Python内存管理依赖引用计数与gc模块协同工作：引用计数实时释放零引用对象，gc模块处理循环引用；需用weakref、及时解绑、避免__del__滥用等预防泄漏，并通过sys.getrefcount、gc.garbage和psutil监控验证。

Python的内存管理核心在于对象引用计数与垃圾回收机制协同工作。理解引用如何影响对象生命周期，才能避免内存泄漏、循环引用问题，写出更健壮的代码。

引用计数：Python内存管理的第一道防线

每个Python对象内部都维护一个引用计数器，记录当前有多少变量或数据结构指向它。当计数归零，对象立即被释放。

• 增加引用的常见操作：赋值（a = obj）、放入容器（lst.append(obj)）、作为函数参数传入、作为返回值传出
• 减少引用的常见操作：变量重新赋值（a = None）、从容器中移除（lst.pop()）、函数调用结束（局部变量销毁）
• 注意隐式引用：闭包中的自由变量、异常帧对象（sys.exc_info()）、调试器（如pdb）都会悄悄增加引用，可能延迟释放

循环引用：为什么引用计数不够用？

两个或多个对象相互持有对方的引用（比如父对象存子对象，子对象又存父对象），会导致引用计数永远不为零，即使外部已无任何变量指向它们。

• 典型场景：树形结构中节点双向链接、观察者模式中回调绑定、自定义类中__del__方法引发的临时引用
• Python的gc模块专门处理这类情况——它定期扫描堆中不可达的对象组，并清理循环引用链
• 可通过gc.collect()手动触发，用gc.get_objects()查看存活对象，用gc.garbage检查未回收的循环引用（需先启用gc.set_debug(gc.DEBUG_SAVEALL)）

实战技巧：主动管理引用，预防内存问题

靠自动机制不如提前设计。几个关键实践能显著降低风险：

• 用weakref打破强引用循环：对“非拥有关系”（如缓存、观察者列表）使用weakref.ref或weakref.WeakKeyDictionary，避免阻止对象回收
• 及时解绑回调和事件监听：尤其在类实例销毁前，显式调用unregister()或清空self._callbacks = []
• 避免在__del__中做复杂操作：该方法调用时机不确定，且可能干扰垃圾回收器；优先用上下文管理器（__enter__/__exit__）或显式close()方法释放资源
• 监控内存变化：用sys.getsizeof()粗略估算单个对象大小，结合tracemalloc追踪内存分配源头，定位增长点

调试与验证：确认你的对象真被回收了

别只信逻辑，要亲眼看到结果。几个轻量级验证方式：

• 给类加一个简单的__del__打印日志，配合gc.disable()观察是否触发（注意：仅用于调试，勿依赖其执行时机）
• 用sys.getrefcount(obj) - 1查看当前引用数（减1是因为getrefcount本身会临时增加一次引用）
• 运行gc.collect()后检查gc.garbage是否为空；若仍有残留，说明存在未被正确处理的循环引用
• 在长时间运行的服务中，定期调用psutil.Process().memory_info().rss观察内存趋势，突增往往意味着泄漏