如何用memory_profiler排查Python Kivy应用的内存泄漏问题？

一、面向对象/Kivy应用内存泄漏排查方法 #

无需专门的“指南”，直接用以下工具和思路就能覆盖绝大多数场景：

• tracemalloc：Python标准库自带工具，可跟踪内存分配的具体位置，对比不同时间点的快照，精准定位内存增长源头，适配面向对象场景，能直接找到具体类的实例增长情况。
• objgraph：可生成对象引用关系图，快速定位被意外引用导致无法回收的对象，尤其适合排查Kivy Widget被线程持有的场景。
• Kivy专属注意点：
  • 禁止在非主线程直接操作Kivy Widget，否则会导致Widget被线程引用无法被GC回收。
  • 使用Clock.schedule_xxx调度的任务，不再需要时必须取消，避免持续持有引用。
  • 观察者/订阅模式中，确保订阅者在失效时解除订阅，防止引用持续累积。

二、关于memory_profiler显示的process调用内存增量问题 #

你看到的0.1-0.2MiB增量不一定是“内存泄漏”，先理清几个核心关键点：

1. sys.getsizeof的局限性：它仅返回对象自身的内存大小，不包含对象引用的其他关联数据。比如processor_value字典本身大小不变，但内部的measurement_processor实例可能在每次process调用后积累了内部数据（如列表、缓存）。
2. memory_profiler的增量计算逻辑：显示的是代码行执行前后的内存变化，可能包含临时对象（如字符串、异常实例），但如果这些对象被隐性引用持有，就无法被GC回收，最终导致内存持续增长：
   • 检查measurement_processor.process内部：是否每次调用都往实例变量中添加数据（如self.results.append(...)）且无清理逻辑？
   • 检查notify_device_observers：是否每次调用都注册新观察者，却未移除旧的？这会导致观察者对象持续累积。
   • 日志输出影响：Logger.debug生成的字符串可能被日志处理器缓存（如文件handler的缓冲区），若日志级别过高，会持续占用内存。
3. process方法加@profile显示增量为0的原因：memory_profiler的装饰器仅跟踪方法内部的内存变化，如果内存增长发生在方法外部（如process返回的对象被外部持有），或方法内部的对象被外部引用，就不会在方法的profile结果中体现。

具体排查步骤 #

1. 用tracemalloc定位增长对象：
   在代码开头添加初始化代码：

   import tracemalloc
   tracemalloc.start()
   

   然后在loop_internals中每隔N次循环拍摄快照：

   # 示例：每100次循环拍一次快照
   if getattr(self, 'loop_count', 0) % 100 == 0:
       snapshot = tracemalloc.take_snapshot()
       top_stats = snapshot.statistics('lineno')
       print("[Top 10内存增长位置]")
       for stat in top_stats[:10]:
           print(stat)
       self.loop_count = getattr(self, 'loop_count', 0) + 1
   

   通过输出可直接看到哪些代码行分配的对象数量持续增长。

2. 用objgraph找未回收的对象：
   安装objgraph后，在循环中定期运行以下代码：

   import objgraph
   # 示例：查看MeasurementProcessor类的实例增长情况
   objgraph.show_growth(limit=10, filter=[MeasurementProcessor])
   

   如果实例数量持续增长，说明对象未被回收，再用以下代码查找引用链：

   obj = objgraph.by_type('MeasurementProcessor')[-1]
   chain = objgraph.find_backref_chain(obj, objgraph.is_proper_module)
   objgraph.show_chain(chain, filename='ref_chain.png')
   

   生成的图片可直观展示谁在持有该对象。

3. 检查process方法内部逻辑：
   确认process方法中是否存在持续累积数据的逻辑，比如：

   def process(self, data):
       # 此类写法会持续缓存数据，导致内存增长
       self.cached_data.append(data)
       return processed_result
   

   若存在此类逻辑，需添加清理规则（如限制缓存大小）。

4. 检查Observer订阅逻辑：
   确认notify_device_observers中的观察者列表是否被正确维护，是否存在重复订阅或未移除的过期观察者。

内容的提问来源于stack exchange，提问作者user2997497