管理,对于Python这样的动态语言,是至关重要的一部分,它在很大程度上甚至决定了Pytho ...

  3. 转发:[Python]内存管理

    本文为转发,原地址为:http://chenrudan.github.io/blog/2016/04/23/pythonmemorycontrol.html 本文主要为了解释清楚python的内存管理 ...

  4. python 内存泄露的诊断 - 独立思考 - ITeye技术网站

    python 内存泄露的诊断 - 独立思考 - ITeye技术网站 python 内存泄露的诊断 博客分类: 编程语言: Python Python多线程Blog.net  对于一个用 python ...

  5. Python内存优化

    实际项目中,pythoner更加关注的是Python的性能问题,之前也写过一篇文章<Python性能优化>介绍Python性能优化的一些方法.而本文,关注的是Python的内存优化,一般说 ...

  6. 使用gc、objgraph干掉python内存泄露与循环引用!

    Python使用引用计数和垃圾回收来做内存管理,前面也写过一遍文章<Python内存优化>,介绍了在python中,如何profile内存使用情况,并做出相应的优化.本文介绍两个更致命的问 ...

  7. python 内存NoSQL数据库

    python 内存NoSQL数据库 来自于网络,经过修改,秉承Open Source精神,回馈网络! #!/usr/bin/python #-*- coding: UTF-8 -*- # # memd ...

  8. [转] 使用gc && objgraph 优化python内存

    转自https://www.cnblogs.com/xybaby/p/7491656.html 使用gc.objgraph干掉python内存泄露与循环引用!   目录 一分钟版本 python内存管 ...

  9. Python内存优化:Profile,slots,compact dict

    实际项目中,pythoner更加关注的是Python的性能问题,之前也写过一篇文章<Python性能优化>介绍Python性能优化的一些方法.而本文,关注的是Python的内存优化,一般说 ...

随机推荐

  1. OC学习笔记——类别(Category)

    类别,有些程序员又称之为分类. 类别是一种为现有的类添加新方法的方式,尤其是为系统的做扩展的时候,不用继承系统类,可以直接为类添加新的方法.也可以覆盖系统类的方法. 如: @interface NSO ...

  2. Uncaught RangeError: Maximum call stack size exceeded解决思路

    今天突然碰到这样的JavaScript错误:Uncaught RangeError: Maximum call stack size exceeded 这个翻译过来就是堆栈溢出了. 1.原因:有小类到 ...

  3. Vertex Fetch Texture (VTF)

    http://www.opengl.org/wiki/Vertex_Texture_Fetch Vertex Texture Fetch     This article contains inacc ...

  4. 在xml中使用图片资源时,设置重复图片而不是拉伸平铺

    直接把图片放入xml中时,默认会拉伸图片填充.而用下面的方法则可以实现重复图片 <?xml version="1.0" encoding="utf-8"? ...

  5. 西秦的ACE-Python教程 一、Python本地开发环境部署

    西秦的ACE-Python教程 一.Python本地开发环境部署       西秦 级别: 论坛版主 发帖 1357 云币 2782 加关注 写私信   只看楼主 更多操作楼主  发表于: 10-10 ...

  6. Ext.net

    .FileTypeName=="附件")                 {                      command.text="上传";   ...

  7. ajax参数传递时中文乱码问题

    ajax传递参数时,一般就是js向程序页面传递和程序向js文件传递两种情况,当出现中文汉字时,会出现乱码. 因为存在上述两种情况,所以解决起来也要分开对待. 这里是php系统中遇到的问题,所以以php ...

  8. What's Assembly - CSharp - Editor - first pass.dll? Best How to Fix Assembly - CSharp - Editor - first pass.dll Error Guide

    If you've found yourself here, I'm guessing that you're getting Assembly - CSharp - Editor - first p ...

  9. fatal error C1189: #error : WINDOWS.H already included. MFC apps must not #include <windows.h>

    给对话框添加类, 报错 CalibrateMFCDlg.h(6) : error C2504: “CDialog”: 未定义基类 等多个错误 加上 #include "afxwin.h&qu ...

  10. nrf51822裸机教程-GPIO

    首先看看一下相关的寄存器说明 Out寄存器 输出设置寄存器 每个比特按顺序对应每个引脚,bit0对应的就是 引脚0 该寄存器用来设置 引脚作为输出的时候的 输出电平为高还是低. 与输出设置相关的 还有 ...