我们使用Python和它的数据处理库套件(如panda和scikiti -learn)进行大量数据处理时候，可能使用了大量的计算资源。如何监视程序的内存使用情况就显得尤为重要。
1.询问操作系统
跟踪内存使用情况的最简单方法是使用操作系统本身。您可以使用top来提供您在一段时间内使用的资源的概述。或者，如果您想要现场检查资源使用情况，您可以使用ps命令：
$ ps -m -o %cpu,%mem,command %CPU %MEM COMMAND 23.4 7.2 python analyze_data.py 0.0 0.0 bash |
m标志指示ps按照进程使用最多内存的顺序显示结果。o标志控制显示每个进程的哪些属性——在本例中是使用的CPU百分比、消耗的系统内存百分比和正在执行的进程的命令行。CPU百分比将一个完整的CPU核心计算为100%的使用率，因此如果您有一个4核的机器，可能会看到总计高达400%的CPU使用率。还有其他输出选项用于显示其他进程属性，以及用于控制显示哪些进程的ps的其他标志。
结合一些创造性的shell脚本，可以编写一个监视脚本，使用ps跟踪任务的内存使用情况。
2.tracemalloc
Python解释器的操作中有大量的hooks，可以在Python代码运行时用于监视和内省。pdb使用这些钩子来提供调试;覆盖率也使用它们来提供测试覆盖率。tracemalloc模块还使用它们来提供一个了解内存使用情况的窗口。
tracemalloc是在Python 3.4中添加的一个标准库模块，它跟踪Python解释器分配的每个单独的内存块。tracemalloc能够提供关于运行Python进程中内存分配的非常细粒度的信息:
import tracemalloc tracemalloc.start() my_complex_analysis_method() current, peak = tracemalloc.get_traced_memory() print(f"Current memory usage is {current / 10**6}MB; Peak was {peak / 10**6}MB") tracemalloc.stop() |
调用tracemplugin .start()启动跟踪进程。在进行跟踪时，您可以询问分配了哪些内容的详细信息;在本例中，我们只要求当前和峰值内存分配。调用tracemplugin .stop()将删除hook并清除已经收集的任何跟踪。
不过，这种程度的细节是要付出代价的。tracemalloc将自己深深地注入到正在运行的Python进程中——正如您所预期的那样，这会带来性能损失。在我们的测试中，我们观察到在运行分析时使用tracemalloc的速度下降了30%。在分析单个进程时，这可能是可以的，但在生产中，您确实不希望仅仅为了监视内存使用情况而降低30%的性能。
3.抽样
幸运的是，Python标准库提供了另一种观察内存使用情况的方法—resource模块。resource模块为程序分配的资源提供基本控制，包括内存使用:
import resource usage = resource.getrusage(resource.RUSAGE_SELF).ru_maxrss |
getrusage()的调用返回程序所使用的资源。常量RUSAGE_SELF表示我们只对这个进程使用的资源感兴趣，而不是它的子进程。返回的对象是一个结构，它包含一系列操作系统资源，包括CPU时间、信号、上下文切换等;但就我们的目的而言，我们感兴趣的是maxrss——最大驻留集大小——它是进程当前在RAM中持有的内存量。
但是，与tracemalloc模块不同的是，资源模块不随时间跟踪使用情况—它只提供点采样。因此，我们需要实现一种方法来随时间对内存使用情况进行采样。
首先，我们定义一个类来执行内存监控：
import resource from time import sleep class MemoryMonitor: def __init__(self): self.keep_measuring = True def measure_usage(self): max_usage = 0 while self.keep_measuring: maxmax_usage = max( max_usage, resource.getrusage(resource.RUSAGE_SELF).ru_maxrss ) sleep(0.1) return max_usage |
在这个类的实例上调用measure_usage()时，它将进入一个循环，每0.1秒测量一次内存使用情况。将跟踪内存使用量的任何增加，并在循环退出时返回最大内存分配。
但是什么告诉循环退出呢?我们在哪里调用被监视的代码?我们在单独的线程中完成。
| from concurrent.futures import ThreadPoolExecutor with ThreadPoolExecutor() as executor: monitor = MemoryMonitor() mem_thread = executor.submit(monitor.measure_usage) try: fn_thread = executor.submit(my_analysis_function) result = fn_thread.result() finally: monitor.keep_measuring = False max_usage = mem_thread.result() print(f"Peak memory usage: {max_usage}") |
ThreadPoolExecutor为提交要在线程中执行的任务提供了一种方便的方法。我们向执行程序提交两个任务——监视器和my_analysis_function(如果分析函数需要额外的参数，可以通过提交调用传入它们)。对fn_thread.result()的调用将被阻塞，直到分析函数完成并获得其结果，此时我们可以通知监视器停止并获得最大内存。try/finally模块确保了如果分析函数抛出异常，内存线程仍然会被终止。
使用这种方法，我们可以有效地随时间对内存使用情况进行抽样。大部分工作将在主分析线程中完成;但是每0.1秒，监视器线程就会被唤醒，进行一次内存测量，如果内存使用量增加就将其存储，然后返回睡眠状态。
本文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理
