[[331013]]

如果大家在 Linux 或者 macOS 下面運行一段可能導致內存泄露的程序，那么你可能會看到下面這樣的情況：

而如果你用的系統是 Windows，那么可能電腦直接就卡死了。

但是，調試這種 OOM(Out of Memory)的問題有時候是非常困難的，因為你不知道代碼哪個地方會導致內存泄露。但是如果你運行程序進行調試，程序又會中途被殺掉或者直接卡死系統。

如果我們有辦法看到程序里面每一個函數占用的內存大小，那么我們就能縮小檢查的范圍。

為了實現這個目的，我們可以安裝并使用一個叫做filprofiler的第三方庫，它可以分析 Python 程序的內存占用情況。

我們先安裝這個庫：

pip install filprofiler 

然后寫一段會導致內存泄露的代碼：

def func_a(): 
    print('我是一個正常的函數') 
 
def func_b(): 
    print('我是第二個正常的函數') 
 
def func_b(): 
    print('我是第三個正常的函數') 
 
def func_oom(): 
    print('我是一個會導致內存泄露的函數') 
    datas = [] 
    while True: 
        datas.append('s' * 1024 * 1024) 
    print('運行程序的時候，你不會看到這一行') 
 
 
def run(): 
    func_a() 
    func_b() 
    func_oom() 
 
 
run() 

這段程序直接運行會因為內存泄露的問題被系統直接殺死。

在使用filprofiler之前，還需要調整一下虛擬內存的大小。否則，filprofiler本身也會因為占用內存過大的問題而被系統殺掉。

先使用free命令看一下系統可用的內存有多少：

系統可用內存為1619456 KB

我們使用ulimit命令，把程序能夠使用的內存稍稍調低一些，這樣即使被占滿，也不會被系統殺死：

ulimit -Sv 1600000 

然后，使用 filprofiler 來運行這個程序：

fil-profile run test.py 

運行效果如下圖所示：

filprofiler 會在當前文件夾下面生成一個fil-result文件夾，在里面會有一個以時間命名的文件夾，文件夾中會有兩個svg文件，如下圖所示：

我們使用瀏覽器打開其中的out-of-memory.svg文件，可以看到如下圖所示的內存占用圖：

從圖中可以看到，占用內存最大的函數是func_oom，程序也是在這個地方崩潰的。