Memray是一个由彭博社开发的、开源内存剖析器；开源一个多月，已经收获了超8.4k的star，是名副其实的明显项目。今天我们就给大家来推荐这款python内存分析神器。
Memray可以跟踪python代码、本机扩展模块和python解释器本身中内存分配，可以生成多种不同类型的报告，帮助您分析python代码内存使用情况。
- 工具的主要特点：
- 跟踪每个函数的调用，能够准确的跟踪调用栈
- 能跟踪c/c++库的调用
- 分析速度很快
- 收集内存数据，输出各种图标
- 使用python线程
- 与本地线程一起工作
- 可以帮助解决的问题：
- 分析应用程序中内存分配，发现高内存使用率的原因
- 查找内存泄漏的原因
- 查找导致内存大量分配的代码热点
memray安装
- 环境要求：python3.7+以上版本，linux系统（仅支持linux系统）
- 安装：
pip3 install memray
memray使用
memray使用帮助
python3 -m memray --help
728 x 557 1031 x 789
| 参数 | 作用 |
|---|---|
| run | 运行指定的应用程序并跟踪内存使用情况 |
| flamegraph | 在html报告中，用火焰图方式，显示内存使用情况 |
| table | 在html报告文件中，用表格的方式显示内存分析情况 |
| live | 用实时屏幕显示方式，显示各种内存使用情况 |
| tree | 在终端中，用树形结构显示内存使用情况 |
| parse | 用debug模式，显示每一行的内存使用情况 |
| summary | 汇总终端运行期间的内存使用概况 |
| stats | 在终端中非常详细的显示内存使用情况 |
run命令使用
python3 -m memray run --help获取帮助
728 x 440 1033 x 625
| 参数 | 作用 |
|---|---|
| -o OUTPU,--output OUTPUT | 指定输出结果到哪里 |
| --live | 启动实时跟踪会话模式 |
| --live-remote | 启动实时跟踪会话并等待客户端连接 |
| --live-port LIVE_PORT, -p LIVE_PORT | 启动实时跟踪时要使用的端口 |
| --native | 跟踪C/C++堆栈 |
| --follow-fork | 跟踪脚本分叉的子进程中的分配 |
| --trace-python-allocators | 记录pymalloc分配器的分配情况 |
| -q, --quiet | 运行时不显示任何特定于跟踪的输出 |
| -f, --force | 强制复购已有文件 |
| --compress-on-exit | 跟踪完成后使用 lz4 压缩生成的文件 |
| --no-compress | 不使用 lz4 压缩生成的文件 |
| -c | 作为字符串传入的程序 |
| -m | 将库模块作为脚本运行 |
python3 -m memray run xxx.py直接分析某个py文件的内存使用情况，就会在当前路径下生成一个 ‘memray-py文件名.进程id.bin’ 的内存使用记录文件。当然，也可以跟上-o outFiPath指定输出路径。如果运行的py文件是模块代码，也可以使用-m xxx.py方式运行。
728 x 231 1032 x 328
‘memray-py文件名.进程id.bin’ 文件，可以通过 python3 -m memray flamegraph memray-py文件名.进程id.bin 转换为一份html-火焰图报告
728 x 430 943 x 557
如上图，从上往下，显示了程序的调用过程，宽度，代表函数占用内存多少。
python3 -m memray run --native xxxx.py会跟踪分析python代码中调用底层的C/C++函数消耗的内存情况
728 x 252 936 x 324
728 x 640 940 x 827
python3 -m memray run --trace-python-allocators xxx.py跟踪分析python程序内存分配器pymalloc的情况
728 x 275 941 x 355
728 x 353 944 x 458
这个看上去，和没有加参数，效果差不多，但是，实际上是完全不一样的。这种方式，会深入跟踪内存分配，python常见的内存分配器有四种（malloc、free、realloc、pymalloc），这个参数，在python出现内存溢出时，就非常有用了。但是，加了这个参数，运输速度会变慢，收集的数据生成的文件会更大。
python3 -m memray run --live xxx.py用实时屏幕模式显示跟踪的内存数据。
728 x 616 940 x 795
默认时，根据Total memory的数据从大到小，往下排列；按"O"，可以根据私有内存从大到小，排序显示内存对象；按“A”，则根据内存分配次数量从高到底排序。
有了这个统计数据，就能快速定位到哪些对象，占用内存大，哪些对象被频繁的分配内存。这些对象，就是重点分析对象。
flamegraph命令---生成火焰图报告
python3 -m memray flamegraph --help获取帮助
728 x 291 937 x 375
python3 -m memray flamegraph xxx.bin生成火焰图
table命令--生成表格报告
python3 -m memray table --help获取帮助python3 -m memray table xxxx.bin把bin文件转换为表格报告
728 x 653 946 x 849
tree命令--生成树形报告
python3 -m memray tree --help获取帮助python3 -m memray tree xxxx.bin把bin文件转换为树形报告
728 x 615 937 x 791
summary命令--生成概要报告
python3 -m memray summary --help获取帮助python3 -m memray summary xxxx.bin对bin文件进行分析，生成概要报告
728 x 373 940 x 482
stats命令---生成详细统计报告
python3 -m memray stats --help获取帮助python3 -m memray stats xxxx.bin对bin文件进行分析，生成详细报告
作者：Allen
链接：http://testingpai.com/article/1653551826915
来源：测试派
协议：CC BY-SA 4.0 https://creativecommons.org/licenses/by-sa/4.0/
Memray是一个由彭博社开发的、开源内存剖析器；开源一个多月，已经收获了超8.4k的star，是名副其实的明显项目。今天我们就给大家来推荐这款python内存分析神器。
Memray可以跟踪python代码、本机扩展模块和python解释器本身中内存分配，可以生成多种不同类型的报告，帮助您分析python代码内存使用情况。
- 工具的主要特点：
- 跟踪每个函数的调用，能够准确的跟踪调用栈
- 能跟踪c/c++库的调用
- 分析速度很快
- 收集内存数据，输出各种图标
- 使用python线程
- 与本地线程一起工作
- 可以帮助解决的问题：
- 分析应用程序中内存分配，发现高内存使用率的原因
- 查找内存泄漏的原因
- 查找导致内存大量分配的代码热点
memray安装
- 环境要求：python3.7+以上版本，linux系统（仅支持linux系统）
- 安装：
pip3 install memray
memray使用
memray使用帮助
python3 -m memray --help
| 参数 | 作用 |
|---|---|
| run | 运行指定的应用程序并跟踪内存使用情况 |
| flamegraph | 在html报告中，用火焰图方式，显示内存使用情况 |
| table | 在html报告文件中，用表格的方式显示内存分析情况 |
| live | 用实时屏幕显示方式，显示各种内存使用情况 |
| tree | 在终端中，用树形结构显示内存使用情况 |
| parse | 用debug模式，显示每一行的内存使用情况 |
| summary | 汇总终端运行期间的内存使用概况 |
| stats | 在终端中非常详细的显示内存使用情况 |
run命令使用
python3 -m memray run --help获取帮助
| 参数 | 作用 |
|---|---|
| -o OUTPU,--output OUTPUT | 指定输出结果到哪里 |
| --live | 启动实时跟踪会话模式 |
| --live-remote | 启动实时跟踪会话并等待客户端连接 |
| --live-port LIVE_PORT, -p LIVE_PORT | 启动实时跟踪时要使用的端口 |
| --native | 跟踪C/C++堆栈 |
| --follow-fork | 跟踪脚本分叉的子进程中的分配 |
| --trace-python-allocators | 记录pymalloc分配器的分配情况 |
| -q, --quiet | 运行时不显示任何特定于跟踪的输出 |
| -f, --force | 强制复购已有文件 |
| --compress-on-exit | 跟踪完成后使用 lz4 压缩生成的文件 |
| --no-compress | 不使用 lz4 压缩生成的文件 |
| -c | 作为字符串传入的程序 |
| -m | 将库模块作为脚本运行 |
python3 -m memray run xxx.py直接分析某个py文件的内存使用情况，就会在当前路径下生成一个 ‘memray-py文件名.进程id.bin’ 的内存使用记录文件。当然，也可以跟上-o outFiPath指定输出路径。如果运行的py文件是模块代码，也可以使用-m xxx.py方式运行。
‘memray-py文件名.进程id.bin’ 文件，可以通过 python3 -m memray flamegraph memray-py文件名.进程id.bin 转换为一份html-火焰图报告
如上图，从上往下，显示了程序的调用过程，宽度，代表函数占用内存多少。
python3 -m memray run --native xxxx.py会跟踪分析python代码中调用底层的C/C++函数消耗的内存情况
python3 -m memray run --trace-python-allocators xxx.py跟踪分析python程序内存分配器pymalloc的情况
这个看上去，和没有加参数，效果差不多，但是，实际上是完全不一样的。这种方式，会深入跟踪内存分配，python常见的内存分配器有四种（malloc、free、realloc、pymalloc），这个参数，在python出现内存溢出时，就非常有用了。但是，加了这个参数，运输速度会变慢，收集的数据生成的文件会更大。
python3 -m memray run --live xxx.py用实时屏幕模式显示跟踪的内存数据。
默认时，根据Total memory的数据从大到小，往下排列；按"O"，可以根据私有内存从大到小，排序显示内存对象；按“A”，则根据内存分配次数量从高到底排序。
有了这个统计数据，就能快速定位到哪些对象，占用内存大，哪些对象被频繁的分配内存。这些对象，就是重点分析对象。
flamegraph命令---生成火焰图报告
python3 -m memray flamegraph --help获取帮助
python3 -m memray flamegraph xxx.bin生成火焰图
table命令--生成表格报告
python3 -m memray table --help获取帮助python3 -m memray table xxxx.bin把bin文件转换为表格报告
tree命令--生成树形报告
python3 -m memray tree --help获取帮助python3 -m memray tree xxxx.bin把bin文件转换为树形报告
summary命令--生成概要报告
python3 -m memray summary --help获取帮助python3 -m memray summary xxxx.bin对bin文件进行分析，生成概要报告
stats命令---生成详细统计报告
python3 -m memray stats --help获取帮助python3 -m memray stats xxxx.bin对bin文件进行分析，生成详细报告
