Пост✈️Зачем вообще париться с памятью в Python?

✈️Зачем вообще париться с памятью в Python? Казалось бы, Python — язык высокого уровня с автоматическим управлением памятью. Зачем нам вообще беспокоиться об этом? Но, друзья мои, даже в Пайтоне память не бесконечна. Особенно когда вы работаете с большими данными или создаете высоконагруженные приложения. ➡️memory_profiler: ваш верный спутник memory_profiler — это как швейцарский нож для анализа памяти. Вот пример его использования: from memory_profiler import profile @profile def my_func(): a = [1] * (10 ** 6) b = [2] * (2 * 10 ** 7) del b return a if __name__ == '__main__': my_func() ⬆️Запустите скрипт с помощью python -m memory_profiler script.py, и вы увидите подробный отчет о использовании памяти. Красота, правда? ➡️line_profiler: когда нужна точность до строчки Если memory_profiler — это швейцарский нож, то line_profiler — это микроскоп. Он покажет вам использование памяти построчно: @profile def my_func(): a = [1] * (10 ** 6) b = [2] * (2 * 10 ** 7) del b return a my_func() ⬆️Запустите с помощью kernprof -l -v script.py, и вы увидите, какая строчка сколько памяти съедает. ➡️objgraph: визуализируем объекты objgraph — это как рентген для вашего кода. Он позволяет визуализировать объекты в памяти: import objgraph x = [] y = [x, [x], dict(x=x)] objgraph.show_refs([y], filename='sample-graph.png') ⬆️Запустите это, и вы получите красивую картинку связей между объектами. Полезно для поиска утечек памяти! ➡️tracemalloc: встроенная мощь Python А теперь — жемчужина в короне Python 3. tracemalloc — это встроенный модуль для отслеживания выделения памяти: import tracemalloc tracemalloc.start() # ваш код здесь snapshot = tracemalloc.take_snapshot() top_stats = snapshot.statistics('lineno') print("[ Топ 10 ]") for stat in top_stats[:10]: print(stat) ⬆️Это как рентген, МРТ и УЗИ в одном флаконе. Вы увидите, где именно происходят утечки памяти. 🐍Pythoner