如何优化Python占用的内存

概述

如果程序处理的数据比较多、比较复杂，那么在程序运行的时候，会占用大量的内存，当内存占用到达一定的数值，程序就有可能被操作系统终止，特别是在限制程序所使用的内存大小的场景，更容易发生问题。下面我就给出几个优化Python占用内存的几个方法。

说明：以下代码运行在Python3。

举个栗子

我们举个简单的场景，使用Python存储一个三维坐标数据，x,y,z。

Dict

使用Python内置的数据结构Dict来实现上述例子的需求很简单。

1
2
3

>>> ob = {'x':1, 'y':2, 'z':3}
>>> x = ob['x']
>>> ob['y'] = y

查看以下ob这个对象占用的内存大小：

1 2	>>> print(sys.getsizeof(ob)) 240

简单的三个整数，占用的内存还真不少，想象以下，如果有大量的这样的数据要存储，会占用更大的内存。

数据量	占用内存大小
1 000 000	240 Mb
10 000 000	2.40 Gb
100 000 000	24 Gb

Class

对于喜欢面向对象编程的程序员来说，更喜欢把数据包在一个class里。使用class使用同样需求：

class Point:
    #
    def __init__(self, x, y, z):
        self.x = x
        self.y = y
        self.z = z

>>> ob = Point(1,2,3)

class的数据结构和Dict区别就很大了，我们来看看这种情况下占用内存的情况：

字段	占用内存
PyGC_Head	24
PyObject_HEAD	16
__weakref__	8
__dict__	8
TOTAL	56

关于 __weakref__（弱引用）可以查看这个文档，　对象的dict中存储了一些self.xxx的一些东西。从Python 3.3开始，key使用了共享内存存储，减少了RAM中实例跟踪的大小。

1 2	>>> print(sys.getsizeof(ob), sys.getsizeof(ob.__dict__)) 56 112

数据量	占用内存
1 000 000	168 Mb
10 000 000	1.68 Gb
100 000 000	16.8 Gb

可以看到内存占用量，class比dict少了一些，但这远远不够。

slots

从class的内存占用分布上，我们可以发现，通过消除dict和_weakref__，可以显着减少RAM中类实例的大小，我们可以通过使用slots来达到这个目的。

class Point:
    __slots__ = 'x', 'y', 'z'

    def __init__(self, x, y, z):
        self.x = x
        self.y = y
        self.z = z

>>> ob = Point(1,2,3)
>>> print(sys.getsizeof(ob))
64

可以看到内存占用显著的减少了

字段	内存占用
PyGC_Head	24
PyObject_HEAD	16
x	8
y	8
z	8
TOTAL	64

数据量	占用内存
1 000 000	64Mb
10 000 000	640Mb
100 000 000	6.4Gb

默认情况下,Python的新式类和经典类的实例都有一个dict来存储实例的属性。这在一般情况下还不错，而且非常灵活，乃至在程序中可以随意设置新的属性。但是，对一些在”编译”前就知道有几个固定属性的小class来说，这个dict就有点浪费内存了。

当需要创建大量实例的时候，这个问题变得尤为突出。一种解决方法是在新式类中定义一个slots属性。

slots声明中包含若干实例变量，并为每个实例预留恰好足够的空间来保存每个变量；这样Python就不会再使用dict，从而节省空间。

那么用slot就是非非常那个有必要吗？使用slots也是有副作用的：

每个继承的子类都要重新定义一遍slots
实例只能包含哪些在slots定义的属性，这对写程序的灵活性有影响，比如你由于某个原因新网给instance设置一个新的属性，比如instance.a = 1, 但是由于a不在slots里面就直接报错了，你得不断地去修改slots或者用其他方法迂回的解决
实例不能有弱引用（weakref）目标，否则要记得把weakref放进slots

最后，namedlist和attrs提供了自动创建带slot的类，感兴趣的可以试试看。

Tuple

Python还有一个内置类型元组，用于表示不可变数据结构。元组是固定的结构或记录，但没有字段名称。对于字段访问，使用字段索引。在创建元组实例时，元组字段一次性与值对象关联：

1
2
3

>>> ob = (1,2,3)
>>> x = ob[0]
>>> ob[1] = y # ERROR

元组的示例很简洁：

1 2	>>> print(sys.getsizeof(ob)) 72

可以看只比slot多8byte：

字段	占用内存(bytes)
PyGC_Head	24
PyObject_HEAD	16
ob_size	8
[0]	8
[1]	8
[2]	8
TOTAL	72

Namedtuple

通过namedtuple我们也可以实现通过key值来访问tuple里的元素：

1	Point = namedtuple('Point', ('x', 'y', 'z'))

它创建了一个元组的子类，其中定义了用于按名称访问字段的描述符。对于我们的例子，它看起来像这样:

class Point(tuple):
     #
     @property
     def _get_x(self):
         return self[0]
     @property
     def _get_y(self):
         return self[1]
     @property
     def _get_y(self):
         return self[2]
     #
     def __new__(cls, x, y, z):
         return tuple.__new__(cls, (x, y, z))

此类的所有实例都具有与元组相同的内存占用。大量实例会留下稍大的内存占用：

数据量	内存占用
1 000 000	72 Mb
10 000 000	720 Mb
100 000 000	7.2 Gb

Recordclass

python的第三方库recordclassd提供了一个数据结构recordclass.mutabletuple，它几乎和内置tuple数据结构一致，但是占用更少的内存。

1 2	>>> Point = recordclass('Point', ('x', 'y', 'z')) >>> ob = Point(1, 2, 3)

实例化以后，只少了PyGC_Head:

字段	占用内存
PyObject_HEAD	16
ob_size	8
x	8
y	8
y	8
TOTAL	48

到此，我们可以看到，和slot比，又进一步缩小了内存占用：

数据量	内存占用
1 000 000	48 Mb
10 000 000	480 Mb
100 000 000	4.8 Gb

Dataobject

recordclass提供了另外一个解决方法：在内存中使用与slots类相同的存储结构，但不参与循环垃圾收集机制。通过recordclass.make_dataclass可以创建出这样的实例：

1	>>> Point = make_dataclass('Point', ('x', 'y', 'z'))

另外一个方法是继承自dataobject

class Point(dataobject):
    x:int
    y:int
    z:int

以这种方式创建的类将创建不参与循环垃圾收集机制的实例。内存中实例的结构与slots的情况相同，但没有PyGC_Head：

字段	内存占用(bytes)
PyObject_HEAD	16
x	8
y	8
y	8
TOTAL	40

1
2
3

>>> ob = Point(1,2,3)
>>> print(sys.getsizeof(ob))
40

要访问这些字段，还使用特殊描述符通过其从对象开头的偏移量来访问字段，这些对象位于类字典中：

mappingproxy({'__new__': <staticmethod at 0x7f203c4e6be0>,
              .......................................
              'x': <recordclass.dataobject.dataslotgetset at 0x7f203c55c690>,
              'y': <recordclass.dataobject.dataslotgetset at 0x7f203c55c670>,
              'z': <recordclass.dataobject.dataslotgetset at 0x7f203c55c410>})

数据量	内存占用
1 000 000	40 Mb
10 000 000	400 Mb
100 000 000	4.0 Gb

Cython

有一种方法基于Cython的使用。它的优点是字段可以采用C语言原子类型的值。例如：

cdef class Python:
    cdef public int x, y, z

 def __init__(self, x, y, z):
      self.x = x
      self.y = y
      self.z = z

这种情况下，占用的内存更小：

1
2
3

>>> ob = Point(1,2,3)
>>> print(sys.getsizeof(ob))
32

内存结构分布如下:

字段	内存占用(bytes)
PyObject_HEAD	16
x	4
y	4
y	4
пусто	4
TOTAL	32

数据量	内存占用
1 000 000	32 Mb
10 000 000	320 Mb
100 000 000	3.2 Gb

但是，从Python代码访问时，每次都会执行从int到Python对象的转换，反之亦然。

Numpy

在纯Python的环境中，使用Numpy能带来更好的效果，例如:

1	>>> Point = numpy.dtype(('x', numpy.int32), ('y', numpy.int32), ('z', numpy.int32)])

创建初始值是0的数组：

1	>>> points = numpy.zeros(N, dtype=Point)

数据量	内存占用
1 000 000	12 Mb
10 000 000	120 Mb
100 000 000	1.2 Gb

最后

可以看出，在Python性能优化这方面，还是有很多事情可以做的。Python提供了方便的同时，也需要暂用较多的资源。在不通的场景下，我需要选择不同的处理方法，以便带来更好的性能体验。