Python内存快照对比分析有四种方法：一、用tracemalloc追踪堆内存分配并比对行级差异；二、用objgraph统计指定类型对象数量变化；三、用gc模块获取对象列表并比对ID集合识别新增对象；四、用pympler的SummaryTracker进行多维度内存差异报告。
如果您需要识别 Python 程序运行过程中对象数量或内存占用的异常变化，则可能需对不同时间点的内存状态进行快照采集与逐项比对。以下是实现 Python 内存快照对比分析的多种方法：
一、使用 tracemalloc 捕获并比较堆内存分配
tracemalloc 是 Python 标准库内置模块，可精确追踪 Python 对象的内存分配来源，支持在两个时间点分别获取快照，并直接计算差异。
1、在程序起始位置调用 tracemalloc.start() 启用内存跟踪。
2、执行待测代码段后，调用 snapshot1 = tracemalloc.take_snapshot() 获取第一个快照。
立即学习“Python免费学习笔记（深入）”；
3、继续执行另一段逻辑（如循环迭代、对象创建等），再调用 snapshot2 = tracemalloc.take_snapshot() 获取第二个快照。
4、调用 top_stats = snapshot2.compare_to(snapshot1, 'lineno') 计算新增内存分配行级统计。
5、遍历 top_stats 并打印前 10 条差异项，例如 print(stat)。
二、利用 objgraph 生成对象引用图并比对对象数量变化
objgraph 可以统计指定类型对象的实时数量，并可视化其引用关系；通过两次调用统计函数，可定位新增或未释放的对象类型。
1、安装依赖：pip install objgraph。
2、在关键节点处调用 objgraph.show_growth(limit=10) 输出当前增长最显著的 10 类对象及其增量。
3、若需定向比对某类对象，先执行 before = objgraph.count('dict') 记录初始数量。
4、运行目标逻辑后，再次执行 after = objgraph.count('list')（可替换为其他类型如 'function'、'tuple'）。
5、计算差值：delta = after - before，并判断 delta > 0 是否成立。
三、通过 gc 模块手动触发垃圾回收并检查不可达对象残留
Python 的垃圾回收器（gc）默认管理循环引用，但某些场景下对象可能滞留于 gc.garbage 或未被及时回收；通过对比 gc.get_objects() 结果可发现潜在泄漏对象。
1、在分析起点前调用 import gc; gc.collect() 清理已知可回收对象。
2、执行 objs1 = gc.get_objects() 获取当前所有活动对象列表。
3、运行待测逻辑后，再次调用 gc.collect() 并获取新对象列表：objs2 = gc.get_objects()。
4、构造两组对象 ID 集合：ids1 = set(id(o) for o in objs1) 和 ids2 = set(id(o) for o in objs2)。
5、计算新增对象集合：new_ids = ids2 - ids1，然后遍历其中部分 ID 查看类型：type(gc.get_referrers(list(new_ids)[0])[0])。
四、借助 pympler 进行多维度内存快照与差异报告
pympler 提供 Asizer 类支持跨时间点的对象大小汇总与对比，能按模块、类名或引用路径分类统计，适用于复杂应用的内存审计。
1、安装工具：pip install pympler。
2、初始化分析器：from pympler import tracker; tr = tracker.SummaryTracker()。
3、首次记录快照：tr.print_diff()（首次调用输出基准摘要）。
4、执行目标操作后，再次调用 tr.print_diff()，自动显示自上次以来各类型对象的数量与总尺寸变化。
5、如需导出结构化差异，调用 diff = tr.diff() 获取字典格式结果，并筛选 [d for d in diff if d[2] > 10240]（仅显示增长超 10KB 的项）。
