【導語】：Memray是一個可以檢查Python代碼內存分配情況的工具，我們可以使用它對Python解釋器或擴展模塊中的代碼進行分析，並生成多種統計報告，從而更直觀的看到代碼的內存分配。
開發者可以根據需要，生成多種統計報告，觀察程序的內存分配。
總結報告
該報告會把多個線程的內存分配情況顯示到同一個表格中，own memory表示每個函數占用的內存，total memory表示函數本身及其調用其他函數所占用的內存總量，allocation count表示暫時未釋放的內存個數。
火焰圖報告
該報告可以將內存分配數據可視化展示。火焰圖的第一層是占用內存的函數， 寬度越大，則占用的內存越多；每一層的函數都被其下一層的函數所調用，依次類推。
示例代碼：
def a(n):
return b(n)
def b(n):
return [c(n), d(n)]
def c(n):
return "a" * n
def d(n):
return "a" * n
a(100000)生成的火焰圖
由該圖可以看出，函數a調用了函數b，函數b調用了函數c和函數d。且第一層函數c 和函數d所占的寬度相同，表示c和d占用的內存一樣。
表格報告
該報告以表格的形式展示程序的內存使用情況。Thread ID表示對應的線程，Size表示占用的內存總數，Allocator表示占用內存的函數，Location表示函數所在的位置。同時，還可以對每一列的數據進行排序。
樹形報告
該報告可以清晰的顯示出程序的調用層次。樹形報告中根節點中的內存總量和所占百分比 只是針對於圖中展示的數據，占用內存小的不在圖中。
統計報告
該報告可以顯示程序內存使用情況的詳細信息，包括分配的內存總量、分配類型(例如MALLOC, CALLOC)等。
https://github.com/bloomberg/memray目前只能在Linux平台上使用Memray。由於Memray使用了C語言，發布的版本 是二進制的，所以得先在系統上安裝二進制編譯工具。隨後在Python3.7+的環境 下安裝Memray：
python3 -m pip install memray如果你想安裝開發版本的Memray，首先要在系統上安裝二進制工具：libunwind 和liblz4，隨後克隆項目並運行如下命令進行安裝：
git clone [email protected]:bloomberg/memray.git memray
cd memray
python3 -m venv ../memray-env/ # just an example, put this wherever you want
source ../memray-env/bin/activate
python3 -m pip install --upgrade pip
python3 -m pip install -e . -r requirements-test.txt -r requirements-extra.txt基本使用
我們可以通過以下命令來追蹤python代碼的內存分配情況,my_script.py就是要分析的文件：
python3 -m memray run my_script.py也可以把memray當作命令行工具使用，例如：
memray run my_script.py
memray run -m my_module以上命令會輸出一個二進制文件，隨後我們可以根據需要生成統計報告。假如我們想生成一個總結報告，那麼可以運行如下命令：
memray summary my_script.bin會生成程序內存分配的總結報告：
不同的報告形式在簡介部分都有展示，請讀者自行查看。
分析C/C++代碼的內存分配
當要使用Memray分析numpy或者pandas這種包含C代碼的模塊時，我們可以運行如下命令：
memray run --native my_script.py從而直觀的看到Python代碼分配了多少內存，擴展模塊分配了多少內存。
假如我們在一個文件中使用了Numpy,當我們不使用--native時，生成的統計報告如下圖：
從圖中可以看出在計算Numpy數組時分配了內存，但不清楚是Numpy還是Python解釋器分配了內存。通過使用--native命令，就可以得到一個 更全面的報告，如圖所示：
從圖中可以看到Numpy中C模塊的調用情況，當添加Numpy數組後，產生了內存分配。我們可以通過文件的後綴名區分Python模塊和C模塊。
在代碼運行時查看內存分配變化
Memray還支持動態查看Python代碼的內存分配情況，我們只需使用以下命令：
memray run --live my_script.py在這種模式下，開發者可以調試運行時間較長的代碼。下圖即為文件運行時的內存分配情況：
結果排序
統計報告中的結果通常是根據分配的總內存，從大到小依次排列。我們可以改變排序條件：
t (默認): 根據總內存排列
o: 根據每個函數占用的內存排列
a: 根據未釋放的內存個數進行排列
查看其他線程
使用live命令默認展示的是主線程的內存分配情況，我們可以通過左右箭頭切換到其他線程。
API
除了使用memray run查看Python代碼的內存分配，還可以在Python程序中使用memray。
import memray
with memray.Tracker("output_file.bin"):
print("Allocations will be tracked until the with block ends")更多細節可以查看相關API文檔[1]。
在我們平時編寫 Python 代碼的過程中，有時候只考慮到了業務功能的實現，而忽視了代碼的合理性與規范性，例如內存分配就是一個很重要的點，合理的內存分配有助於 提升項目的運行速度。
Memray 就是一個支持查看Python代碼內存分配的工具，它的便捷之處在於：我們可以根據需要，生成多種分析報告，從而直觀的了解到自己代碼的內存分配情況，避免發生內存洩露現象。
你寫 Python 代碼時關注過內存使用情況嗎？
參考資料：
[1]
API文檔: https://bloomberg.github.io/memray/api.html
Python貓技術交流群開放啦！群裡既有國內一二線大廠在職員工，也有國內外高校在讀學生，既有十多年碼齡的編程老鳥，也有中小學剛剛入門的新人，學習氛圍良好！想入群的同學，請在公號內回復『交流群』，獲取貓哥的微信（謝絕廣告黨，非誠勿擾！）~
還不過瘾？試試它們
▲如何用 Docker 構建企業級 PyPi 服務？
▲Python 函數為什麼會默認返回 None？
▲在 Google 工作十年後的感悟
▲Python 程序調試分析大殺器合集
▲Python 工匠：寫好面向對象代碼的原則（中）
▲Python在計算內存時應該注意的問題？
如果你覺得本文有幫助
請慷慨分享和點贊，感謝啦！
