开发者可以根据需要，生成多种统计报告，观察程序的内存分配。,该报告会把多个线程的内存分配情况显示到同一个表格中，own memory表示每个函数占用的内存，total memory表示函数本身及其调用其他函数所占用的内存总量，allocation count表示暂时未释放的内存个数。,总结报告,该报告可以将内存分配数据可视化展示。火焰图的第一层是占用内存的函数， 宽度越大，则占用的内存越多；每一层的函数都被其下一层的函数所调用，依次类推。,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。,表格报告,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。,树形报告,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,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：,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：,我们可以通过以下命令来追踪python代码的内存分配情况,my_script.py就是要分析的文件：,也可以把memray当作命令行工具使用，例如：,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：,会生成程序内存分配的总结报告：,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：,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：,统计报告,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：,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。,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。,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。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
">