tracemalloc：如何定位真正的内存增长来源

做的事：对比两个时间点的内存快照

上一篇看到的RSS只是一个总量数字，tracemalloc能告诉你增长发生在哪几行代码。

代码import tracemalloc tracemalloc.start() snap1 = tracemalloc.take_snapshot() leaky = [] def make_leak(): for i in range(50000): leaky.append({"id": i, "data": "x"*50}) make_leak() snap2 = tracemalloc.take_snapshot() top_stats = snap2.compare_to(snap1, 'lineno') for stat in top_stats[:3]: print(stat)

验证：精确定位到了具体的两行代码

不是"总共多用了多少内存"，是"哪一行代码造成的"。

结果real_py21_30.py:103: size=9418 KiB (+9418 KiB), count=100001 (+100001), average=96 B real_py21_30.py:102: size=1555 KiB (+1555 KiB), count=49744 (+49744), average=32 B tracemalloc.py:560: size=392 B (+392 B), count=2 (+2), average=196 B current bytes: 11246242 peak bytes: 11246266

第103行是leaky.append({"id": i, "data": "x"*50})这一整行——dict字面量本身的构造分配了9418KB，对应100001个对象（每个循环同时创建了dict本身和"x"*50这个字符串两个对象，所以count接近2×50000）；第102行是for i in range(50000)这一行，range对象和循环变量占了1555KB。关键是average这一列：9418KB/100001≈96字节，说明dict这类容器对象即便只装两个键值对，的固定开销就有近百字节，比看起来"只存了一个数字和一个短字符串"要重得多。

验证：current和peak是两个不同的数字

很多人以为"当前内存"就是"用过的最大内存"。

分步演示：内存增长来自哪一行

每一步都是本文上面用tracemalloc跑出来的原始结果。