Python 内存手术刀：sys.getrefcount 与引用计数的生死时速

前言：你是否有了解过python 最核心、最基础的内存管理机制——引用计数（Reference Counting） 。

1. 坚控台：sys.getrefcount 的数字游戏

在 Python 中，每一个对象创建时，都会自带一个名为 ob_refcnt 的属性。这个数字记录了当前有多少个变量（指针）正指向这个对象。

我们通过 sys.getrefcount() 这个“坚控摄像头”来观察它的生死时速：

Python

import sys

# 1. 创建一个对象
a = [1, 2, 3]
print(sys.getrefcount(a)) 

实验发现： 你可能以为输出是 1，但实际输出通常是 2。

知识点： sys.getrefcount(a) 在执行时，会将变量 a 作为参数传递给函数。在函数内部，形参也引用了该对象，导致计数临时 +1。所以，实际计数永远比你肉眼看到的变量数多 1。

2. 计数的“时速”：谁在拨动数字？

对象的引用计数就像一个不停波动的计数器，以下四种行为是导致计数增加的“四大元凶”：

① 赋值操作

Python

a = [1, 2, 3]  # 计数从 0 变 1 (加上临时引用共 2)
b = a          # 计数再 +1

② 传参

Python

def check(data):
    print(sys.getrefcount(data)) # 进入函数，形参引用，计数再 +1

check(a)

③ 放入容器

Python

my_list = [a, a, 123] # a 被两次放入列表，计数 +2

④ 属性绑定

Python

class MyObj: pass
obj = MyObj()
obj.attr = a  # 作为对象的属性，计数 +1

3. 计数的“刹车”：触发归零的瞬间

当引用计数变为 0 的那一刻，Python 会毫不留情地立即回收该对象占用的内存。这就是对象“死亡”的瞬间。

触发计数减少的操作通常包括：

• 使用 del 显式删除：del a 并不是删除对象，而是删除了“指向对象的标签”，让计数 -1。
• 变量被重新赋值：a = 456，原先 [1, 2, 3] 的计数 -1。
• 对象离开作用域：这是最常见的场景。当一个函数执行结束，函数内部的所有局部变量会被销毁，它们指向的对象的计数集体 -1。

4. 深度对比：为什么 Python 是“实时回收”？

这是 Python 内存管理最迷人的地方，也是它与 Java、Go 等语言最大的区别。

Python 的“即刻处决”

引用计数机制最大的优点是实时性。一旦计数归零，内存立即释放。

• 优点：内存回收的开销平摊在每一次赋值和销毁中，逻辑简单且极其高效。
• 副作用：你需要频繁地维护这个计数器，这在多线程环境下会带来严重的性能锁竞争（这也是 GIL 存在的理由之一）。

Java 的“等待宣判” (STW)

Java 的垃圾回收主要依赖可达性分析。它不会在引用断开的一瞬间回收内存，而是等到内存压力大到一定程度时，启动 GC 线程。

• STW (Stop The World) ：在 Java 进行大规模垃圾回收时，整个应用程序可能会短暂“暂停”，等待清洁工打扫完毕。
• 对比：Python 就像是一个每个乘客下车都立刻打扫座位的出租车；而 Java 更像是一辆运行了一整天、回到终点站才统一大扫除的公交车。

5. 引用计数的“死穴”：循环引用

引用计数虽然高效，但它有一个致命的逻辑漏洞：它不识“连环计” 。

Python

# 构造一个互相伤害的死循环
a = {}
b = {}
a['next'] = b
b['next'] = a

del a
del b

惨剧发生： 虽然我们 del 了 a 和 b，但 a 引用着 b，b 也引用着 a。它们的计数永远停留在 1，无法归零。

这些对象成了内存中的“僵尸”，它们不再能被业务代码访问，却死死霸占着内存空间。

总结：对象何时死亡？

在 Python 的世界里，一个对象的寿命取决于它对外界是否还有“利用价值” （即引用数）。

1. 如果你处理的是海量短生命周期对象（如在循环里不断创建临时列表），引用计数会非常勤快地帮你清理现场。
2. 如果你发现内存一直在涨，却找不到泄录点，那大概率是掉进了循环引用的陷阱。