Python化学聚类脚本执行print触发段错误，逐行运行正常

可能的原因分析 #

段错误通常由底层C扩展（比如RDKit的核心C代码）非法访问内存地址导致，结合你的场景，核心触发点大概率是：

• RDKit生成的对象（如分子结构、指纹）在函数结束后被提前释放，导致compounds_clustered引用了已失效的内存空间
• 批量处理时的内存泄漏或对象生命周期管理异常，手动逐行运行时GC有足够时间清理冗余对象，而脚本整体执行时内存状态混乱
• 直接打印包含RDKit原生对象的字典时，触发底层C扩展的内存访问冲突

针对性解决方案 #

1. 显式管理RDKit对象的生命周期 #

在聚类函数内，主动销毁不再使用的RDKit对象，避免悬空引用：

from rdkit.Chem import AllChem as Chem
from rdkit import RDLogger

# 关闭RDKit冗余日志，减少内存占用
RDLogger.DisableLog('rdApp.*')

def cluster_chemicals(compound_ids):
    compounds_clustered = {}
    for cid in compound_ids:
        # 获取SMILES并生成分子对象
        smi = pubchempy.get_compounds(cid, 'cid')[0].isomeric_smiles
        mol = Chem.MolFromSmiles(smi)
        if not mol:
            continue
        # 生成指纹
        fp = Chem.GetMorganFingerprintAsBitVect(mol, 2, nBits=1024)
        # 存储聚类结果（只保留Python原生类型）
        compounds_clustered[cid] = {'smiles': smi, 'fingerprint': list(fp)}
        # 显式销毁RDKit对象，释放内存
        del mol, fp
    return compounds_clustered

2. 避免直接打印包含RDKit原生对象的集合 #

如果compounds_clustered中存储了RDKit的Fingerprint或Mol对象，打印时会触发底层C代码的内存访问错误。需先将其转换为Python原生类型（如列表、元组）：

# 打印前转换所有RDKit对象
for cid, data in compounds_clustered.items():
    if hasattr(data.get('fingerprint'), '__class__') and 'rdkit' in str(data['fingerprint'].__class__):
        data['fingerprint'] = list(data['fingerprint'])
print(compounds_clustered)

3. 检查依赖版本兼容性 #

RDKit与Python、numpy等依赖的版本不兼容可能引发内存问题，确保你的conda环境满足：

• RDKit版本≥2023.03.1（该版本修复了多个内存管理bug）
• numpy版本与RDKit匹配（避免用numpy 1.26.x搭配旧版RDKit）
• 参考兼容的依赖组合：

  rdkit=2023.09.5
  python=3.10.13
  numpy=1.24.3
  pubchempy=1.0.4
  

4. 用调试工具定位精准触发点 #

启用faulthandler捕获段错误的调用栈，直接定位到问题函数：

import faulthandler
faulthandler.enable()

# 你的脚本完整代码...
compounds_clustered = cluster_chemicals(your_compound_ids)
print(compounds_clustered)

运行后会输出段错误的详细调用栈，能明确是RDKit的哪个模块触发了内存访问异常。

内容的提问来源于stack exchange，提问作者lizaveta