memory_profiler：Python 进程内存的逐行分析工具

Python 的内存管理机制让开发者无需手动分配和释放内存，但当程序的内存占用异常增长时，定位具体原因仍然是一件麻烦事。memory_profiler 正是为解决这个场景设计的工具。它可以监控 Python 进程的内存消耗，并输出每一行代码执行时的内存变化。项目托管在 GitHub 上，目前获得 4,574 个 Star 和 300 多个 Fork。

安装方式很直接，一条 pip 命令即可完成。项目核心依赖 psutil 模块来获取操作系统的进程内存信息，在 Windows、Linux 和 macOS 上都能正常工作。

装饰器模式的使用

在目标函数前加上 @profile 装饰器，再用python -m memory_profiler运行脚本，就能看到每一行代码执行后的内存占用和增量。输出以表格形式呈现，行号、当前内存、增量、执行次数和对应的代码内容全部列出。如果函数中创建了一个大列表，输出会显示该行分配了多少内存，删除后又释放了多少，整个过程清晰可追溯。reportIncrementFlag 参数可以过滤掉增量为零的行，减少无关输出带来的干扰。

装饰器也可以从 memory_profiler 包直接导入使用，此时无需在命令行中指定 -m 参数。precision 参数让用户控制输出结果的小数位数，默认四位，可按需调整。stream 参数则将结果输出到指定文件而非标准输出，方便后续分析。

时间维度的内存监控

对于需要观察进程全生命周期内存走势的场景，memory_profiler 提供了 mprof 命令行工具。mprof run在后台运行目标程序并持续采样内存，mprof plot将采样数据绘制成曲线图。采样文件基于时间戳命名，支持同时保留多次运行记录，mprof list和mprof clean分别用于查看和清理这些文件。

在多进程环境下，主进程与子进程的内存是分开计算的。mprof 的 --include-children 参数将子进程内存合并到父进程统计中，–multiprocess 参数则为每个子进程生成独立曲线。两条参数可以组合，同时看到总内存和各个子进程各自的走势。

调试与 IPython 集成

当程序内存消耗超过预期时，mprof 的 --pdb-mmem 参数可以在超标瞬间自动进入 pdb 调试器，让开发者直接在现场检查变量状态。这个功能对于排查偶发的内存尖峰很实用。

项目对 IPython 用户提供了两组魔术命令。%mprun 对指定文件中的函数做逐行分析，适合深度排查单函数的内部行为。%memit 则像 %timeit 一样做基准测试，但它评估的是内存而不只是时间，适合快速对比不同实现的开销。

API 调用与后端切换

除了装饰器和命令行工具，memory_profiler 提供了 memory_usage 函数供程序调用。它可以接受 PID、Python 代码字符串或函数元组作为监控目标，返回时间序列数据，方便集成到已有的测试或监控框架中。

后端支持切换。默认的 psutil 基于 RSS 统计内存，psutil_pss 和 psutil_uss 分别对应比例集大小和独享集大小，在多进程场景下能更准确反映实际内存占用。posix 后端通过读取 /proc 文件系统工作，tracemalloc 后端则依赖 Python 内置的追踪模块，提供基于内存分配器层面的精细追踪。

该项目已不再积极维护，作者在 README 中明确说明了这一点。使用中碰到问题需要自行解决或 fork 修复。

E 中明确说明了这一点。使用中碰到问题需要自行解决或 fork 修复。