Python在計算內存時應該注意的問題？

我之前的一篇文章，帶大家揭曉了 Python 在給內置對象分配內存時的 5 個奇怪而有趣的小秘密。文中使用了sys.getsizeof()來計算內存，但是用這個方法計算時，可能會出現意料不到的問題。

文檔中關於這個方法的介紹有兩層意思：

• 該方法用於獲取一個對象的字節大小（bytes）
• 它只計算直接佔用的內存，而不計算對象內所引用對象的內存

也就是說，getsizeof() 並不是計算實際對象的字節大小，而是計算“佔位對象”的大小。如果你想計算所有屬性以及屬性的屬性的大小，getsizeof() 只會停留在第一層，這對於存在引用的對象，計算時就不準確。

例如列表 [1,2]，getsizeof() 不會把列表內兩個元素的實際大小算上，而只是計算了對它們的引用。

舉一個形象的例子，我們把列表想象成一個箱子，把它存儲的對象想象成一個個球，現在箱子裡有兩張紙條，寫上了球 1 和球 2 的地址（球不在箱子裡），getsizeof() 只是把整個箱子稱重（含紙條），而沒有根據紙條上地址，找到兩個球一起稱重。

1、計算的是什麼？

我們先來看看列表對象的情況：

如圖所示，單獨計算 a 和 b 列表的結果是 36 和 48，然後把它們作為 c 列表的子元素時，該列表的計算結果卻僅僅才 36。（PS：我用的是 32 位解釋器）

如果不使用引用方式，而是直接把子列表寫進去，例如 “d = [[1,2],[1,2,3,4,5]]”，這樣計算 d 列表的結果也還是 36，因為子列表是獨立的對象，在 d 列表中存儲的是它們的 id。

也就是說：getsizeof() 方法在計算列表大小時，其結果跟元素個數相關，但跟元素本身的大小無關。

下面再看看字典的例子：

明顯可以看出，三個字典實際佔用的全部內存不可能相等，但是 getsizeof() 方法給出的結果卻相同，這意味著它只關心鍵的數量，而不關心實際的鍵值對是什麼內容，情況跟列表相似。

2、“淺計算”與其它問題

有個概念叫“淺拷貝”，指的是 copy() 方法只拷貝引用對象的內存地址，而非實際的引用對象。類比於這個概念，我們可以認為 getsizeof() 是一種“淺計算”。

“淺計算”不關心真實的對象，所以其計算結果只是一個假象。這是一個值得注意的問題，但是注意到這點還不夠，我們還可以發散地思考如下的問題：

• “淺計算”方法的底層實現是怎樣的？
• 為什麼 getsizeof() 會採用“淺計算”的方法？

關於第一個問題，getsizeof(x) 方法實際會調用 x 對象的__sizeof__() 魔術方法，對於內置對象來說，這個方法是通過 CPython 解釋器實現的。

我查到這篇文章《Python中對象的內存使用(一)》，它分析了 CPython 源碼，最終定位到的核心代碼是這一段：

<code>/*longobject.c*/

static Py_ssize_t
int___sizeof___impl(PyObject *self){
    Py_ssize_t res;

    res = offsetof(PyLongObject, ob_digit) + Py_ABS(Py_SIZE(self))*sizeof(digit);
    return res;
}/<code>

我看不懂這段代碼，但是可以知道的是，它在計算 Python 對象的大小時，只跟該對象的結構體的屬性相關，而沒有進一步作“深度計算”。

對於 CPython 的這種實現，我們可以注意到兩個層面上的區別：

• 字節增大：int 類型在 C 語言中只佔到 4 個字節，但是在 Python 中，int 其實是被封裝成了一個對象，所以在計算其大小時，會包含對象結構體的大小。在 32 位解釋器中，getsizeof(1) 的結果是 14 個字節，比數字本身的 4 字節增大了。
• 字節減少：對於相對複雜的對象，例如列表和字典，這套計算機制由於沒有累加內部元素的佔用量，就會出現比真實佔用內存小的結果。

由此，我有一個不成熟的猜測：基於“一切皆是對象”的設計原則，int 及其它基礎的 C 數據類型在 Python 中被套上了一層“殼”，所以需要一個方法來計算它們的大小，也即是 getsizeof()。

官方文檔中說“All built-in objects will return correct results” [1]，指的應該是數字、字符串和布爾值之類的簡單對象。但是不包括列表、元組和字典等在內部存在引用關係的類型。

為什麼不推廣到所有內置類型上呢？我未查到這方面的解釋，若有知情的同學，煩請告知。

3、“深計算”與其它問題

與“淺計算”相對應，我們可以定義出一種“深計算”。對於前面的兩個例子，“深計算”應該遍歷每個內部元素以及可能的子元素，累加計算它們的字節，最後算出總的內存大小。

那麼，我們應該注意的問題有：

• 是否存在“深計算”的方法/實現方案？
• 實現“深計算”時應該注意什麼？

Stackoverflow 網站上有個年代久遠的問題“How do I determine the size of an object in Python?” [2]，實際上問的就是如何實現“深計算”的問題。

有不同的開發者貢獻了兩個項目：pympler 和 pysize ：第一個項目已發佈在 Pypi 上，可以“pip install pympler”安裝；第二個項目爛尾了，作者也沒發佈到 Pypi 上（注：Pypi 上已有個 pysize 庫，是用來做格式轉化的，不要混淆），但是可以在 Github 上獲取到其源碼。

對於前面的兩個例子，我們可以拿這兩個項目分別測試一下：

單看數值的話，pympler 似乎確實比 getsizeof() 合理多了。

再看看 pysize，直接看測試結果是（獲取其源碼過程略）：

<code>64
118
190
206
300281 

30281/<code>

可以看出，它比 pympler 計算的結果略小。就兩個項目的完整度、使用量與社區貢獻者規模來看，pympler 的結果似乎更為可信。

那麼，它們分別是怎麼實現的呢？那微小的差異是怎麼導致的？從它們的實現方案中，我們可以學習到什麼呢？

pysize 項目很簡單，只有一個核心方法：

<code>def get_size(obj, seen=None):
    """Recursively finds size of objects in bytes"""
    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 hasattr(obj, '__dict__'):
        for cls in obj.__class__.__mro__:
            if '__dict__' in cls.__dict__:
                d = cls.__dict__['__dict__']
                if inspect.isgetsetdescriptor(d) or inspect.ismemberdescriptor(d):
                    size += get_size(obj.__dict__, seen)
                break
    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, '__iter__') and not isinstance(obj, (str, bytes, bytearray)):
        size += sum((get_size(i, seen) for i in obj))

    if hasattr(obj, '__slots__'): # can have __slots__ with __dict__ 

        size += sum(get_size(getattr(obj, s), seen) for s in obj.__slots__ if hasattr(obj, s))

    return size/<code>

除去判斷__dict__ 和 __slots__ 屬性的部分（針對類對象），它主要是對字典類型及可迭代對象（除字符串、bytes、bytearray）作遞歸的計算，邏輯並不複雜。

以 [1,2] 這個列表為例，它先用 sys.getsizeof() 算出 36 字節，再計算內部的兩個元素得 14*2=28 字節，最後相加得到 64 字節。

相比之下，pympler 所考慮的內容要多很多，入口在這：

<code>    def asizeof(self, *objs, **opts):
        '''Return the combined size of the given objects
           (with modified options, see method **set**).
        '''
        if opts:
            self.set(**opts)
        self.exclude_refs(*objs)  # skip refs to objs
        return sum(self._sizer(o, 0, 0, None) for o in objs)/<code>

它可以接受多個參數，再用 sum() 方法合併。所以核心的計算方法其實是 _sizer()。但代碼很複雜，繞來繞去像一座迷宮：

<code>    def _sizer(self, obj, pid, deep, sized):  # MCCABE 19
        '''Size an object, recursively.
        '''
        s, f, i = 0, 0, id(obj)
        if i not in self._seen:
            self._seen[i] = 1
        elif deep or self._seen[i]:
            # skip obj if seen before
            # or if ref of a given obj
            self._seen.again(i)
            if sized:
                s = sized(s, f, name=self._nameof(obj))
                self.exclude_objs(s) 

            return s  # zero
        else:  # deep == seen[i] == 0
            self._seen.again(i)
        try:
            k, rs = _objkey(obj), []
            if k in self._excl_d:
                self._excl_d[k] += 1
            else:
                v = _typedefs.get(k, None)
                if not v:  # new typedef
                    _typedefs[k] = v = _typedef(obj, derive=self._derive_,
                                                     frames=self._frames_,
                                                      infer=self._infer_)
                if (v.both or self._code_) and v.kind is not self._ign_d:
                    # 貓注：這裡計算 flat size
                    s = f = v.flat(obj, self._mask)  # flat size
                    if self._profile:
                        # profile based on *flat* size
                        self._prof(k).update(obj, s)
                    # recurse, but not for nested modules
                    if v.refs and deep                               and not (deep and ismodule(obj)):
                        # add sizes of referents
                        z, d = self._sizer, deep + 1
                        if sized and deep                             # use named referents
                            self.exclude_objs(rs)
                            for o in v.refs(obj, True):
                                if isinstance(o, _NamedRef):
                                    r = z(o.ref, i, d, sized)
                                    r.name = o.name
                                else:
                                    r = z(o, i, d, sized)
                                    r.name = self._nameof(o)
                                rs.append(r)
                                s += r.size
                        else:  # just size and accumulate
                            for o in v.refs(obj, False):
                                # 貓注：這裡遞歸計算 item size
                                s += z(o, i, d, None)
                        # deepest recursion reached
                        if self._depth                             self._depth = d
                if self._stats_ and s > self._above_ > 0:
                    # rank based on *total* size
                    self._rank(k, obj, s, deep, pid)
        except RuntimeError:  # XXX RecursionLimitExceeded:
            self._missed += 1
        if not deep:
            self._total += s  # accumulate
        if sized:
            s = sized(s, f, name=self._nameof(obj), refs=rs) 

            self.exclude_objs(s)
        return s/<code>

它的核心邏輯是把每個對象的 size 分為兩部分：flat size 和 item size。

計算 flat size 的邏輯在：

<code>    def flat(self, obj, mask=0):
        '''Return the aligned flat size.
        '''
        s = self.base
        if self.leng and self.item > 0:  # include items
            s += self.leng(obj) * self.item
        # workaround sys.getsizeof (and numpy?) bug ... some
        # types are incorrectly sized in some Python versions
        # (note, isinstance(obj, ()) == False)
        # 貓注：不可 sys.getsizeof 的，則用上面邏輯，可以的，則用下面邏輯
        if not isinstance(obj, _getsizeof_excls):
            s = _getsizeof(obj, s)
        if mask:  # align
            s = (s + mask) & ~mask
        return s/<code>

這裡出現的 mask 是為了作字節對齊，默認值是 7，該計算公式表示按 8 個字節對齊。對於 [1,2] 列表，會算出 (36+7)&~7=40 字節。同理，對於單個的 item，比如列表中的數字 1，sys.getsizeof(1) 等於 14，而 pympler 會算成對齊的數值 16，所以彙總起來是 40+16+16=72 字節。這就解釋了為什麼 pympler 算的結果比 pysize 大。

字節對齊一般由具體的編譯器實現，而且不同的編譯器還會有不同的策略，理論上 Python 不應關心這麼底層的細節，內置的 getsizeof() 方法就沒有考慮字節對齊。

在不考慮其它 edge cases 的情況下，可以認為 pympler 是在 getsizeof() 的基礎上，既考慮了遍歷取引用對象的 size，又考慮到了實際存儲時的字節對齊問題，所以它會顯得更加貼近現實。

4、小結

getsizeof() 方法的問題是顯而易見的，我創造了一個“淺計算”概念給它。這個概念借鑑自 copy() 方法的“淺拷貝”，同時對應於 deepcopy() “深拷貝”，我們還能推理出一個“深計算”。

前面展示了兩個試圖實現“深計算”的項目（pysize+pympler），兩者在淺計算的基礎上，深入地求解引用對象的大小。pympler 項目的完整度較高，代碼中有很多細節上的設計，比如字節對齊。

Python 官方團隊當然也知道 getsizeof() 方法的侷限性，他們甚至在文檔中加了一個鏈接 [3]，指向了一份實現深計算的示例代碼。那份代碼比 pysize 還要簡單（沒有考慮類對象的情況）。

未來 Python 中是否會出現深計算的方法，假設命名為 getdeepsizeof() 呢？這不得而知了。

本文的目的是加深對 getsizeof() 方法的理解，區分淺計算與深計算，分析兩個深計算項目的實現思路，指出幾個值得注意的問題。

讀完這裡，希望你也能有所收穫。若有什麼想法，歡迎一起交流。

相關鏈接

Python 內存分配時的小秘密：https://dwz.cn/AoSdCZfo

Python中對象的內存使用(一)：https://dwz.cn/SXGtXklz

[1] https://dwz.cn/yxg72lyS

[2] https://dwz.cn/5m83JStN

[3] https://code.activestate.com/recipes/577504

閱讀更多 Python貓 的文章

關鍵字: 內存 C語言 魔術