我想与大家分享一些我和我的团队在一个项目中经历的一些问题。在这个项目中,我们必须要存储和处理一个相当大的动态列表。测试人员在测试过程中,抱怨内存不足。下面介绍一个简单的方法,通过添加一行代码来解决这个问题。
图片的结果
下面我来解释一下,它是如何运行的。
首先,我们考虑一个简单的 "learning" 例子,创建一个 Dataltem 类,该类是一个人的个人信息,例如姓名,年龄,地址等。
- class DataItem(object):
- def __init__(self, name, age, address):
- self.name = name
- self.age = age
- self.address = address
初学者的问题:如何知道一个以上这样的对象占用多少内存?
首先,让我们试着解决一下:
- d1 = DataItem("Alex", 42, "-")
- print ("sys.getsizeof(d1):", sys.getsizeof(d1))
我们得到的答案是 56bytes,这似乎占用了很少的内存,相当满意喽。那么,我们在尝试另一个包含更多数据的对象例子:
- d2 = DataItem("Boris", 24, "In the middle of nowhere")
- print ("sys.getsizeof(d2):", sys.getsizeof(d2))
答案仍然是 56bytes,此刻,似乎我们意识到哪里有些不对?并不是所有的事情都第一眼所见那样。
- 直觉不会让我们失望,一切都不是那么简单。Python 是一种具有动态类型的非常灵活的语言,对于它的工作,它存储了大量的附加数据。它们本身占据了很多。
例如,sys.getsizeof("") 返回 33bytes,是的一个多达 33 个字节的空行!并且 sys.getsizeof(1) 返回 24bytes,一个整个数字占用 24 个 bytes (我想咨询 C 语言程序员,远离屏幕,不想在进一步阅读,以免对美观失去信心)。对于更复杂的元素,如字典,sys.getsizeof(.()) 返回 272 字节,这是针对空字典的,我不会再继续了,我希望原理是明确的,并且 RAM 的制造商需要出售他们的芯片。
但是,我们回到我们的 DataItem 类和最初的初学者的疑惑。
这个类,占多少内存?
首先,我们一小写的形式将这个类的完整内容输出:
- def dump(obj):
- for attr in dir(obj):
- print(" obj.%s = %r" % (attr, getattr(obj, attr)))
这个函数将显示隐藏的“幕后”使所有 Python 函数(类型、继承和其他内容)都能够正常工作的内容。
结果令人印象深刻:
这一切内容占用多少内存?
下边有一个函数可以通过递归的方式,调用 getsizeof 函数,计算对象实际数据量。
- def get_size(obj, seen=None):
- # From
- # 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
让我们试一试:
- 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))
我们获得的答案分别为 460bytes 和 484bytes,这结果似乎是真实的。
使用这个函数,你可以进行一系列的实验。例如,我想知道如果 DataItem 结构放在列表中,数据将占用多少空间。get_size ([d1]) 函数返回 532bytes ,显然,这与上面说的 460+ 的开销相同。但是 get_size ([d1, d2]) 返回 863bytes ,小于以上的 460 + 484。get_size ([d1, d2, d1]) 的结果更有趣——我们得到了 871 字节,只是稍微多一点,也就是说 Python 足够聪明,不会再次为同一个对象分配内存。
现在,我们来看一看问题的第二部分。
是否存在减少内存开销的可能呢?
是的,可以的。Python 是一个解释器,我们可以在任何时候扩展我们的类,例如,添加一个新的字段:
- d1 = DataItem("Alex", 42, "-")
- print ("get_size(d1):", get_size(d1))
- d1.weight = 66
- print ("get_size(d1):", get_size(d1))
非常好,但是如果我们不需要这个功能呢?我们能强制解释器来指定类的列表对象使用 __slots__ 命令:
- class DataItem(object):
- __slots__ = ['name', 'age', 'address']
- def __init__(self, name, age, address):
- self.name = name
- self.age = age
- self.address = address
更多信息可以在文档 (RTFM) 中找到,其中写到 “__ dict__和__weakref__”。使用 __dict__ 节省的空间非常大”。
我们确认:是的,确实很重要,get_size (d1) 返回 …64 字节,而不是 460 字节,即少 7 倍。另外,创建对象的速度要快 20% (请参阅本文的第一个屏幕截图)。
唉,真正使用如此大的内存增益并不是因为其他开销。通过简单地添加元素,创建一个 100,000 的数组,并查看内存消耗:
- 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)))
我们不使用 __slots__ 占用内存 16.8MB,使用时占用 6.9MB。这个操作当然不是最好的,但是确实代码改变的最小的。(Not 7 times of course, but it’s not bad at all, considering that the code change was minimal.)
现在的缺点。激活 __slots__ 禁止所有元素的创建,包括 __dict__ ,这意味着,例如,一下代码将结构转换成 json 将不运行:
- def toJSON(self):
- return json.dumps(self.__dict__)
这个问题很容易修复,它是足以产生 dict 编程方式,通过所有元素的循环:
- def toJSON(self):
- data = dict()
- for var in self.__slots__:
- data[var] = getattr(self, var)
- return json.dumps(data)
也不可能动态给这个类添加新类变量,但是在这个例子中,这并不是必需的。
今天的最后一个测试。有趣的是整个程序需要多少内存。添加一个无限循环的程序,以便它不结束,看看 Windows 任务管理器中的内存消耗。
没有 __slots__:
9Mb 变成 27Mb … 好家伙, 毕竟, 我们节省了内存, 27Mb 代替 70 ,对于增加一行代码来说并不是一个坏的例子
注意:TraceMelc 调试库使用了许多附加内存。显然,她为每个创建的对象添加了额外的元素。如果关闭它,总的内存消耗将少得多,截屏显示两个选项:
如果你想节省更多的内存呢?
这可以使用 numpy 库,它允许您以 C 样式创建结构,但是在我的例子中,它需要对代码进行更深入的细化,并且第一种方法就足够了。
奇怪的是在 Habré 从来没有详细分析使用 __slots__, 我希望本文将填补这一空缺。
结论
这篇文章似乎是一个 anti-Python 广告,但并不是。Python 非常可靠(为了“降低” Python 程序,您必须非常努力),它是一种易于阅读和方便编写代码的语言。这些优点在很多情况下都大于缺点,但是如果您需要最大的性能和效率,您可以使用像 numpy 这样的库,它是用 C++ 编写的,它可以很快和高效地与数据一起工作。