简介：许多朋友询问有关在Python释放资源需要多长时间的问题。本文的首席执行官注释将为您提供详细的答案，以供您参考。我希望这对每个人都会有所帮助！让我们一起看看！
在上面的优化中，每500名用户将被计算并记录在磁盘文件中。但是实际上，Python的大坑是Python不会自动清洁这些内存。这是由本身决定的。出于特定的原因，互联网上有许多文章。
该博客将贴上作者的实验脚本，以解释Python确实具有不发布记忆的现象。另外，还提出了一个解决方案，即：首先DEL，然后显示GC.Collect（）。脚本和详细信息以下。
实验环境1：Win 7，Python 2.7
[python]查看普通副本
从时间进口睡眠，时间
导入GC
DEF MEM（Way = 1）：
打印时间（）
对于我的范围（10000000）：
如果== 1：
经过
else：＃路2、3
熟食店
打印时间（）
如果== 1或way == 2：
经过
else：＃路3
gc.collect（）
打印时间（）
如果__name__ ==“ __ -main __”：
打印“测试方式1：正好通过”
mem（路= 1）
睡眠（20）
打印“测试方式2：Just Del”
mem（路= 2）
睡眠（20）
打印“测试方式3：del，然后是gc.collect（）”
mem（路= 3）
睡眠（20）
运行结果如下：
[播放]查看普通副本
测试方式1：只需通过
1426688589.47
1426688590.25
1426688590.25
测试方式2：只是DEL
1426688610.25
1426688611.05
1426688611.05
测试方式3：DEL，然后是GC.Collect（）
1426688631.05
1426688631.85
1426688631.95
对于路1和路2，结果完全相同。程序内存消耗的峰值为326772KB。当睡眠20秒时，记忆的真实时间消耗为244820kb；
对于3条，程序内存消耗的峰值与上述相同，但是在睡眠期间，实际时间消耗仅为6336KB。
实验环境2：Ubuntu 14.10，Python 2.7.3
操作结果：
[播放]查看普通副本
测试方式1：只需通过
1426689577.46
1426689579.41
1426689579.41
测试方式2：只是DEL
1426689599.43
1426689601.1
1426689601.1
测试方式3：DEL，然后是GC.Collect（）
1426689621.12
1426689622.8
1426689623.11
[播放]查看普通副本
ubuntu@my_machine：?ps -aux |GREP TEST_MEM
警告：不好的PS语法，也许是虚假的' - '？看
Ubuntu 9122 10.0 6.0 270916 245564 PTS/1 S+ 14:39 0:03 Python Test_mem.py
ubuntu 9134 0.0 0.0 8104 924 pts/2 s+ 14:40 0:00 grep -color = auto test_mem
ubuntu@my_machine：?ps -aux |GREP TEST_MEM
警告：不好的PS语法，也许是虚假的' - '？看
Ubuntu 9122 10.0 6.0 270916 245564 PTS/1 S+ 14:39 0:03 Python Test_mem.py
ubuntu 9134 0.0 0.0 8104 924 pts/2 s+ 14:40 0:00 grep -color = auto test_mem
ubuntu@my_machine：?ps -aux |GREP TEST_MEM
警告：不好的PS语法，也许是虚假的' - '？看
Ubuntu 9122 11.6 0.1 30956 5608 PTS/1 S+ 14:39 0:05 Python Test_mem.py
综上所述：
以上表明，当调用DEL时，Python并没有真正发布内存，而是会继续将其放在内存池中。只有在GC.Collect（）中显示它，才能真正发布内存。
更远：
实际上，返回上一个博客的脚本，让它介绍gc.collect（），然后编写监视脚本监视内存消耗：
[播放]查看普通副本
而（（1））;做ps -aux |排序-n -k5,6 |grep my_script;自由的;睡眠5;完毕
发现每组用户执行后没有恢复内存，但是它继续消耗直到仅存储了约70MB，而GC似乎有效。在此环境中，机器使用云实例，带有总存储器在2G，大约1G的可用内存中，此脚本内存的常用消耗为900m -1g。在换句话说，对于此脚本，GC不立即工作，但是当系统可用内存从1-1.2降低时G到只有约70m，GC开始扮演角色。这真的很奇怪。我不知道该脚本是否与线程中使用的gc.collect（）或GC游戏不可控制有关。
但是，可以肯定的是，如果您不使用gc.collect（），则原始脚本将在系统中耗尽并杀死。从系统列表可以清楚地看到这一点。
众所周知，Python是一种面向对象的语言。在python中，无论是值，字符串，函数还是类型，类和类，它都是对象。
对象是堆上的结构化结构。我们定义的所有变量和函数都存储在堆内存中，变量名称和函数名称是对堆栈中存储并指向堆的特定结构的引用。
要深入了解Python，您首先需要了解Python对象的定义。
我们通常说的Python是Cpython，底层由C语言实现，源代码地址：CPYTHON [GITHUB]
python对象的定义位于include/object.h中。这是一种称为PyObject的结构：
Python中的所有对象均从Pyobejct继承。PyObject包含垃圾回收的两条链接列表。
从pyobejct的注释中，我们可以看到这样的句子：指向变量 - 尺寸python对象的可怜的指针也可以转换为pyvarobject*（在以下内容中可以解释pyvarobject*（可变 - 尺寸尺寸python对象）.pyvarobejct）。根据PyObject存储存储元素的数量：
在PyObject结构中，还有一个类型的对象指针OB_TYPE，用于表示哪种类型的Python对象。定义Python对象类型是PyTypeObject接口正文
实际定义是_typeobject，位于include/cpython/object.h：
在这种类型的对象中，不仅是对象的类型，还包括分配内存，对象标准操作等信息，它们主要分为：
以python中的int类型为例，int类型对象的定义如下：
从pyobject的定义来看，我们知道每个对象的ob_type必须指向特定类型对象，例如数值对象100，其ob_type将指向int类型对象pylong_type。
Pytypeobject结构的第一行是PyObject_var_head宏。检查宏定义。
换句话说，在最终分析中，类型的类型也是对象，并且还有一个ob_type属性。Pylong_type的ob_type是什么？
返回到pyvarobject_head_init（pytype_type，0）的第一行，返回Pylong_type的定义，检查相应的宏定义
从上面的关系中，我们可以知道pyvarobject_head_init（pytype_type，0）= {_pyobject_extra_init 1，pytype_type} 0} 0} 0}
这很清楚。Pylong_type的类型是Pytype_typ。可以看出，python类型对象的类型是pytype_type，而pytype_type对象的类型本身本身本身本身
从上面的内容中，我们知道对象和对象类型的定义，因此根据定义，对象可以具有以下两个类别
Python对象用PyObject和PyvarObject定义。因此，根据对象大小是否是可变的，可以将python对象分为变量对象（长期对象）和无法变量对象（固定 - 长度对象）。
原始对象a的大小没有更改，但是引用的对象已更改。对象A和对象B此处是固定长度对象
可以看出，可变l仍指向对象A，但是对象A的内容已更改，并且数据量已更大。请注意，这里是一个长对象
由于上述特征，这两个对象的使用将带来区别：
状态s2 = s，修改s：s ='新字符串'的值，s2的值不会一起变化，因为s2指向一个新对象，s2的旧对象的值不会更改尚未更改的旧对象。
说明L2 = L的值。修改L：L.Append（6）的值。目前，L2的值将共同变化，因为L和L2指向同一对象，并且对象的内容由L。
此外，对于字符串对象，Python还具有一组内存重用机制。如果两个字符串变量变量是相同的值，它们将共享相同的对象：
对于数值对象，Python将在0到2 8内创建一个整数对象，即，共享0至256之间的数值对象：
根据Python数据类型，可以将对象分为以下类别：
有两种方法可以在Python，通用API和类型相关的API中创建对象
这种类型的API通常以pyobject_xxx命名。它可以应用于任何Python对象，例如：
使用pyobjecg_new创建一个数值对象：
这种类型的API通常仅作用于一种类型的对象，例如：
使用Pylong_fromlong创建一个数值对象：
当我们使用Python声明变量时，无需将类型分配给变量。分配变量时，我们可以分配任何类型数据，例如:::
从Python对象的定义来看，我们已经可以知道这种特征的原因。当Python创建一个对象时，将分配内存以进行初始化。一个通用指针PyObject*，指向该指针的对象的类型未修复，只能通过OB_TYPE属性的动态动态来判断物体。
当管理和维护对象管理和维护对象时，Python使用参考计数来确定是否需要破坏内存中的对象。Python中的所有内容都是一个对象，所有对象都有参考计数ob_refcnt。
当对象的参考计数减少到0时，Python将释放对象占用的内存和系统资源。
但这并不意味着最终将发布内存空间，因为频繁释放内存的应用将大大降低Python的执行效率。因此，在Python中使用了内存对象池的技术。它未直接发布。当将来需要应用程序空间时，将从“内存对象池”中优先考虑。
关闭（）是发布资源。
如果您不关闭（），则需要等到垃圾回收后。垃圾回收的时机不确定，无法控制。
如果程序是命令，它将很快执行，并且可能不会产生很大的影响（注意：不要说这不是问题）。
但是，如果该程序是一项服务，或者需要很长时间才能执行它，或者可以在很大程度上执行它，则可能导致资源耗尽，或者可能导致僵局。
我认为这可能是因为您的PY文件在第一次启动后已将其编译到PYC文件中。重新启动时，加载了PYC，从而消除了编译阶段，因此速度很快。
您可以尝试删除程序目录中的所有PYC或与PYC文件相对应的代码文件中的所有PYC，以查看它是否与第一个加载速度相同
结论：以上是首席CTO注释引入的Python中释放资源所需多长时间的全部内容。我希望这对每个人都会有所帮助。如果您想了解有关此信息的更多信息，请记住要收集对该网站的关注。