Python垃圾回收机制以引用计数为核心，辅以循环垃圾回收解决循环引用问题；通过PyObject结构体中的ob_refcnt字段实现引用计数，当对象引用计数为0时自动释放内存，同时循环垃圾回收器定期扫描并清理不可达对象；开发者可通过gc模块手动控制回收行为，但需权衡性能影响，如CPU占用、程序暂停和内存碎片等。
Python的垃圾回收机制，简单来说，就是Python自动管理内存，释放不再使用的对象，避免内存泄漏。它主要依赖引用计数，并辅以循环垃圾回收。
引用计数是核心，每个对象都有个计数器，记录有多少个引用指向它。当计数器归零时，对象就被认为是垃圾，可以回收。但引用计数解决不了循环引用的问题，比如两个对象互相引用，即使外部没有引用它们，它们的计数器也永远不会是零。这时候，循环垃圾回收就派上用场了。
引用计数 + 循环垃圾回收。
Python是如何实现引用计数的？
Python的每个对象，在C语言层面，都有一个
PyObject结构体，其中包含了
ob_refcnt字段，这就是引用计数器。每次创建一个新的引用指向这个对象，
ob_refcnt就加1。当引用失效，比如离开作用域或者被赋予新值，
ob_refcnt就减1。当
ob_refcnt变为0时，Python就会调用该对象的析构函数
__del__，释放内存。
立即学习“Python免费学习笔记（深入）”；
但这里有个小问题，频繁的增加和减少引用计数，会带来一定的性能开销。而且，如果对象中定义了
__del__方法，垃圾回收会变得更加复杂，因为需要考虑析构函数的执行顺序。
import sys a = [1, 2, 3] b = a print(sys.getrefcount(a)) # 至少是2，因为getrefcount本身也会增加一次引用 del a print(sys.getrefcount(b)) # 还是1，因为a只是一个引用，删除a并不影响b del b # 现在对象[1, 2, 3]的引用计数变为0，会被垃圾回收
循环垃圾回收是如何工作的？
循环垃圾回收主要解决的是，互相引用的对象无法被引用计数机制回收的问题。它会定期扫描堆内存，寻找不可达对象（即没有被任何活动对象引用的对象）。
具体来说，循环垃圾回收器会维护两个链表：
reachable和
unreachable。首先，它会假设所有对象都是垃圾，把它们都放到
unreachable链表中。然后，它会遍历所有对象，如果发现某个对象被其他活动对象引用，就把它从
unreachable链表移动到
reachable链表中。
本文档主要讲述的是关于Objective-C手动内存管理的规则；在ios开发中Objective-C 增加了一些新的东西，包括属性和垃圾回收。那么，我们在学习Objective-C之前，最好应该先了解，从前是什么样的，为什么Objective-C 要增加这些支持。有需要的朋友可以下载看看
遍历完成后，
unreachable链表中剩下的对象就是真正的垃圾，可以被回收了。当然，这个过程会比较耗时，所以Python不会每次都执行循环垃圾回收，而是会根据一定的策略，比如分配对象的数量达到一定阈值时，才会触发。
import gc
# 创建循环引用
a = {}
b = {}
a['b'] = b
b['a'] = a
# 手动触发垃圾回收
gc.collect()
# 检查被回收的对象数量
print(gc.collect()) # 输出可能为2或0，取决于Python版本和运行环境如何手动控制垃圾回收？
虽然Python会自动进行垃圾回收，但有时候我们可能需要手动控制，比如在内存使用量过高时，或者在长时间运行的程序中。
Python提供了
gc模块，可以用来控制垃圾回收的行为。常用的方法有：
gc.collect()
：手动触发垃圾回收。gc.disable()
：禁用垃圾回收。gc.enable()
：启用垃圾回收。gc.isenabled()
：检查垃圾回收是否启用。gc.get_threshold()
：获取垃圾回收的阈值。gc.set_threshold()
：设置垃圾回收的阈值。
手动控制垃圾回收需要谨慎，因为不当的操作可能会导致内存泄漏或者程序崩溃。一般来说，只有在非常了解程序行为的情况下，才建议手动控制垃圾回收。
import gc # 禁用垃圾回收 gc.disable() # ... 执行一些操作 ... # 启用垃圾回收 gc.enable() # 手动触发垃圾回收 gc.collect()
垃圾回收对性能有什么影响？
垃圾回收虽然可以自动管理内存，但也带来一定的性能开销。主要体现在以下几个方面：
- CPU占用： 垃圾回收器需要扫描堆内存，识别和回收垃圾对象，这会占用CPU资源。
- 暂停： 在某些情况下，垃圾回收器可能会暂停程序的执行，以便进行垃圾回收。这种暂停可能会导致程序响应变慢，影响用户体验。
- 内存碎片： 垃圾回收可能会导致内存碎片，即内存中存在很多小的、不连续的空闲块，无法被利用。内存碎片会降低内存的利用率，甚至导致程序无法分配到足够的内存。
为了减少垃圾回收对性能的影响，我们可以采取一些措施，比如：
- 减少对象的创建： 尽量重用对象，避免频繁创建和销毁对象。
- 使用生成器： 生成器可以按需生成数据，避免一次性加载大量数据到内存中。
- 手动释放资源： 对于一些占用资源较多的对象，比如文件句柄、数据库连接等，应该在使用完毕后及时释放。
- 调整垃圾回收参数： 可以根据程序的特点，调整垃圾回收的阈值，以达到更好的性能。
总而言之，Python的垃圾回收机制是一把双刃剑。它简化了内存管理，但也带来一定的性能开销。我们需要了解垃圾回收的工作原理，并采取相应的措施，才能充分发挥Python的优势。
