使用memory_profiler分析Python内存泄漏的相关疑问

示例1：结果波动与内存泄漏疑惑 #

两次测试结果差异的原因 #

• Python内存管理依赖内置内存池和垃圾回收机制，每次运行时内存池初始状态、GC触发时机（比如循环中内存占用达阈值时自动触发）都可能不同，导致统计结果波动。
• memory_profiler通过定期采样内存状态统计数据，采样间隔的细微差异也会影响最终数值。

是否存在内存泄漏？ #

你误解了GC的回收逻辑：示例1中的list是全局变量，func执行完毕后，list仍持有10万个Object实例的引用，只要程序未退出，这些对象就不会被GC回收。mprof显示内存上升是预期行为，这不是内存泄漏——内存泄漏指程序无法释放不再使用的内存，而这里是你主动通过全局变量保留了对象引用。

示例2：全局变量引用与负内存增量的疑惑 #

你认为全局变量list持有引用会导致内存泄漏，但结果显示Increment为-2899.2 MiB，原因如下：

• memory_profiler的Increment统计的是函数结束时相对于开始时的内存变化量。如果函数开始前进程内存因解释器启动临时内存、历史运行残留等处于较高水平，函数执行过程中，虽然创建了10万个对象，但GC可能回收了其他无关临时内存，或Python内存分配器将部分空闲内存归还操作系统，导致最终内存比函数开始时更低，从而出现负增量。
• 需要明确：示例2中的全局list确实持有10万个Object的引用，只要程序不退出，这些对象就不会被GC回收。负增量只是函数执行前后的相对变化，不代表对象已被释放，也不意味着没有引用持有。若在func执行后手动查看进程内存，会发现内存仍处于较高水平，直到你主动解除引用（比如del list），GC才会回收这些对象。

内容的提问来源于stack exchange，提问作者Xiang