Python 是一种高级编程语言，因其简洁而强大而备受欢迎。正如其他编程语言一样，Python 也面临着内存管理的挑战。在 Python 中，废品回收是一项关键任务，用于自动释放不再使用的内存，以避免内存泄漏。

本文将介绍 Python 中的废品回收机制，以及如何通过优化代码来提高性能。

1. 废品回收是什么？

废品回收是一种自动管理内存的机制，它负责识别和释放不再被程序使用的内存。在 Python 中，废品回收器的主要目标是确保没有内存泄漏，即程序不会无限制地占用内存。

Python 使用引用计数和循环废品回收两种机制来管理内存。

1.1 引用计数

引用计数是一种简单而高效的废品回收机制。每当一个对象被引用时，它的引用计数加一；当引用不再存在时，计数减一。当计数减少到零时，表示没有任何引用指向该对象，废品回收器将其释放。

 引用计数示例
a = [1, 2, 3]   引用计数为 1
b = a   引用计数为 2
del a   引用计数减 1，为 1
del b   引用计数减 1，为 0，对象被释放

引用计数机制无法处理循环引用的情况，即两个或多个对象相互引用，导致它们的引用计数永远不会减少到零。为了解决这个问题，Python 引入了循环废品回收机制。

1.2 循环废品回收

循环废品回收通过检测循环引用并清理这些引用来解决引用计数机制无法处理的情况。Python 的废品回收器使用分代回收策略，将对象分为不同的代，以便更有效地识别和清理废品。这包括三代：0 代、1 代和 2 代，0 代最年轻，2 代最老。

2. 优化废品回收

虽然 Python 的废品回收器通常能够自动管理内存，但在编写 Python 代码时，有一些技巧可以帮助减少内存使用和废品回收的开销。

2.1 使用生成器而不是列表

生成器是一种惰性计算的方式，它不会立即创建和存储所有元素，而是在需要时逐个生成。这可以节省大量内存，特别是当处理大型数据集时。

比较以下两种方式：

• 使用列表：

numbers = [i for i in range(1000000)]   创建一个包含 1000000 个整数的列表

• 使用生成器：

def generate_numbers():
      for i in range(1000000):
        yield i   使用生成器的方式只在需要时生成元素，而不会一次性占用大量内存
numbers = generate_numbers()

2.2 显式删除不再需要的引用

虽然 Python 具有自动废品回收，但显式删除不再需要的引用可以更快地释放内存。使用 del 语句来删除引用，特别是对于大型数据结构或循环中的临时变量。

 显式删除不再需要的引用
del >

2.3 使用上下文管理器

上下文管理器是一种帮助管理资源的方式，它可以确保在离开作用域时资源被正确释放。对于需要打开文件、数据库连接或其他资源的情况，使用上下文管理器可以避免资源泄漏。

 使用上下文管理器来确保文件资源的正确释放
with open("file.txt", "r") as file:
   使用文件...

2.4 避免循环引用

尽量避免创建循环引用，以减轻废品回收的工作。当您确实需要使用循环引用时，考虑使用弱引用（ weakref ）来代替强引用，以允许对象在不再被引用时更快地被释放。

3. 性能分析和优化工具

Python 提供了一些性能分析和优化工具，帮助您识别内存问题和性能瓶颈。一些常用的工具包括 cProfile 和 memory_profiler 。通过分析代码的性能和内存使用，您可以找到需要优化的部分。

总结

废品回收是 Python 内存管理的重要组成部分，它确保程序不会无限制地占用内存。虽然 Python 的废品回收器通常能够自动管理内存，但通过优化代码和采用良好的编程实践，可以提高其性能和减少内存使用。

理解 Python 中的废品回收机制以及如何优化代码性能是每个 Python 开发者都应该掌握的重要知识。掌握内存管理与废品回收，开发者可以编写更高效、更健壮的 Python 应用程序。

micpython清理内存占用？

MicroPython 是一种精简版的 Python，它的嵌入式环境相对较小，因此在处理内存时需要更加小心。在 MicroPython 中，可以通过调用 gc 模块进行自动或手动废品回收，以清理内存占用。

以下是几个常用的 MicroPython 内存清理方法：

Python 的内存管理机制

Python采用自动内存管理，即Python会自动进行废品回收，不需要像C、C++语言一样需要程序员手动释放内存，手动释放可以做到实时性，但是存在内存泄露、空指针等风险。 Python自动废品回收也有自己的优点和缺点：优点： 缺点： Python的废品回收机制采用以引用计数法为主，分代回收为辅的策略。 先聊引用计数法，Python中每个对象都有一个核心的结构体，如下 一个对象被创建时，引用计数值为1，当一个变量引用一个对象时，该对象的引用计数ob_refcnt就加一，当一个变量不再引用一个对象时，该对象的引用计数ob_refcnt就减一，Python判断是否回收一个对象，会将该对象的引用计数值ob_refcnt减一判断结果是否等于0，如果等于0就回收，如果不等于0就不回收，如下： 一个对象在以下三种情况下引用计数会增加： 一个对象在以下三种情况引用计数会减少： 验证案例： 运行结果： 事实上，关于废品回收的测试，最好在终端环境下测试，比如整数257，它在PyCharm中用下面的测试代码打印出来的结果是4，而如果在终端环境下打印出来的结果是2。 这是因为终端代表的是原始的Python环境，而PyCharm等IDE做了一些特殊处理，在Python原始环境中，整数缓存的范围是在 [-5, 256] 的双闭合区间内，而PyCharm做了特殊处理之后，PyCharm整数缓存的范围变成了 [-5, 无穷大]，但我们必须以终端的测试结果为主，因为它代表的是原始的Python环境，并且代码最终也都是要发布到终端运行的。 好，那么回到终端，我们来看两种特殊情况 前面学习过了，整数缓存的范围是在 [-5, 256] 之间，这些整数对象在程序加载完全就已经驻留在内存之中，并且直到程序结束退出才会释放占有的内存，测试案例如下： 如果字符串的内容只由字母、数字、下划线构成，那么它只会创建一个对象驻留在内存中，否则，每创建一次都是一个新的对象。 引用计数法有缺陷，它无法解决循环引用问题，即A对象引用了B对象，B对象又引用了A对象，这种情况下，A、B两个对象都无法通过引用计数法来进行回收，有一种解决方法是程序运行结束退出时进行回收，代码如下： 前面讲过，Python废品回收机制的策略是以引用计数法为主，以分代回收为辅。 分代回收就是为了解决循环引用问题的。 Python采用分代来管理对象的生命周期：第0代、第1代、第2代，当一个对象被创建时，会被分配到第一代，默认情况下，当第0代的对象达到700个时，就会对处于第0代的对象进行检测和回收，将存在循环引用的对象释放内存，经过废品回收后，第0代中存活的对象会被分配为第1代，同样，当第1代的对象个数达到10个时，也会对第1代的对象进行检测和回收，将存在循环引用的对象释放内存，经过废品回收后，第1代中存活的对象会被分配为第2代，同样，当第二代的对象个数达到10个时，也会对第2代的对象进行检测和回收，将存在循环引用的对象释放内存。 Python就是通过这样一种策略来解决对象之间的循环引用问题的。 测试案例： 运行结果： 如上面的运行结果，当第一代中对象的个数达到699个即将突破临界值700时（在打印699之前就已经回收了，所以看不到698和699）进行了废品回收，回收掉了循环引用的对象。 第一代、第二代、第三代分代回收都是有临界值的，这个临界值可以通过调用_threshold方法查看，如下： 当然，如果对默认临界值不满意，也可以调用_threshold方法来自定义临界值，如下： 最后，简单列出两个gc的其它方法，了解一下，但禁止在程序代码中使用 以上就是对Python废品回收的简单介绍，当然，深入研究肯定不止这些内容，目前，了解到这个程度也足够了。