Python内存设置

### Python 内存管理概述

Python 的内存管理主要由 Python 解释器自动处理，这使得开发者无需手动管理内存。然而，理解其工作原理有助于编写更高效的代码[^1]。

#### 内存分配策略

当创建对象时，Python 使用特定算法来决定如何分配内存。对于小型固定大小的对象（如整数、浮点数），通常会预先分配一块较大的连续内存区域，并从中划分出所需的空间；而对于大型或可变大小的对象，则会在堆上动态分配空间[^2]。

# 创建不同类型的对象示例
small_object = 42          # 小型固定大小对象
large_object = [i for i in range(1000)]  # 大型或可变大小对象

#### 引用计数机制

Python 主要依赖于引用计数来进行简单的垃圾回收操作。每当有一个新的引用指向某个对象时，该对象的引用计数值就会增加；相反地，当不再有其他地方引用此对象时，它的引用计数减至零并被销毁，所占用的内存在此时得到释放。

import sys

a = []
b = a           # 'a' 和 'b' 都指向同一个列表实例
print(sys.getrefcount(a))  # 输出：3 (包括 getrefcount 函数内部的一个临时引用)

del b            # 删除对列表的一个引用
print(sys.getrefcount(a))  # 输出：2

#### 垃圾回收补充手段——循环检测

尽管引用计数能有效解决大部分情况下的内存泄漏问题，但对于涉及循环引用的情况却无能为力。因此，CPython 实现了一个额外的垃圾收集器周期性地扫描可能存在循环引用的数据结构，并清理这些无法访问到的对象。

import gc

gc.collect()    # 手动触发一次完整的垃圾回收过程

#### 设置最大可用内存

虽然 Python 自身并没有提供直接设定整个进程所能使用的总物理内存上限的功能，但是可以通过一些间接方式实现这一目标：

- **Linux/Unix 系统下** 可以利用 `ulimit` 命令限制单个进程中可以消耗的最大虚拟地址空间；
- 对于多线程应用来说，还可以考虑使用第三方库如 [`memory_profiler`](https://pypi.org/project/memory-profiler/) 来监控和控制各线程间的内存开销。