memory_profiler 模块被用于在逐行的基础上，测量你代码的内存使用率，也建议安装 psutil 包，使得 memory_profile 模块运行的更快
from memory_profiler import profile @profile(precision=6) def primes(n): if n == 2: return [2] elif n < 2: return [] s = range(3, n + 1, 2) mroot = n ** 0.5 half = (n + 1) / 2 - 1 i = 0 m = 3 while m <= mroot: if s[i]: j = (m * m - 3) / 2 s[j] = 0 while j < half: s[j] = 0 j += m i = i + 1 m = 2 * i + 3 return [2] + [x for x in s if x] len(primes(100000))
meliae会把某个时刻的内存给dump到一个文件中，然后再对该文件进行分析，当我们的某个python程序占用内存很大，可能有内存泄露发生时，可以使用该工具来进行检测分析
Guppy (使用了Heapy）：使用 guppy 包，你可以跟踪每个类型在你代码中每个阶段（字符， 元组， 字典 等等）有多少对象被创建了，查看占用内存前十位变量的工具
objgraph模块：该工具允许你查看内存中对象的数量，定位含有该对象的引用的所有代码的位置。
.定位哪个对象引起内存泄漏 # -*- coding: utf-8 -*- import objgraph _cache = [] class OBJ(object): pass def func_to_leak(): o = OBJ() _cache.append(o) # do something with o, then remove it from _cache if True: # this seem ugly, but it always exists return _cache.remove(o) if __name__ == '__main__': objgraph.show_growth() try: func_to_leak() except: pass print '********after call func_to_leak*********' objgraph.show_growth() 运行结果（我们只关心后一次 show_growth 的结果）如下 wrapper_descriptor 1196 +1196 function 1187 +1187 builtin_function_or_method 739 +739 method_descriptor 635 +635 dict 539 +539 weakref 457 +457 tuple 364 +364 getset_descriptor 306 +306 list 232 +232 member_descriptor 227 +227 ********after call func_to_leak********* wrapper_descriptor 1205 +9 getset_descriptor 310 +4 member_descriptor 230 +3 weakref 459 +2 dict 541 +2 OBJ 1 +1 从运行结果可以发现，调用函数之后，增加了一个类 OBJ 的实例，然而理论上函数调用结束之后，所有在函数作用域（local）中声明的对象都改被销毁，因此这里就存在内存泄露。
- 显示占据python程序内存的头N个对象
- 显示一段时间以后哪些对象被删除活增加了
- 在我们的脚本中显示某个给定对象的所有引用
============快速生成陌生代码的函数调用关系