对于一个用 python 实现的，长期运行的后台服务进程来说，如果内存持续增长，那么很可能是有了“内存泄露”

 

一、内存泄露的原因

对于 python 这种支持垃圾回收的语言来说，怎么还会有内存泄露？ 概括来说，有以下三种原因：

 

1、 所用到的用 C 语言开发的底层模块中出现了内存泄露。

2、 代码中用到了全局的 list、 dict 或其它容器，不停的往这些容器中插入对象，而忘记了在使用完之后进行删除回收

3、 代码中有“引用循环”， python 垃圾处理机制无法进行回收

 

 

二、 内存泄露的诊断思路

 

无论是哪种方式的内存泄露，最终表现的形式都是某些 python 对象在不停的增长；因此，首先是要找到这些异常的对象。

 

三、 内存泄露的诊断步骤

 

用到的工具： gc 模块和 objgraph

objgraph 是一个用于诊断内存问题的有用的工具

 

 

1、 在服务程序的循环逻辑中，选择出一个诊断点

 

 

2、 在诊断点，插入如下诊断语句

 

 

import gc import objgraph ### 强制进行垃圾回收 gc.collect() ### 打印出对象数目最多的 50 个类型信息 objgraph.show_most_common_types(limit=50) 

 

 

3、 检查统计信息，找到异常对象。

 

运行加入诊断语句的服务程序，并将打印到屏幕上的统计信息重定向到日志中。

运行一段时间后，就可以来分析日志，看看哪些对象在不停的增长。

 

以我的有问题的程序为例，我将日志记录到 log.txt 中，运行一段时间后，发现 tuple 和 list 类型的对象不停增长：

 

# grep "^list " log.txt

# grep "^tuple " log.txt

 

由于 tuple 和 list 是一种通用的类型，因此，那些不停增长的 tuple 和 list 到底是什么对象，还是无法得知。我们还得想点办法追踪下去。

如果不停增长的对象，是一些非通用的类型（例如你自己实现的一个 class），那么问题就比较好定位了。

 

 

回到我的这个异常程序，为了找出 tuple 和 list 到底是什么？ 我采用了排查的方式。由于程序的模块化还不错，我可以每次禁用一个模块，然后重新跑程序，看看在这种情况下， tuple 和 list 是否仍然不停增长。这样，很快就能将故障定位到具体的模块中。

 

最后终于找到了原因，属于上面总结的第二种原因：

我的程序是一个多线程程序，多个线程作为生产者，一个线程作为消费者，通过异步队列通信。由于消费者的处理速度跟不上生产者的速度，又没有进行同步， 导致异步队列中的对象越来越多。

 

四、参考文档