内存不足是项目开发过程中经常碰到的问题，我和我的团队在之前的一个项目中也遇到了这个问题，我们的项目需要存储和处理一个相当大的动态列表，测试人员经常向我抱怨内存不足。但是最终，我们通过添加一行简单的代码解决了这个问题。
结果如图所示：
我将在下面解释它的工作原理。
举一个简单的“learning”示例 - 创建一个DataItem类，在其中定义一些个人信息属性，例如姓名，年龄和地址。
复制
class DataItem(object): def __init__(self, name, age, address): self.name = name self.age = age self.address = address
1.
2.
3.
4.
5.
小测试——这样一个对象会占用多少内存？
首先让我们尝试下面这种测试方案：
复制
d1 = DataItem("Alex", 42, "-") print ("sys.getsizeof(d1):", sys.getsizeof(d1))
1.
2.
答案是56字节。看起来比较小，结果令人满意。
但是，让我们检查另一个数据多一些的对象：
复制
d2 = DataItem("Boris", 24, "In the middle of nowhere") print ("sys.getsizeof(d2):", sys.getsizeof(d2))
1.
2.
答案仍然是56。这让我们明白这个结果并不完全正确。
我们的直觉是对的，这个问题不是那么简单。Python是一种非常灵活的语言，具有动态类型，它在工作时存储了许多额外的数据。这些额外的数据本身就占了很多内存。
例如，sys.getsizeof(“ ”)返回33，没错，每个空行就多达33字节！并且sys.getsizeof（1）将为此数字返回24-24个字节（我建议C程序员们现在点击结束阅读，以免对Python的美丽失去信心）。
对于更复杂的元素，例如字典，sys.getsizeof(dict())返回272个字节，这还只是一个空字典。举例到此为止，但事实已经很清楚了，何况RAM的制造商也需要出售他们的芯片。
现在，让我们回到回到我们的DataItem类和“小测试”问题。
这个类到底占多少内存？
首先，我们将以较低级别输出该类的全部内容：
复制
def dump(obj): for attr in dir(obj): print(" obj.%s = %r" % (attr, getattr(obj, attr)))
1.
2.
3.
这个函数将显示隐藏在“隐身衣”下的内容，以便所有Python函数（类型，继承和其他包）都可以运行。
结果令人印象深刻：
它总共占用多少内存呢？
在GitHub上，有一个函数可以计算实际大小，通过递归调用所有对象的getsizeof实现。
复制
def get_size(obj, seen=None): # From https://goshippo.com/blog/measure-real-size-any-python-object/ # 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 #让我们试一下： 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))
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
我们分别得到460和484字节，这似乎更接近事实。
使用这个函数，我们可以进行一系列实验。例如，我想知道如果DataItem放在列表中，数据将占用多少空间。
get_size([d1])函数返回532个字节，显然，这些是“原本的”460+一些额外开销。但是get_size([d1，d2])返回863个字节—小于460+484。get_size([d1，d2，d1])的结果更加有趣，它产生了871个字节，只是稍微多了一点，这说明Python很聪明，不会再为同一个对象分配内存。
现在我们来看问题的第二部分。
是否有可能减少内存消耗？
答案是肯定的。Python是一个解释器，我们可以随时扩展我们的类，例如，添加一个新字段：
复制
d1 = DataItem("Alex", 42, "-") print ("get_size(d1):", get_size(d1)) d1.weight = 66 print ("get_size(d1):", get_size(d1))
1.
2.
3.
4.
这是一个很棒的特点，但是如果我们不需要这个功能，我们可以强制解释器使用__slots__指令来指定类属性列表：
复制
class DataItem(object): __slots__ = ['name', 'age', 'address'] def __init__(self, name, age, address): self.name = name self.age = age self.address = address
1.
2.
3.
4.
5.
6.
更多信息可以参考文档中的“__dict__和__weakref__的部分。使用__dict__所节省的空间可能会很大”。
我们尝试后发现：get_size（d1）返回的是64字节，对比460直接，减少约7倍。作为奖励，对象的创建速度提高了约20％（请参阅文章的第一个屏幕截图）。
真正使用如此大的内存增益不会导致其他开销成本。只需添加元素即可创建100,000个数组，并查看内存消耗：
复制
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)))
1.
2.
3.
4.
5.
6.
7.
在没有__slots__的情况结果为16.8MB，而使用__slots__时为6.9MB。当然不是7倍，但考虑到代码变化很小，它的表现依然出色。
现在讨论一下这种方式的缺点。激活__slots__会禁止创建其他所有元素，包括__dict__，这意味着，例如，下面这种将结构转换为json的代码将不起作用：
复制
def toJSON(self): return json.dumps(self.__dict__)
1.
2.
但这也很容易搞定，可以通过编程方式生成你的dict，遍历循环中的所有元素：
复制
def toJSON(self): data = dict() for var in self.__slots__: data[var] = getattr(self, var) return json.dumps(data)
1.
2.
3.
4.
5.
向类中动态添加新变量也是不可能的，但在我们的项目里，这不是必需的。
下面是最后一个小测试。来看看整个程序需要多少内存。在程序末尾添加一个无限循环，使其持续运行，并查看Windows任务管理器中的内存消耗。
没有__slots__时
69Mb变成27Mb......好吧，毕竟我们节省了内存。对于只添加一行代码的结果来说已经很好了。
注意：tracemalloc调试库使用了大量额外的内存。显然，它为每个创建的对象添加了额外的元素。如果你将其关闭，总内存消耗将会少得多，截图显示了2个选项：
如何节省更多的内存？
可以使用numpy库，它允许你以C风格创建结构，但在这个的项目中，它需要更深入地改进代码，所以对我来说第一种方法就足够了。
奇怪的是，__slots__的使用从未在Habré上详细分析过，我希望这篇文章能够填补这一空白。
结论
这篇文章看起来似乎是反Python的广告，但它根本不是。Python是非常可靠的（为了“删除”Python中的程序，你必须非常努力），这是一种易于阅读和方便编写的语言。在许多情况下，这些优点远胜过缺点，但如果你需要性能和效率的最大化，你可以使用numpy库像C++一样编写代码，它可以非常快速有效地处理数据。