python對象緩存

『壹』 python如何管理內存

Python中的內存管理是從三個方面來進行的,一對象的引用計數機制,二垃圾回收機制,三內存池機制
一、對象的引用計數機制
Python內部使用引用計數，來保持追蹤內存中的對象，所有對象都有引用計數。
引用計數增加的情況：
1，一個對象分配一個新名稱
2，將其放入一個容器中(如列表、元組或字典)
引用計數減少的情況：
1，使用del語句對對象別名顯示的銷毀
2，引用超出作用域或被重新賦值
sys.getrefcount( )函數可以獲得對象的當前引用計數
多數情況下，引用計數比你猜測得要大得多。對於不可變數據(如數字和字元串)，解釋器會在程序的不同部分共享內存，以便節約內存。
二、垃圾回收
1，當一個對象的引用計數歸零時，它將被垃圾收集機制處理掉。
2，當兩個對象a和b相互引用時，del語句可以減少a和b的引用計數，並銷毀用於引用底層對象的名稱。然而由於每個對象都包含一個對其他對象的應用，因此引用計數不會歸零，對象也不會銷毀。(從而導致內存泄露)。為解決這一問題，解釋器會定期執行一個循環檢測器，搜索不可訪問對象的循環並刪除它們。
三、內存池機制
Python提供了對內存的垃圾收集機制，但是它將不用的內存放到內存池而不是返回給操作系統。
1，Pymalloc機制。為了加速Python的執行效率，Python引入了一個內存池機制，用於管理對小塊內存的申請和釋放。
2，Python中所有小於256個位元組的對象都使用pymalloc實現的分配器，而大的對象則使用系統的malloc。
3，對於Python對象，如整數，浮點數和List，都有其獨立的私有內存池，對象間不共享他們的內存池。也就是說如果你分配又釋放了大量的整數，用於緩存這些整數的內存就不能再分配給浮點數。

『貳』 軟體測試中,python中的 ==和 is 之間的區別

在Python中一切都是對象。
Python中對象包含的三個基本要素，分別是：id(身份標識)、type(數據類型)和value(值)。對象之間比較是否相等可以用==，也可以用is。
is和==都是對對象進行比較判斷作用的，但對對象比較判斷的內容並不相同。下面來看看具體區別在哪?
is比較的是兩個對象的id值是否相等，也就是比較兩個對象是否為同一個實例對象，是否指向同一個內存地址。
==比較的是兩個對象的內容是否相等，默認會調用對象的__eq__()方法。

以下代碼在Python3.5下測試通過。
==比較操作符和is同一性運算符區別
==是python標准操作符中的比較操作符，用來比較判斷兩個對象的value(值)是否相等。
代碼1：
>>> a = [1, 2, 3]
>>> b = a
>>> b is a
True
>>> b == a
True
>>> b = a[:]
>>> b is a
False
>>> b == a
True

解釋一下為什麼？is也被叫做同一性運算符，也就是id是否相同。看下面代碼， a和b變數的id不同， 所以b==a是True， b is a 是False.
代碼2：
>>> id(a)
4364243328
>>>
>>> id(b)
4364202696

哪些情況下is和==結果是完全相同的？
代碼3：
>>> a = 256
>>> b = 256
>>> a is b
True
>>> a == b
True
>>>
>>> a = 1000
>>> b = 10**3
>>> a == b
True
>>> a is b
False
>>>

結論：數字類型不完全相同。

為什麼256時相同， 而1000時不同？
因為出於對性能的考慮，Python內部做了很多的優化工作，對於整數對象，Python把一些頻繁使用的整數對象緩存起來，保存到一個叫small_ints的鏈表中，在Python的整個生命周期內，任何需要引用這些整數對象的地方，都不再重新創建新的對象，而是直接引用緩存中的對象。Python把這些可能頻繁使用的整數對象規定在范圍[-5, 256]之間的小對象放在small_ints中，但凡是需要用些小整數時，就從這裡面取，不再去臨時創建新的對象。

代碼4：
>>> c = 'pythontab.com'
>>> d = 'pythontab.com'
>>> c is d
False
>>> c == d
True
>>> c = 'pythontabcom'
>>> d = 'pythontabcom'
>>> c is c
True
>>> c == d
True

結論：字元串類型不完全相同。這個和解釋器實現有關。

代碼5：
>>> a = (1,2,3) #a和b為元組類型
>>> b = (1,2,3)
>>> a is b
False
>>> a = [1,2,3] #a和b為list類型
>>> b = [1,2,3]
>>> a is b
False
>>> a = {'python':100,'com':1} #a和b為dict類型
>>> b = {'python':100,'com':1}
>>> a is b
False
>>> a = set([1,2,3])#a和b為set類型
>>> b = set([1,2,3])
>>> a is b
False

結論
當變數是數字、字元串、元組，列表，字典時，is和==都不相同， 不能互換使用！當比較值時，要使用==，比較是否是同一個內存地址時應該使用is。當然，開發中比較值的情況比較多。

『叄』 python 如何釋放緩存

我覺得可能是因為你的py文件在第一次啟動後，已經編譯成pyc文件了，再次啟動的時候都是載入pyc，省去了編譯的階段，所以速度很快。
你可以試著把程序目錄下的所有pyc或者你的代碼文件對應的pyc文件刪除，看看是不是可以和第一次載入速度相同

『肆』 python從資料庫讀取數據後會緩存數據嗎

python並不具有數據存儲的功能，所以的查詢結果都會在內存中保留，程序執行完畢數據就消失，不會有緩存的問題。

『伍』 如何給輕量python程序，腳本製作緩存

1, 首先下載並安裝Python 2.7 2, 寫一個簡單地Python源文件,比如test.py,內容如下: import sys, os def test(arg1, arg2): print "begin test..." fun1('1', '2') print arg1 print arg2 def fun1(arg1, arg2): print arg1 print arg2 if __name...

『陸』 python requests 會緩存，嗎

你好 python 並不會自動緩存數據， 極度懷疑你數據沒插入成功，或者插入操作不在那個2秒SLEEP的時間裡面。

『柒』 如何在python中使用時間限制進行緩存

可以試試裝飾器

defcache(fn=None,time_to_live=3600*24):#oneDAYdefault(orwhatever)
ifnotfn:returnfunctools.partial(cache,time_to_live=time_to_live)
my_cache={}
def_inner_fn(*args,**kwargs)
kws=sorted(kwargs.items())#inpython3.6+youdontneedsorted
key=tuple(args)+tuple(kw)
ifkeynotinmy_cacheortime.time()>my_cache[key]['expires']:
my_cache[key]={"value":fn(*args,**kwargs),"expires":time.time()+time_to_live}
returnmy_cache[key]
return__inner_fn

@cache(time_to_live=3600)#anhour
defmy_sqrt(x):
returnx**0.5@cache(time_to_live=60*30)#30mins
defget_new_emails():
returnmy_stmp.get_email_count()

『捌』 Python如何進行內存管理

Python是如何進行內存管理的？

答:從三個方面來說,一對象的引用計數機制,二垃圾回收機制,三內存池機制。

一、對象的引用計數機制

Python內部使用引用計數，來保持追蹤內存中的對象，所有對象都有引用計數。

引用計數增加的情況：

1，一個對象分配一個新名稱

2，將其放入一個容器中（如列表、元組或字典）

引用計數減少的情況：

1，使用del語句對對象別名顯示的銷毀

2，引用超出作用域或被重新賦值

Sys.getrefcount( )函數可以獲得對象的當前引用計數

多數情況下，引用計數比你猜測得要大得多。對於不可變數據（如數字和字元串），解釋器會在程序的不同部分共享內存，以便節約內存。

相關推薦：《Python視頻教程》

二、垃圾回收

1，當一個對象的引用計數歸零時，它將被垃圾收集機制處理掉。

2，當兩個對象a和b相互引用時，del語句可以減少a和b的引用計數，並銷毀用於引用底層對象的名稱。然而由於每個對象都包含一個對其他對象的應用，因此引用計數不會歸零，對象也不會銷毀。（從而導致內存泄露）。為解決這一問題，解釋器會定期執行一個循環檢測器，搜索不可訪問對象的循環並刪除它們。

三、內存池機制

Python提供了對內存的垃圾收集機制，但是它將不用的內存放到內存池而不是返回給操作系統。

1，Pymalloc機制。為了加速Python的執行效率，Python引入了一個內存池機制，用於管理對小塊內存的申請和釋放。

2，Python中所有小於256個位元組的對象都使用pymalloc實現的分配器，而大的對象則使用系統的malloc。

3，對於Python對象，如整數，浮點數和List，都有其獨立的私有內存池，對象間不共享他們的內存池。也就是說如果你分配又釋放了大量的整數，用於緩存這些整數的內存就不能再分配給浮點數。

『玖』 python產生10個[100~200]之間的隨機數,找出這10個隨機數中的中間值

在8000到2000之間產生10個隨機數，用到random包。

random.random()用於生成一個指定范圍內的隨機符點數，兩個參數其中一個是上限，一個是下限。如果a > b，則生成隨機數。

n <= b。如果 a <b， 則 b <= n <= a。用於生成一個指定范圍內的整數。其中參數a是下限，參數b是上限，Python生成隨機數。

(9)python對象緩存擴展閱讀：

注意事項：

1、range (10000000)後，內存不釋放的原因：python對整數對象做了緩存，新創建出來的整數對象的內存不會被釋放，而是留著以後再次創建整數對象時繼續使用。這樣可以減少new操作，提高效率。

2、局部變數的訪問速度，比全局變數、內建變數都要快，如果函數中，需要頻繁使用某個全局變數或內建函數時，那麼可以考慮先將這個全局變數或內建函數賦值給一個局部變數，後面代碼直接訪問這個局部變數、

3、雖然python是動態語言，但是在執行python代碼前，也有編譯的過程。平時看到的pyc文件就是python編譯後的結果。

『拾』 是否有Python緩存庫

從Python 3.2開始，可以使用functools庫中的裝飾器@lru_cache。這是最近使用過的緩存，所以其中的項目沒有到期時間，但作為快速入侵，它非常有用。
from functools import lru_cache

@lru_cache(maxsize=256)def f(x):
return x*xfor x in range(20):
print f(x)for x in range(20):
print f(x)