一 引入

解釋器在執(zhí)行到定義變量的語法時，會申請內(nèi)存空間來存放變量的值，而內(nèi)存的容量是有限的，這就涉及到變量值所占用內(nèi)存空間的回收問題，當(dāng)一個變量值沒有用了（簡稱垃圾）就應(yīng)該將其占用的內(nèi)存給回收掉，那什么樣的變量值是沒有用的呢？由于變量名是訪問到變量值的唯一方式，所以當(dāng)一個變量值不再關(guān)聯(lián)任何變量名時，我們就無法再訪問到該變量值了，該變量值就是沒有用的，就應(yīng)該被當(dāng)成一個垃圾回收。

毫無疑問，內(nèi)存空間的申請與回收是非常耗費精力的事情，而且存在很大的危險性，稍有不慎就有可能引發(fā)內(nèi)存溢出問題，好在Cpython解釋器提供了自動的垃圾回收機制來幫我們 解決了這件事。

二、什么是垃圾回收機制？

垃圾回收機制（簡稱GC）是Python解釋器自帶一種機，專門用來回收不可用的變量值所占用的內(nèi)存空間

三、為什么要用垃圾回收機制？

程序運行過程中會申請大量的內(nèi)存空間，而對于一些無用的內(nèi)存空間如果不及時清理的話會導(dǎo)致內(nèi)存使用殆盡（內(nèi)存溢出），導(dǎo)致程序崩潰，因此管理內(nèi)存是一件重要且繁雜的事情，而python解釋器自帶的垃圾回收機制把程序員從繁雜的內(nèi)存管理中解放出來。

四、垃圾回收機制原理分析

Python的GC模塊主要運用了“引用計數(shù)”（reference counting）來跟蹤和回收垃圾。在引用計數(shù)的基礎(chǔ)上，還可以通過“標(biāo)記-清除”（mark and sweep）解決容對象可能產(chǎn)生的循環(huán)引用的問題，并且通過“分代回收”（generation collection）以空間換取時間的方式來進一步提高垃圾回收的效率。

4.1、什么是引用計數(shù)？

引用計數(shù)就是：變量值被變量名關(guān)聯(lián)的次數(shù)

如：age=18

變量值18被關(guān)聯(lián)了一個變量名age，稱之為引用計數(shù)為1

引用計數(shù)增加：

age=18 （此時，變量值18的引用計數(shù)為1）m=age （把age的內(nèi)存地址給了m，此時，m,age都關(guān)聯(lián)了18，所以變量值18的引用計數(shù)為2）

引用計數(shù)減少：

age=10（名字age先與值18解除關(guān)聯(lián)，再與3建立了關(guān)聯(lián)，變量值18的引用計數(shù)為1）del m（del的意思是解除變量名x與變量值18的關(guān)聯(lián)關(guān)系，此時，變量18的引用計數(shù)為0）

值18的引用計數(shù)一旦變?yōu)?，其占用的內(nèi)存地址就應(yīng)該被解釋器的垃圾回收機制回收

4.2、引用計數(shù)擴展閱讀

變量值被關(guān)聯(lián)次數(shù)的增加或減少，都會引發(fā)引用計數(shù)機制的執(zhí)行（增加或減少值的引用計數(shù)），這存在明顯的效率問題。

如果說執(zhí)行效率還僅僅是引用計數(shù)機制的一個軟肋的話，那么很不幸，引用計數(shù)機制還存在著一個致命的弱點，即循環(huán)引用（也稱交叉引用）

# 如下我們定義了兩個列表，簡稱列表1與列表2，變量名l1指向列表1，變量名l2指向列表2>>> l1=[’xxx’] # 列表1被引用一次，列表1的引用計數(shù)變?yōu)?>>> l2=[’yyy’] # 列表2被引用一次，列表2的引用計數(shù)變?yōu)?>>> l1.append(l2) # 把列表2追加到l1中作為第二個元素，列表2的引用計數(shù)變?yōu)?>>> l2.append(l1) # 把列表1追加到l2中作為第二個元素，列表1的引用計數(shù)變?yōu)?# l1與l2之間有相互引用# l1 = [’xxx’的內(nèi)存地址,列表2的內(nèi)存地址]# l2 = [’yyy’的內(nèi)存地址,列表1的內(nèi)存地址]>>> l1[’xxx’, [’yyy’, [...]]]>>> l2[’yyy’, [’xxx’, [...]]]>>> l1[1][1][

循環(huán)引用會導(dǎo)致：值不再被任何名字關(guān)聯(lián)，但是值的引用計數(shù)并不會為0，應(yīng)該被回收但不能被回收，什么意思呢？試想一下，請看如下操作

>>> del l1 # 列表1的引用計數(shù)減1，列表1的引用計數(shù)變?yōu)?>>> del l2 # 列表2的引用計數(shù)減1，列表2的引用計數(shù)變?yōu)?

此時，只剩下列表1與列表2之間的相互引用，兩個列表的引用計數(shù)均不為0，但兩個列表不再被任何其他對象關(guān)聯(lián)，沒有任何人可以再引用到它們，所以它倆占用內(nèi)存空間應(yīng)該被回收，但由于相互引用的存在，每一個對象的引用計數(shù)都不為0，因此這些對象所占用的內(nèi)存永遠(yuǎn)不會被釋放，所以循環(huán)引用是致命的，這與手動進行內(nèi)存管理所產(chǎn)生的內(nèi)存泄露毫無區(qū)別。所以Python引入了“標(biāo)記-清除” 與“分代回收”來分別解決引用計數(shù)的循環(huán)引用與效率低的問題

4.2.1 標(biāo)記-清除

容器對象（比如：list，set，dict，class，instance）都可以包含對其他對象的引用，所以都可能產(chǎn)生循環(huán)引用。而“標(biāo)記-清除”計數(shù)就是為了解決循環(huán)引用的問題。

在了解標(biāo)記清除算法前，我們需要明確一點，關(guān)于變量的存儲，內(nèi)存中有兩塊區(qū)域：堆區(qū)與棧區(qū)，在定義變量時，變量名與值內(nèi)存地址的關(guān)聯(lián)關(guān)系存放于棧區(qū)，變量值存放于堆區(qū)，內(nèi)存管理回收的則是堆區(qū)的內(nèi)容，詳解如下圖,定義了兩個變量x = 10、y = 20

當(dāng)我們執(zhí)行x=y時，內(nèi)存中的棧區(qū)與堆區(qū)變化如下

標(biāo)記/清除算法的做法是當(dāng)應(yīng)用程序可用的內(nèi)存空間被耗盡的時，就會停止整個程序，然后進行兩項工作，第一項則是標(biāo)記，第二項則是清除

#1、標(biāo)記標(biāo)記的過程其實就是，遍歷所有的GC Roots對象(棧區(qū)中的所有內(nèi)容或者線程都可以作為GC Roots對象），然后將所有GC Roots的對象可以直接或間接訪問到的對象標(biāo)記為存活的對象，其余的均為非存活對象，應(yīng)該被清除。#2、清除清除的過程將遍歷堆中所有的對象，將沒有標(biāo)記的對象全部清除掉。

直接引用指的是從棧區(qū)出發(fā)直接引用到的內(nèi)存地址，間接引用指的是從棧區(qū)出發(fā)引用到堆區(qū)后再進一步引用到的內(nèi)存地址，以我們之前的兩個列表l1與l2為例畫出如下圖像

當(dāng)我們同時刪除l1與l2時，會清理到棧區(qū)中l(wèi)1與l2的內(nèi)容

這樣在啟用標(biāo)記清除算法時，發(fā)現(xiàn)棧區(qū)內(nèi)不再有l(wèi)1與l2（只剩下堆區(qū)內(nèi)二者的相互引用），于是列表1與列表2都沒有被標(biāo)記為存活，二者會被清理掉，這樣就解決了循環(huán)引用帶來的內(nèi)存泄漏問題

4.2.2 分代回收

背景：

基于引用計數(shù)的回收機制，每次回收內(nèi)存，都需要把所有對象的引用計數(shù)都遍歷一遍，這是非常消耗時間的，于是引入了分代回收來提高回收效率，分代回收采用的是用“空間換時間”的策略。

分代：

分代回收的核心思想是：在歷經(jīng)多次掃描的情況下，都沒有被回收的變量，gc機制就會認(rèn)為，該變量是常用變量，gc對其掃描的頻率會降低，具體實現(xiàn)原理如下：

分代指的是根據(jù)存活時間來為變量劃分不同等級（也就是不同的代）新定義的變量，放到新生代這個等級中，假設(shè)每隔1分鐘掃描新生代一次，如果發(fā)現(xiàn)變量依然被引用，那么該對象的權(quán)重（權(quán)重本質(zhì)就是個整數(shù)）加一，當(dāng)變量的權(quán)重大于某個設(shè)定得值（假設(shè)為3），會將它移動到更高一級的青春代，青春代的gc掃描的頻率低于新生代（掃描時間間隔更長），假設(shè)5分鐘掃描青春代一次，這樣每次gc需要掃描的變量的總個數(shù)就變少了，節(jié)省了掃描的總時間，接下來，青春代中的對象，也會以同樣的方式被移動到老年代中。也就是等級（代）越高，被垃圾回收機制掃描的頻率越低

回收：

回收依然是使用引用計數(shù)作為回收的依據(jù)

雖然分代回收可以起到提升效率的效果，但也存在一定的缺點：

例如一個變量剛剛從新生代移入青春代，該變量的綁定關(guān)系就解除了，該變量應(yīng)該被回收，但青春代的掃描頻率低于新生代，所以該變量的回收就會被延遲。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持好吧啦網(wǎng)。