全面解读Python垃圾回收机制

本文转载自微信公众号「小菜学编程」，全面作者fasionchan。解读机制转载本文请联系小菜学编程公众号。垃圾

Python 内部采用 引用计数法 ，回收为每个对象维护引用次数，全面并据此回收不再需要的解读机制垃圾对象。由于引用计数法存在重大缺陷，垃圾循环引用时有内存泄露风险，回收因此 Python 还采用 标记清除法 来回收存在循环引用的全面垃圾对象。此外，解读机制为了提高垃圾回收( GC )效率，垃圾Python 还引入了 分代回收机制 。回收

对象跟踪

将程序内部对象跟踪起来，全面是解读机制实现垃圾回收的第一步。那么，垃圾是不是程序创建的所有对象都需要跟踪呢?

一个对象是否需要跟踪，取决于它会不会形成循环引用。按照引用特征，Python 对象可以分为两类：

内向型对象 ，例如 int 、float 、 str 等，这类对象不会引用其他对象，因此无法形成循环引用，无须跟踪; 外向型对象 ，例如 tuple 、服务器租用 list 、 dict 等容器对象，以及函数、类实例等复杂对象，这类对象一般都会引用其他对象，存在形成循环引用的风险，因此是垃圾回收算法关注的重点;

这是一个典型的例子，橘红色外向型对象存在循环引用的可能性，需要跟踪;而绿色内向型对象在引用关系图中只能作为叶子节点存在，无法形成任何环状，因此无需跟踪：

Python 为外向型对象分配内存时，调用位于 Modules/gcmodule.c 源文件的 _PyObject_GC_Alloc 函数。该函数在对象头部之前预留了一些内存空间，以便垃圾回收模块用 链表 将它们跟踪起来。预留的内存空间是一个 _gc_head 结构体，它定义于 Include/objimpl.h 头文件：

typedef union _gc_head {      struct {          union _gc_head *gc_next;         union _gc_head *gc_prev;         Py_ssize_t gc_refs;     } gc;     long double dummy;  /* force worst-case alignment */     // malloc returns memory block aligned for any built-in types and     // long double is the largest standard C type.     // On amd64 linux, long double requires 16 byte alignment.     // See bpo-27987 for more discussion. } PyGC_Head;  gc_next ，链表后向指针，指向后一个被跟踪的对象; gc_prev ，链表前向指针，指向前一个被跟踪的对象; gc_refs ，对象引用计数副本，在标记清除算法中使用; dummy ，站群服务器内存对齐用，以 64 位系统为例，确保 _gc_head 结构体大小是 16 字节的整数倍，结构体地址以 16 字节为单位对齐;

以 list 对象为例，_PyObject_GC_Alloc 函数在 PyListObject 结构体基础上加上 _gc_head 结构体来申请内存，但只返回 PyListObject 的地址作为对象地址，而不是整块内存的首地址：

就这样，借助 gc_next 和 gc_prev 指针，Python 将需要跟踪的对象一个接一个组织成 双向链表 ：

这个链表也被称为 可收集 ( collectable )对象链表，Python 将从这个链表中收集并回收垃圾对象。

分代回收机制

Python 程序启动后，内部可能会创建大量对象。如果每次执行标记清除法时，都需要遍历所有对象，多半会影响程序性能。为此，Python 引入分代回收机制——将对象分为若干“代”( generation )，每次只处理某个代中的对象，因此 GC 卡顿时间更短。

那么，按什么标准划分对象呢?是否随机将一个对象划分到某个代即可呢?答案是否定的。实际上，对象分代里头也是香港云服务器有不少学问的，好的划分标准可显著提升垃圾回收的效率。

考察对象的生命周期，可以发现一个显著特征：一个对象存活的时间越长，它下一刻被释放的概率就越低。我们应该也有这样的亲身体会：经常在程序中创建一些临时对象，用完即刻释放;而定义为全局变量的对象则极少释放。

因此，根据对象存活时间，对它们进行划分就是一个不错的选择。对象存活时间越长，它们被释放的概率越低，可以适当降低回收频率;相反，对象存活时间越短，它们被释放的概率越高，可以适当提高回收频率。

对象存活时间释放概率回收频率长 低 低 短 高 高

Python 内部根据对象存活时间，将对象分为 3 代(见 Include/internal/mem.h )：

#define NUM_GENERATIONS 3 

每个代都由一个 gc_generation 结构体来维护，它同样定义于 Include/internal/mem.h 头文件：

struct gc_generation {      PyGC_Head head;     int threshold; /* collection threshold */     int count; /* count of allocations or collections of younger                   generations */ };  head ，可收集对象链表头部，代中的对象通过该链表维护; threshold ，仅当 count 超过本阀值时，Python 垃圾回收操作才会扫描本代对象; count ，计数器，不同代统计项目不一样;

Python 虚拟机运行时状态由 Include/internal/pystate.h 中的 pyruntimestate 结构体表示，它内部有一个 _gc_runtime_state ( Include/internal/mem.h )结构体，保存 GC 状态信息，包括 3 个对象代。这 3 个代，在 GC 模块( Modules/gcmodule.c ) _PyGC_Initialize 函数中初始化：

struct gc_generation generations[NUM_GENERATIONS] = {      /* PyGC_Head,                                 threshold,      count */     { { { _GEN_HEAD(0), _GEN_HEAD(0), 0}},           700,            0},     { { { _GEN_HEAD(1), _GEN_HEAD(1), 0}},           10,             0},     { { { _GEN_HEAD(2), _GEN_HEAD(2), 0}},           10,             0}, }; 

为方便讨论，我们将这 3 个代分别称为：初生代、中生代 以及 老生代。当这 3 个代初始化完毕后，对应的 gc_generation 数组大概是这样的：

每个 gc_generation 结构体链表头节点都指向自己，换句话说每个可收集对象链表一开始都是空的;计数器字段 count 都被初始化为 0 ;而阀值字段 threshold 则有各自的策略。这些策略如何理解呢?

Python 调用 _PyObject_GC_Alloc 为需要跟踪的对象分配内存时，该函数将初生代 count 计数器加一，随后对象将接入初生代对象链表;当 Python 调用 PyObject_GC_Del 释放垃圾对象内存时，该函数将初生代 count 计数器减一;_PyObject_GC_Alloc 自增 count 后如果超过阀值( 700 )，将调用 collect_generations 执行一次垃圾回收( GC )。

collect_generations 函数从老生代开始，逐个遍历每个生代，找出需要执行回收操作( count>threshold )的最老生代。随后调用 collect_with_callback 函数开始回收该生代，而该函数最终调用 collect 函数。

collect 函数处理某个生代时，先将比它年轻的生代计数器 count 重置为 0 ;然后将它们的对象链表移除，与自己的拼接在一起后执行 GC 算法(本文后半部分介绍);最后，将下一个生代计数器加一。

系统每新增 701 个需要 GC 的对象，Python 就执行一次 GC 操作; 每次 GC 操作需要处理的生代可能是不同的，由 count 和 threshold 共同决定; 某个生代需要执行 GC ( count>hreshold )，在它前面的所有年轻生代也同时执行 GC ; 对多个代执行 GC ，Python 将它们的对象链表拼接在一起，一次性处理; GC 执行完毕后，count 清零，而后一个生代 count 加一;

下面是一个简单的例子：初生代触发 GC 操作，Python 执行 collect_generations 函数。它找出了达到阀值的最老生代是中生代，因此调用 collection_with_callback(1) ，1 是中生代在数组中的下标。

collection_with_callback(1) 最终执调用 collect(1) ，它先将后一个生代计数器加一;然后将本生代以及前面所有年轻生代计数器重置为零;最后调用 gc_list_merge 将这几个可回收对象链表合并在一起：

最后，collect 函数执行标记清除算法，对合并后的链表进行垃圾回收，具体细节在本文后半部分展开介绍。

这就是分代回收机制的全部秘密，它看似复杂，但只需略加总结就可以得到几条直白的策略：

每新增 701 个需要 GC 的对象，触发一次新生代 GC ; 每执行 11 次新生代 GC ，触发一次中生代 GC ; 每执行 11 次中生代 GC ，触发一次老生代 GC (老生代 GC 还受其他策略影响，频率更低); 执行某个生代 GC 前，年轻生代对象链表也移入该代，一起 GC ; 一个对象创建后，随着时间推移将被逐步移入老生代，回收频率逐渐降低;

由于篇幅关系，分代回收部分代码无法逐行解释，请对照图示阅读相关重点函数，应该不难理解。

现在，我们对 Python 垃圾回收机制有了框架上的把握，但对检测垃圾对象的方法还知之甚少。垃圾对象识别是垃圾回收工作的重中之重，Python 是如何解决这一关键问题的呢?