python垃圾收集會那麼慢嗎,python很垃圾

本文目錄一覽：

• 1、Python運行效率低的原因有哪些
• 2、python垃圾收集機制？
• 3、Python 的內存管理機制
• 4、python為啥運行效率不高
• 5、python垃圾回收是有單獨的線程嗎
• 6、Python 執行速度慢只是因為它是解釋型語言嗎

Python運行效率低的原因有哪些

1.Python是動態語言

動態語言是一類在運行時可以改變其結構的語言，如新的函數、對象、代碼可以被引入，已有的函數可以被刪除或其他結構上的變化等，該類語言更具有活性，但是不可避免的因為運行時的不確定性也影響運行效率。

2.Python是解釋執行

相比於C語言編譯性語言編寫的程序，Python是解釋執行語言，其運行過程是Python運行文件程序時，Python解釋器將源代碼轉換為字節碼，然後再由Python解釋器來執行這些字節碼。其每次運行都要進行轉換成字節碼，然後再由虛擬機把字節碼轉換成機器語言，最後才能在硬件上運行，與編譯性語言相比，其過程更複雜，性能肯定會受影響。

3.Python中一切都是對象

Python是一門面向對象的編程語言，其設計理念是一切皆是對象，如數字、字符串、元組、列表、字典、函數、方法、類、模塊等都是對象，包括代碼，每個對象都需要維護引用計數，因此，增加了額外工作，影響了性能。

4.Python GIL

GIL是Python最為詬病的一點，因為GIL，Python中的多線程並不能真正的並發，即使在單線程，GIL也會帶來很大的性能影響，因為python每執行100個opcode就會嘗試線程的切換，因此，影響Python運行效率。

5.垃圾回收

Python採用標記和分代的垃圾回收策略，每次垃圾回收的時候都會中斷正在執行的程序，造成所謂的頓卡，影響運行效率。

python垃圾收集機制？

不再使用的內存會被一種稱為垃圾收集的機制釋放。像上面說的，雖然解釋器跟蹤對象的引用計數，但垃圾收集器負責釋放內存。垃圾收集器是一塊獨立代碼，它用來尋找引用計數為0的對象。它也負責檢查那些雖然引用計數大於0但也應該被銷毀的對象。特定情形會導致循環引用。一個循環引用發生在當你有至少兩個對象互相引用時，也就是說所有的引用都消失時，這些引用仍然存在，這說明只靠引用計數是不夠的。Python的垃圾收集器實際上是一個引用計數器和一個循環垃圾收集器。當一個對象的引用計數變為0，解釋器會暫停，釋放掉這個對象和僅有這個對象可訪問(可到達)的其他對象。作為引用計數的補充，垃圾收集器也會留心被分配的總量很大的(及未通過引用計數銷毀的那些)對象。在這種情況下，解釋器會暫停下來，試圖清理所有未引用的循環。

Python 的內存管理機制

Python採用自動內存管理，即Python會自動進行垃圾回收，不需要像C、C++語言一樣需要程序員手動釋放內存，手動釋放可以做到實時性，但是存在內存泄露、空指針等風險。

Python自動垃圾回收也有自己的優點和缺點：優點：

缺點：

Python的垃圾回收機制採用 以引用計數法為主，分代回收為輔 的策略。

先聊引用計數法，Python中每個對象都有一個核心的結構體，如下

一個對象被創建時，引用計數值為1，當一個變量引用一個對象時，該對象的引用計數ob_refcnt就加一，當一個變量不再引用一個對象時，該對象的引用計數ob_refcnt就減一，Python判斷是否回收一個對象，會將該對象的引用計數值ob_refcnt減一判斷結果是否等於0，如果等於0就回收，如果不等於0就不回收，如下：

一個對象在以下三種情況下引用計數會增加：

一個對象在以下三種情況引用計數會減少：

驗證案例：

運行結果：

事實上，關於垃圾回收的測試，最好在終端環境下測試，比如整數257，它在PyCharm中用下面的測試代碼打印出來的結果是4，而如果在終端環境下打印出來的結果是2。這是因為終端代表的是原始的Python環境，而PyCharm等IDE做了一些特殊處理，在Python原始環境中，整數緩存的範圍是在 [-5, 256] 的雙閉合區間內，而PyCharm做了特殊處理之後，PyCharm整數緩存的範圍變成了 [-5, 無窮大]，但我們必須以終端的測試結果為主，因為它代表的是原始的Python環境，並且代碼最終也都是要發布到終端運行的。

好，那麼回到終端，我們來看兩種特殊情況

前面學習過了，整數緩存的範圍是在 [-5, 256] 之間，這些整數對象在程序加載完全就已經駐留在內存之中，並且直到程序結束退出才會釋放佔有的內存，測試案例如下：

如果字符串的內容只由字母、數字、下劃線構成，那麼它只會創建一個對象駐留在內存中，否則，每創建一次都是一個新的對象。

引用計數法有缺陷，它無法解決循環引用問題，即A對象引用了B對象，B對象又引用了A對象，這種情況下，A、B兩個對象都無法通過引用計數法來進行回收，有一種解決方法是程序運行結束退出時進行回收，代碼如下：

前面講過，Python垃圾回收機制的策略是 以引用計數法為主，以分代回收為輔 。分代回收就是為了解決循環引用問題的。

Python採用分代來管理對象的生命周期：第0代、第1代、第2代，當一個對象被創建時，會被分配到第一代，默認情況下，當第0代的對象達到700個時，就會對處於第0代的對象進行檢測和回收，將存在循環引用的對象釋放內存，經過垃圾回收後，第0代中存活的對象會被分配為第1代，同樣，當第1代的對象個數達到10個時，也會對第1代的對象進行檢測和回收，將存在循環引用的對象釋放內存，經過垃圾回收後，第1代中存活的對象會被分配為第2代，同樣，當第二代的對象個數達到10個時，也會對第2代的對象進行檢測和回收，將存在循環引用的對象釋放內存。Python就是通過這樣一種策略來解決對象之間的循環引用問題的。

測試案例：

運行結果：

如上面的運行結果，當第一代中對象的個數達到699個即將突破臨界值700時（在打印699之前就已經回收了，所以看不到698和699）進行了垃圾回收，回收掉了循環引用的對象。

第一代、第二代、第三代分代回收都是有臨界值的，這個臨界值可以通過調用 gc.get_threshold 方法查看，如下：

當然，如果對默認臨界值不滿意，也可以調用 gc.set_threshold 方法來自定義臨界值，如下：

最後，簡單列出兩個gc的其它方法，了解一下，但禁止在程序代碼中使用

以上就是對Python垃圾回收的簡單介紹，當然，深入研究肯定不止這些內容，目前，了解到這個程度也足夠了。

python為啥運行效率不高

原因：1、python是動態語言；2、python是解釋執行，但是不支持JIT；3、python中一切都是對象，每個對象都需要維護引用計數，增加了額外的工作。4、python GIL；5、垃圾回收。

當我們提到一門編程語言的效率時：通常有兩層意思，第一是開發效率，這是對程序員而言，完成編碼所需要的時間；另一個是運行效率，這是對計算機而言，完成計算任務所需要的時間。編碼效率和運行效率往往是魚與熊掌的關係，是很難同時兼顧的。不同的語言會有不同的側重，python語言毫無疑問更在乎編碼效率，life is short，we use python。

雖然使用python的編程人員都應該接受其運行效率低的事實，但python在越多越來的領域都有廣泛應用，比如科學計算 、web服務器等。程序員當然也希望python能夠運算得更快，希望python可以更強大。

首先，python相比其他語言具體有多慢，這個不同場景和測試用例，結果肯定是不一樣的。這個網址給出了不同語言在各種case下的性能對比，這一頁是python3和C++的對比，下面是兩個case：

從上圖可以看出，不同的case，python比C++慢了幾倍到幾十倍。

python運算效率低，具體是什麼原因呢，下列羅列一些：

第一：python是動態語言

一個變量所指向對象的類型在運行時才確定，編譯器做不了任何預測，也就無從優化。舉一個簡單的例子：　r = a + b。　a和b相加，但a和b的類型在運行時才知道，對於加法操作，不同的類型有不同的處理，所以每次運行的時候都會去判斷a和b的類型，然後執行對應的操作。而在靜態語言如C++中，編譯的時候就確定了運行時的代碼。

另外一個例子是屬性查找，關於具體的查找順序在《python屬性查找》中有詳細介紹。簡而言之，訪問對象的某個屬性是一個非常複雜的過程，而且通過同一個變量訪問到的python對象還都可能不一樣（參見Lazy property的例子）。而在C語言中，訪問屬性用對象的地址加上屬性的偏移就可以了。

第二：python是解釋執行，但是不支持JIT（just in time compiler）。雖然大名鼎鼎的google曾經嘗試Unladen Swallow 這個項目，但最終也折了。

第三：python中一切都是對象，每個對象都需要維護引用計數，增加了額外的工作。

第四：python GIL，GIL是Python最為詬病的一點，因為GIL，python中的多線程並不能真正的並發。如果是在IO bound的業務場景，這個問題並不大，但是在CPU BOUND的場景，這就很致命了。所以筆者在工作中使用python多線程的情況並不多，一般都是使用多進程（pre fork），或者在加上協程。即使在單線程，GIL也會帶來很大的性能影響，因為python每執行100個opcode（默認，可以通過sys.setcheckinterval()設置）就會嘗試線程的切換，具體的源代碼在ceval.c::PyEval_EvalFrameEx。

 第五：垃圾回收，這個可能是所有具有垃圾回收的編程語言的通病。python採用標記和分代的垃圾回收策略，每次垃圾回收的時候都會中斷正在執行的程序，造成所謂的頓卡。infoq上有一篇文章，提到禁用Python的GC機制後，Instagram性能提升了10%。感興趣的讀者可以去細讀。

推薦課程：Python機器學習(Mooc禮欣、嵩天教授)

python垃圾回收是有單獨的線程嗎

對的，有單獨的垃圾回收線程。

因為這個單獨的線程，不管是Python還是Java，在垃圾回收的時候，其他線程會暫時停下來，所以這些垃圾回收的編程語言，速度比較慢。

Python 執行速度慢只是因為它是解釋型語言嗎

Python 不是解釋型語言，事實上也沒有「解釋型」語言這個分類。

Python 性能略有不佳的原因可能有幾個：

首先是 Python 希望自己是一個簡單和優雅的語言，需要性能的組件通常用 C 實現，沒有太多改進性能的動力。

然後 Python 具有垃圾回收和自動的內存管理功能，並且採用動態類型系統，會在運行時進行類型檢查，這會不可避免地略微影響性能，使其不如靜態類型(Java)或沒有垃圾回收(C/C++)的語言。

摘自維基百科：

「Python開發人員盡量避開不成熟或者不重要的優化。一些針對非重要部位的加快運行速度的補丁通常不會被合併到Python內。」

「因為Python屬於動態類型語言，動態類型語言是在運行期間檢查數據的類型，不得不保持描述變量值的實際類型標記，程序在每次操作變量時，需要執行數據依賴分支」