Python模块本身不可被weakref弱引用，但可通过三步法监控其创建的对象：1. 动态加载时猴子补丁类__init__，自动将实例加入WeakSet；2. 定期用pympler.asizeof估算总内存占用；3. 超阈值时触发告警与tracemalloc堆栈快照。
直接使用 import 本身无法配合 weakref 实现模块内存监控——因为 import 加载的模块对象（如 sys.modules['mymodule'] 中的模块实例）默认是强引用且全局驻留的，weakref 对模块对象的支持有限，且 Python 不允许对模块对象创建弱引用（会抛出 TypeError: cannot create weak reference to 'module' object）。
但你可以绕过“直接弱引用模块”这个死胡同，转而监控模块所创建的运行时对象（如类实例、缓存数据、回调句柄等），这些才是真实占用内存的主体。关键思路是：不盯模块，盯模块产出的对象；不靠 import，靠加载后的行为拦截与弱引用注册。
以下是可落地的三步主动监控方案：
1. 模块动态加载时自动注册可监控对象池
在 importlib.import_module() 或 __import__() 后，立即扫描模块中导出的、可能产生大量实例的类或工厂函数，并为后续创建的对象建立弱引用追踪容器。
import importlib
import weakref
import sys
# 全局弱引用容器：记录所有被监控模块创建的关键对象
_monitored_instances = weakref.WeakSet() # 自动剔除已销毁对象
def load_and_monitor(module_name, tracked_classes=None):
mod = importlib.import_module(module_name)
# 默认追踪模块中所有自定义类（排除内置/导入类）
if tracked_classes is None:
tracked_classes = [
obj for name, obj in vars(mod).items()
if isinstance(obj, type) and obj.__module__ == module_name
]
# 替换类的 __init__，自动注册新实例（轻量级猴子补丁）
for cls in tracked_classes:
original_init = cls.__init__
def make_wrapped_init(_cls):
def wrapped_init(self, *args, **kwargs):
original_init(self, *args, **kwargs)
_monitored_instances.add(self) # 弱引用加入，不阻止回收
return wrapped_init
cls.__init__ = make_wrapped_init(cls)
return mod
# 使用示例
my_mod = load_and_monitor("pandas", tracked_classes=[pandas.DataFrame]) # 仅监控 DataFrame 实例2. 定期统计存活对象数量与估算内存占用
利用 len(_monitored_instances) 获取当前仍存活的被监控对象数，并结合 sys.getsizeof()（粗略）或 pympler.asizeof()（更准）估算总内存。
from pympler import asizeof
def report_monitored_usage():
count = len(_monitored_instances)
if count == 0:
print("✅ 无活跃监控对象")
return
# 取一个样本估算平均大小（避免遍历全部触发开销）
sample = next(iter(_monitored_instances))
avg_size = asizeof.asizeof(sample)
total_est = count * avg_size
print(f"? 监控对象数: {count} | 平均大小: ~{avg_size:,} B | 预估总占: ~{total_est/1024/1024:.1f} MB")
# 可定时调用，例如每30秒一次
import threading
def start_monitoring_loop(interval=30):
def loop():
while True:
report_monitored_usage()
time.sleep(interval)
threading.Thread(target=loop, daemon=True).start()3. 设置阈值告警与自动清理钩子
当对象数或预估内存超过设定阈值时，触发日志、堆栈快照或调用模块自身的清理接口（如有）。
import traceback
import tracemalloc
_threshold_count = 5000
_threshold_mb = 200
def check_and_alert():
count = len(_monitored_instances)
sample = next(iter(_monitored_instances), None)
if sample is None:
return
total_est_mb = (count * asizeof.asizeof(sample)) / 1024 / 1024
if count > _threshold_count or total_est_mb > _threshold_mb:
print(f"⚠️ 超阈值: {count} 对象 | {total_est_mb:.1f} MB")
# 可选：捕获最近分配堆栈（需提前启动 tracemalloc）
if not tracemalloc.is_tracing():
tracemalloc.start(10) # 保存10层栈帧
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('traceback')
for stat in top_stats[:3]:
print(stat)
# 在关键路径中定期调用
check_and_alert()✅ 本质提醒：Python 模块本身（
.pyc字节码、代码对象）由解释器管理，通常不会成为泄漏主因；真正吃内存的是模块运行时生成的数据结构、缓存、连接池、GUI 组件、事件监听器等。weakref的价值在于让你“看见它们何时还在”，而不是“防止模块被加载”。
这套机制不依赖 import 的语法糖，而是聚焦于模块加载后的对象生命周期可观测性——这才是企业级动态插件系统、AI Agent 工具链、报表引擎等场景中真正可控的内存治理入口。
