return b(n)

def b(n):

return [c(n), d(n)]

def c(n):

return "a" * n

def d(n):

return "a" * n

a(100000)

火焰图报告

由该图可以看出，函数a调用了函数b，函数b调用了函数c和函数d。且第一层函数c 和函数d所占的宽度相同，表示c和d占用的内存一样。

该报告以表格的形式展示程序的内存使用情况。 Thread ID 表示对应的线程， Size 表示占用的内存总数， Allocator 表示占用内存的函数， Location 表示函数所在的位置。同时，还可以对每一列的数据进行排序。

该报告可以清晰的显示出程序的调用层次。树形报告中根节点中的内存总量和所占百分比 只是针对于图中展示的数据，占用内存小的不在图中。

该报告可以显示程序内存使用情况的详细信息，包括分配的内存总量、分配类型(例如 MALLOC, CALLOC )等。

统计报告 项目地址 https://github.com/bloomberg/memray

目前只能在Linux平台上使用Memray。由于Memray使用了C语言，发布的版本 是二进制的，所以得先在系统上安装二进制编译工具。随后在Python3.7+的环境 下安装Memray：

python3 -m pip install memray

如果你想安装开发版本的Memray，首先要在系统上安装二进制工具： libunwind 和liblz4 ，随后克隆项目并运行如下命令进行安装：

git clone git@github.com:bloomberg/memray.git memray

cd memray

python3 -m venv ../memray-env/ # just an example, put this wherever you want

source ../memray-env/bin/activate

python3 -m pip install --upgrade pip

python3 -m pip install -e . -r requirements-test.txt -r requirements-extra.txt

我们可以通过以下命令来追踪python代码的内存分配情况,my_.py就是要分析的文件：

python3 -m memray run my_.py

也可以把memray当作命令行工具使用，例如：

memray run my_.py

memray run -m my_module

以上命令会输出一个二进制文件，随后我们可以根据需要生成统计报告。假如我们想生成一个总结报告，那么可以运行如下命令：

memray summary my_.bin

会生成程序内存分配的总结报告：

不同的报告形式在简介部分都有展示，请读者自行查看。

当要使用Memray分析numpy或者pandas这种包含C代码的模块时，我们可以运行如下命令：

memray run --native my_.py

从而直观的看到Python代码分配了多少内存，扩展模块分配了多少内存。

假如我们在一个文件中使用了Numpy,当我们不使用 --native 时，生成的统计报告如下图：

从图中可以看出在计算Numpy数组时分配了内存，但不清楚是Numpy还是Python解释器分配了内存。通过使用 --native 命令，就可以得到一个 更全面的报告，如图所示：

native报告

从图中可以看到Numpy中C模块的调用情况，当添加Numpy数组后，产生了内存分配。我们可以通过文件的后缀名区分Python模块和C模块。

Memray还支持动态查看Python代码的内存分配情况，我们只需使用以下命令：

memray run --live my_.py

在这种模式下，开发者可以调试运行时间较长的代码。下图即为文件运行时的内存分配情况：

Live模式

统计报告中的结果通常是根据分配的总内存，从大到小依次排列。我们可以改变排序条件：

使用 live 命令默认展示的是主线程的内存分配情况，我们可以通过左右箭头切换到其他线程。

除了使用 memray run 查看Python代码的内存分配，还可以在Python程序中使用memray。

import memray

with memray.Tracker( "output_file.bin" ):

print ( "Allocations will be tracked until the with block ends" )

更多细节可以查看相关 API文档 [1] 。

在我们平时编写 Python 代码的过程中，有时候只考虑到了业务功能的实现，而忽视了代码的合理性与规范性，例如内存分配就是一个很重要的点，合理的内存分配有助于 提升项目的运行速度。Memray 就是一个支持查看Python代码内存分配的工具，它的便捷之处在于：我们可以根据需要，生成多种分析报告，从而直观的了解到自己代码的内存分配情况，避免发生内存泄露现象。

你写 Python 代码时关注过内存使用情况吗？欢迎到评论中分享～

参考资料：

API文档: https://bloomberg.github.io/memray/api.html

- EOF -

点击标题可跳转

1、 Python 处理超大 JSON 文件，这个方法简单！

2、 实用！一款开源的 JSON 可视化管理工具

3、 1.8 万 Star！这款 Nginx 可视化配置工具太强了！

↓推荐关注↓

「开源前哨」日常分享热门、有趣和实用的开源项目。参与维护10万+star 的开源技术资源库，包括：Python, Java, C/C++, Go, JS, CSS, Node.js, PHP, .NET 等

点赞和在看就是最大的支持❤️ 返回搜狐，查看更多