Python内存优化关键在于减少小对象数量、控制生命周期及选用省内存结构：用__slots__禁用__dict__、生成器替代全量加载、tuple/str替代list/bytes、weakref清理引用。
Python内存占用高，往往不是因为单个大对象，而是大量小对象长期驻留、引用关系复杂或数据结构选择不当。优化关键在于减少对象数量、控制生命周期、选用更省内存的数据结构。
用 __slots__ 限制实例属性，节省对象头开销
默认情况下，Python 为每个实例动态创建 __dict__ 字典来存储属性，带来显著内存开销（约 200–300 字节/实例）。对大量实例的类（如 ORM 模型、配置项、缓存条目），启用 __slots__ 可彻底禁用 __dict__，改用固定偏移量访问属性。
- 只声明需要的属性名，不支持动态赋值新属性（如
obj.new_attr = 1会报错） - 若需兼容字典访问，可手动实现
__getattr__或提供as_dict()方法 - 继承时子类也需定义
__slots__，否则父类的__slots__不生效
优先使用生成器和迭代器，避免一次性加载全量数据
用 list 存储百万级字符串或数值，内存峰值极易飙升；而生成器（yield）、itertools 工具或带 chunksize 的读取方式，让数据“按需生产”，常将内存从 GB 级压到 MB 级。
- 读文件时不用
lines = f.readlines()，改用for line in f: - 处理数据库结果集时，用
cursor.fetchmany(size)分批获取，而非fetchall() - 自定义逻辑中，把返回
list的函数改为yield生成器（如def parse_logs(): yield {...}）
替换低效容器：tuple 代替 list，str 代替 bytes（当适用）
不可变对象在 Python 中有更紧凑的内存布局。若数据不需修改，用 tuple 替代 list 可减少约 10–15% 内存；同理，str 在 CPython 中对 ASCII 字符采用紧凑编码（compact ascii），比等长 bytes 更省空间（尤其含大量纯英文文本时）。
立即学习“Python免费学习笔记（深入）”；
- 配置项、枚举值、路径拼接结果等静态数据，优先定义为
tuple或NamedTuple - 日志消息、HTTP 响应头、JSON 键名等文本内容，确认无二进制需求时保持为
str - 注意：
bytes在处理网络流、加密、图像原始数据时不可替代，勿盲目替换
及时清理引用，主动触发垃圾回收（gc）
循环引用（如父子对象互相持有）或全局缓存未清理，会导致对象无法被及时回收。虽然 CPython 有引用计数+分代 GC，但某些场景下仍需干预。
- 用
weakref构建缓存（如WeakValueDictionary），避免强引用阻止销毁 - 显式删除大对象引用：
del large_data+gc.collect()（尤其在长生命周期函数末尾或内存敏感分支） - 用
objgraph或tracemalloc定位“存活却不再使用”的对象类型与引用链
不复杂但容易忽略。真正起效的优化，往往藏在类设计、数据流拆分和引用管理这些基础环节里。
