Python内存泄漏排查核心是定位“本该被回收但一直存活的对象”，需结合tracemalloc查分配源头、gc/objgraph分析循环引用与滞留对象、psutil监控RSS趋势，并对照全局容器未清理、闭包持大对象等常见模式自查。
Python内存泄漏排查核心是定位“本该被回收但一直存活的对象”。关键不在于总内存增长，而在于对象数量异常累积或引用链未断开。
用tracemalloc快速定位内存分配源头
这是Python 3.4+内置工具，轻量且精准，适合开发阶段快速定位哪行代码反复申请内存：
- 启动时启用：
import tracemalloc; tracemalloc.start() - 运行可疑逻辑后，获取快照：
snapshot = tracemalloc.take_snapshot() - 按分配大小排序前10行：
top_stats = snapshot.statistics('lineno'); for stat in top_stats[:10]: print(stat) - 重点关注
list.append、dict.__setitem__、字符串拼接（+=）、读大文件未关闭等高频分配点
用gc和objgraph分析循环引用与对象滞留
Python的引用计数无法清理循环引用，需依赖垃圾回收器（gc）。objgraph能可视化对象关系，直击泄漏根因：
- 检查是否启用了gc：
import gc; gc.isenabled()（生产环境勿禁用） - 统计某类对象数量变化：
objgraph.count('YourClassName')，运行前后对比是否只增不减 - 找出增长最多的对象类型：
objgraph.show_most_common_types(limit=20) - 追踪某个泄漏实例的引用链：
objgraph.show_backrefs([leaked_obj], max_depth=5, filename='backref.png')，图中箭头指向即“谁持有它”，常暴露全局列表、缓存、回调注册表等未清理引用
用psutil监控进程级内存趋势
辅助判断是否存在持续增长，排除误报（如临时缓存、JIT预热）：
立即学习“Python免费学习笔记（深入）”；
- 定期采样RSS内存：
import psutil; p = psutil.Process(); p.memory_info().rss / 1024 / 1024（单位MB） - 结合业务周期观察：比如每处理100个请求后内存是否回落；若单调上升，再深入对象层分析
- 注意区分：RSS增长 ≠ Python内存泄漏（可能是mmap、C扩展、共享库占用）
常见泄漏模式与自查清单
不必每次从零分析，先核对高频问题：
-
全局容器未清理：日志列表、统计字典、事件监听器集合，在长生命周期模块中持续
.append/[key] = value却无清除逻辑 - 闭包/装饰器持有了大对象：函数内定义的闭包意外捕获了大数据结构（如DataFrame、大字典），且该函数被长期引用（如注册为回调）
-
弱引用误用：
weakref.WeakKeyDictionary键被意外强引用，导致值无法释放；或weakref.ref回调未执行清理 -
第三方库副作用：某些库（如旧版requests、SQLAlchemy session、matplotlib）内部维护连接池或缓存，默认不自动释放，需显式调用
.close()或session.remove()
