概述

简单用法

在函数上加装饰器 profile，正常启动
profile 的其他参数都是选填的

from memory_profiler import profile

@profile(precision=4,stream=open('memory_profiler.log','w+'))
def my_func():
		a = [1] * (10 ** 6)
  	b = [2] * (2 * 10 ** 7)
  	del b
  	return a

参考文档

该库地址
https://pypi.org/project/memory-profiler/

中文用法简单说明：
https://www.cnblogs.com/rgcLOVEyaya/p/RGC_LOVE_YAYA_603days_1.html
中文详细说明：
https://www.cnblogs.com/kaituorensheng/p/5669861.html

分析方法

逐行打印内存增长

在可疑函数上套上 @profile 装饰器，运行服务进行压测，观察内存占用即可。
如果没有明显的可疑函数，可以从请求/任务的主入口开始进行分析，结合代码逐步定位问题。

Line #    Mem usage  Increment   Line Contents
==============================================
     3                           @profile
     4      5.97 MB    0.00 MB   def my_func():
     5     13.61 MB    7.64 MB       a = [1] * (10 ** 6)
     6    166.20 MB  152.59 MB       b = [2] * (2 * 10 ** 7)
     7     13.61 MB -152.59 MB       del b
     8     13.61 MB    0.00 MB       return a

随时间内存占用情况

该图无法直接定位问题，只能用于辅助，直接使用 top 也能达到类似效果

交互式调试

支持 pdb 调试和 IPython 集成

注意事项

循环下

逐行打印下 Increment 表示循环语句最后一次执行时的内存变化，Mem usage 则是最后一次循环累积占用的内存

GC

删除对象不一定会立即释放内存，不同版本行为不一致，内存分析时可以显式调用 gc.collect() 强制释放内存
相关资料：
https://stackoverflow.com/questions/37075939/python-experiment-with-gc-and-memory-profiler
https://stackoverflow.com/questions/26046924/is-it-more-memory-efficient-to-set-variables-to-none-in-python
思考 premature optimization is the root of all evil

profile 的 stream 参数

示例中@profile 的 stream 为 open(‘memory_profiler.log’,’w+’)，但是该写法仅限于脚本调试，在服务调试中不好用。
在服务中建议使用日志模块 LogFile，或者将标准输出导出到文件后进行处理。