面试官：听说你学 Python？那你给我讲讲 Python 如何进行内存管理？

我：？？？内存管理不太清楚额。。。

面试官：那你知道 Python 垃圾回收吗？

我：（尴尬一下后，还好我看到过相关博客）Python 垃圾回收引用计数为主、标记清除和分代回收为主。

面试官：那你仔细讲讲这三种垃圾回收技术？

我：卒。。。

内存的管理简单来说：分配（malloc）+回收（free）。

再我们看文章之前，先思考一下：如果是你设计，会怎么进行内存管理？答：好，不会设计（笔主也不会），会的大佬请绕过。我们一起了解看看 Python 是怎么设计的。为了提高效率就是：

• 如何高效分配？

• 如何有效回收？

什么是内存

买电脑的配置“4G + 500G / 1T”，这里的 4G 就是指电脑的内存容量，而电脑的硬盘 500G / 1T。

内存（Memory，全名指内部存储器），自然就会想到外存，他们都硬件设备。

内存是计算机中重要的部件之一，它是外存与 CPU 进行沟通的桥梁。计算机中所有程序的运行都是在内存中进行的，因此内存的性能对计算机的影响非常大。

内存就像一本空白的书

首先，您可以将计算机的存储空间比作一本空白的短篇小说。页面上还没有任何内容。最终，会有不同的作者出现。每个作者都需要一些空间来写他们的故事。

由于不允许彼此书写，因此必须注意他们能书写的页面。开始书写之前，请先咨询书籍管理员。然后，管理员决定允许他们在书中写什么。

如果这书已经存在很长时间了，因此其中的许多故事都不再适用。当没有人阅读或引用故事时，它们将被删除以为新故事腾出空间。

本质上，计算机内存就像一本空书。实际上，调用固定长度的连续内存页面块是很常见的，因此这种类比非常适用。

作者就像需要将数据存储在内存中的不同应用程序或进程。决定作者在书中书写位置的管理员就像是各种存储器管理的角色，删除旧故事为新故事腾出空间的人是垃圾收集者（garbage collector）。

以上类比出自此文

内存管理：从硬件到软件

为什么 4G 内存的电脑可以高效的分析上 G 的数据，而且程序可以一直跑下去。

在这 4G 内存的背后，Python 都帮助我们做了什么？

内存管理是应用程序读取和写入数据的过程。内存管理器确定将应用程序数据放置在何处。

由于内存有限，类比书中的页面一样，管理员必须找到一些可用空间并将其提供给应用程序。提供内存的过程通常称为内存分配。

其实如果我们了解内存管理机制，以更快、更好的方式解决问题。

看完本篇文章，带您稍微了解 Python 内存管理的设计哲学。

对象管理

可能我们听过，Python 鼎鼎有名的那句“一切皆对象”。是的，在 Python 中数字是对象，字符串是对象，任何事物都是对象，Cpython 下，而 Python 对象实现的核心就是一个结构体--PyObject。

typedef struct_object{
　　int ob_refcnt;
　　struct_typeobject *ob_type;
}PyObject;

PyObject 是每个对象必有的内容，可以说是 Python 中所有对象的祖父，仅包含两件事：

• ob_refcnt：引用计数（reference count）

• ob_type：指向另一种类型的指针(pointer to another type)

所以，所以 CPython 是用 C 编写的，它解释了 Python 字节码。这与内存管理有什么关系？

好吧，C 中的 CPython 代码中存在内存管理算法和结构。要了解 Python 的内存管理，您必须对 CPython 本身有一个基本的了解。其他我们也不深究，感兴趣的同学自行了解。

CPython 的内存管理

注：这一块内容在网上找了很多内容，看了好久也没懂，自己太菜。唯一看懂的就是 Alexander VanTol 的文章相关部分内容，搬运过来哦放在此处，有删减，有兴趣的同学建议看原文。

下图的深灰色框现在归 Python 进程所有。

Python 将部分内存用于内部使用和非对象内存。另一部分专用于对象存储（您的 int，dict 等）。请注意，这已被简化。如果您需要全貌，则可以看 CPython 源代码，所有这些内存管理都在其中进行。

CPython 有一个对象分配器，负责在对象内存区域内分配内存。这个对象分配器是大多数魔术发生的地方。每当新对象需要分配或删除空间时，都会调用该方法。

通常，为 list 和 int 等 Python 对象添加和删除数据一次不会涉及太多数据。因此，分配器的设计已调整为可以一次处理少量数据。它还尝试在绝对需要之前不分配内存。

现在，我们来看一下 CPython 的内存分配策略。首先，我们将讨论这三个主要部分以及它们之间的关系。

Python 的内存分配器

内存结构

在 Python 中，当要分配内存空间时，不单纯使用 malloc/free，而是在其基础上堆放 3 个独立的分层，有效率地进行分配。

第 0 层往下是 OS 的功能。第 -2 层是隐含和机器的物理性相关联的部分，OS 的虚拟内 存管理器负责这部分功能。第 -1 层是与机器实际进行交互的部分，OS 会执行这部分功能。 因为这部分的知识已经超出了本书的范围，我们就不额外加以说明了。在第 3 层到第 0 层调用了一些具有代表性的函数，其调用图如下。

第 0 层 通用的基础分配器

以 Linux 为例，第 0 层指的就是 glibc 的 malloc() 这样的分配器，是对 Linux 等 OS 申 请内存的部分。

Python 中并不是在生成所有对象时都调用 malloc()，而是根据要分配的内存大小来改 变分配的方法。申请的内存大小如果大于 256 字节，就老实地调用 malloc();如果小于等 于 256 字节，就要轮到第 1 层和第 2 层出场了。

更细致的过程：垃圾回收机制的算法与实现

第 1 层 Python 低级内存分配器

Python 中使用的对象基本上都小于等于 256 字节，并且净是一些马上就会被废弃的对象。请看下面的例子。

for x in range(100):  print(x)

上述 Python 脚本是把从 0 到 99 的非负整数 A 转化成字符串并输出的程序。这个程序会大量使用一次性的小字符串。

在这种情况下，如果逐次查询第 0 层的分配器，就会发生频繁调用 malloc() 和 free() 的情况，这样一来效率就会降低。

因此，在分配非常小的对象时，Python 内部会采用特殊的处理。实际执行这项处理的就是第 1 层和第 2 层的内存分配器。

当需要分配小于等于 256 字节的对象时，就利用第 1 层的内存分配器。在这一层会事先 从第 0 层开始迅速保留内存空间，将其蓄积起来。第 1 层的作用就是管理这部分蓄积的空间。

第 1 层处理的信息的内存结构

根据所管理的内存空间的作用和大小的不同，我们称最小 的单位为 block，最终返回给申请者的就是这个 block 的地址。比 block 大的单位的是 pool， pool 内部包含 block。pool 再往上叫作 arena。

也就是说 arena > pool > block，感觉很像俄罗斯套娃吧。为了避免频繁调用 malloc() 和 free()，第 0 层的分配器会以最大的单位 arena 来保留 内存。pool 是用于有效管理空的 block 的单位。arena 这个词有“竞技场”的意思。大家可以理解成竞技场里有很多个 pool，pool 里面漂 浮着很多个 block，这样或许更容易理解一些。

arena

Arenas 是最大的内存块，并在内存中的页面边界上对齐。页面边界是操作系统使用的固定长度连续内存块的边缘。Python 假设系统的页面大小为 256 KB。

Arenas 内有内存池，池是一个虚拟内存页（4 KB）。这些就像我们书中类比的页面。这些池被分成较小的内存块。

给定池中的所有块均具有相同的“大小等级”。给定一定数量的请求数据，大小类定义特定的块大小。下图直接取自源代码注释：

这一点可以看Pymalloc

• 针对小对象(<= 512 bytes)，Pymalloc 会在内存池中申请内存空间

• > 512bytes,则会 PyMem_RawMalloc()和 PyMem_RawRealloc()来申请新的内存空间

例如，如果请求 42 个字节，则将数据放入 48 字节大小的块中。

pool

arena 内部各个 pool 的大小固定在 4K 字节。因为几乎对所有 OS 而言，其虚拟内存的页 面大小都是 4K 字节，所以我们也相应地把 pool 的大小设定为 4K 字节。

第 1 层总结

第 1 层的任务可以用一句话来总结，那就是“管理 arena”。

第 2 层 Python 对象分配器

第 2 层的分配器负责管理 pool 内的 block。这一层实际上是将 block 的开头地址返回给申请者，并释放 block 等。 那么我们来看看这一层是如何管理 block 的吧。

block

pool 被分割成一个个的 block。我们在 Python 中生成对象时，最终都会被分配这个 block (在要求大小不大于 256 字节的情况下)。以 block 为单位来划分，这是从 pool 初始化时就决定好的。这是因为我们一开始利用 pool 的时候就决定了“这是供 8 字节的 block 使用的 pool”。pool 内被 block 完全填满了，那么 pool 是怎么进行 block 的状态管理的呢?block 只有以下三种状态。

1. 已经分配

2. 使用完毕

3. 未使用

第 3 层 对象特有的分配器

对象有列表和元组等多种多样的型，在生成它们的时候要使用各自特有的分配器。

分配器的总结

赋值语句内存分析

我们可以通过使用id()函数来查看某个对象的内存地址，每个人的电脑内存地址不一样。

a = 1id(a)  # Output: 4566652048b = 2id(b)   # Output: 4566652080
c = 8id(c)  # Output: 4566652272d = 8id(d)  # Output: 4566652272

使用 ==来查看对象的值是否相等，is判断对象是否是同一个对象

c == d  # Output: Truec is d  # Output: True
e = 888888888id(e)  # Output: 4569828784f = 888888888id(f)  # Output: 4569828880e == f  # Output: Truee is f  # Output: False

解释：我们可以看到，

• c == d输出 True 和 c is d也输出 True，这是因为，对一个小一点的 int 变量赋值，Python 在内存池（Pool）中分配给 c 和 d 同一块内存地址,

• 而e == f为 True，值相同；e is f输出 False，并不少同一个对象。

这是因为 Python 内存池中分配空间，赋予对象的类别并赋予其初始的值。从-5 到 256 这些小的整数，在 Python 脚本中使用的非常频繁，又因为他们是不可更改的，因此只创建一次，重复使用就可以了。

e 和 f 数字比较大，所以只能重新分配地址来。其实-5 到 256 之间的数字，Python 都已经给我安排好了。

>>> i = 256>>> j = 256>>> i is jTrue>>> i = 257>>> j = 257>>> i is jFalse>>> i = -5>>> j = -5>>> i is jTrue>>> i = -6>>> j = -6>>> i is jFalse

Java 也有这样的机制 缓存范围是 -128 ~ 127** Cache to support the object identity semantics of autoboxing for values between*** -128 and 127 (inclusive) as required by JLS.*

接着，看对象的内存分析：

li1 = []li2 = []li1 == li2  # Output: Trueli1 is li2  # Output: False
x = 1y = xid(x)  # Output: 4566652048id(y)  # Output: 4566652048y = 2id(y)  # Output: 4566652080
x == y  # Output: Falsex is y  # Output: False

文章有参考：

1. 对内存管理有兴趣的强烈推荐阅读： Memory Management in Python
   

2. 垃圾回收机制的算法与实现