记一次Python应用内存泄漏问题定位

前情提要

之前公司的一项目使用Airflow作为任务调度器,上线后,每隔一段时间就会出现Scheduler内存OOM问题,由于是Airflow是Python实现的,对于Python进程当挂掉后似乎没有dump文件,因此对于这个问题,我们一开始采取的方式就是啃代码,看能否通过代码走读发现一些端倪,可是实际排查先来毫无头绪,于是我查了查Python内存定位的相关技术文章,终于在若干工具的帮助下,解决了这个问题,本文将对本次问题定位进行回顾与总结。

Python进程内存泄漏的常见原因

我们知道Python是具有垃圾回收器的,一般情况下程序员不需要关注对象内存释放,但是这并不意味着我们写代码就高枕无忧了,往往还会有以下几种情况导致应用内存无法及时释放,从而造成内存泄漏问题。

  • 业务代码BUG: 代码中创建大量对象,虽然这些对象不再被访问,但是由于它们仍然被一些全局对象引用,GC无法释放这些对象。
  • 未正确关闭文件句柄: Python中的文件对象是与操作系统文件句柄相关联,如果文件对象没有被正确关闭,操作系统文件句柄无法释放,导致内存泄漏。
  • 为正确释放C扩展模块或外部库中的内存: 应用使用了C扩展模块或者外部库来扩展Python功能,如果其中存在内存泄漏则上层应用运行时也会内存泄漏。
  • 循环引用: Python 的垃圾回收机制是基于引用计数的,当一个对象的引用计数为 0 时,垃圾回收机制会自动回收这个对象。如果存在循环引用,即两个或多个对象相互引用,导致它们的引用数不会变为 0,垃圾回收机制无法回收这些对象,从而导致内存泄漏。

常用的问题定位工具

1、Objgraph

这是一个可以用来查看对象间引用关系的工具,比如对于一些大对象总是不释放的问题,可以通过这个工具分析出其到底是被哪些对象所引用。

工具安装

arduino 复制代码
pip install objgraph         // 安装objgraph
pip install xdot             // 安装可视化依赖库
pip install  graphviz        // 安装绘图依赖库
apt-get install graphviz     // 安装绘图工具

使用介绍

上面代码构造了一个循环引用的场景,通过objgrap可以看到对象引用关系图如下:

注意:此工具在生成对象间引用关系时是一个比较耗时的操作,需要确保执行频率不要太高以免影响业务代码流程,而且我们也没必要每次都要将内存中所有对象引用关系都搞出来,这样不仅耗时而且也难以分析。

2、pympler

此工具可以方便获取到当前内存使用情况,比如过去占用内存最多的前十个对象类型,对象个数以及占用内存字节。

工具安装

复制代码
pip install pympler

使用介绍

上述代码构造了一个字符串和一个字典,通过pympler可以看到str和dict类型在内存中数据量。

3、tracemalloc

tracemalloc是一个用于跟踪Python应用内存分配的工具,在python3.4以上此工具为标准库,所以无需安装。

使用介绍

我们可以看到tracemalloc不仅可以获取占内存最多的对象,同时也能看到改对象创建的堆栈。

如何定位问题

我们可以看到Airflow Scheduler每隔一段时间内存使用率就会增长到100%,然后OOM。

从现象大概能分析出应该是某种类型对象不停被创建但是有没有被GC回收导致的,那么我们就需要知道到底是什么类型对象一直在创建呢,我们先用pympler看看。在业务代码中实现如下方法,然后定期执行。

通过日志可以看到占内存最多的是str和dict,目前没有什么可分析的线索。

由于我们看到占内存最多的是str和dict这两种基本类型,所以很难去分析,所以我们可以用tracemalloc追踪下内存分配情况,看到底是哪些代码在分配这些内存。在业务代码总实现如下方法,然后定期执行。

根据堆栈初步得出结论在Scheudler从db中加载dag这里会有很多次的内存分配,但是为什么这些内存不释放,我们还是无从得知。

目前为止我们定位出内存泄漏大致发生在Scheudler解析dag文件的地方,同时内存中str和dict对象占多数,一般情况下我们重点关注dict,因为python对象都会包含很多dict类型数据。所以我们干脆将内存中的所有dict数据打印出来看看。

这时候我们可以看到内存中有很多taskinstance数据,这些taskinstance对应的dag实际上已经跑完了,那为什么还驻留在内存中呢?

到这一步,接下来就好办了,我们将包含taskinstance信息的dict的引用关系搞出来就OK了,这时候objgraph就派上用场了。我们实现如下方法:

执行后,我们能得到对象引用关系图如下:

通过对象引用关系图可以很清晰看到这些taskinstance都是被DagBag维护的,通过分析这里代码,终于定位到原因:Scheduler的DagBag会将所有要运行的Dag从DB中加载出来并缓存起来到其内部的dict中,但是当这些Dag跑完后并没有进行删除所以一直驻留在内存中,所以才会出现Scheduler跑一段时间内存就满了的情况。

总结

对于Python进程内存泄漏问题定位,可以按如下步骤进行:

  1. 先确认下内存中一直保持增长的是什么类型对象
  2. 看看内存分配最频繁的地方是哪里
  3. 将这类占内存比较多的对象打印出来进行分析,看看是否有业务上信息
  4. 将重点怀疑的对象通过objgraph打印出引用关系从而分析出内存泄漏的问题源自哪里
相关推荐
databook10 小时前
Manim实现闪光轨迹特效
后端·python·动效
Juchecar11 小时前
解惑:NumPy 中 ndarray.ndim 到底是什么?
python
用户83562907805111 小时前
Python 删除 Excel 工作表中的空白行列
后端·python
Json_11 小时前
使用python-fastApi框架开发一个学校宿舍管理系统-前后端分离项目
后端·python·fastapi
数据智能老司机18 小时前
精通 Python 设计模式——分布式系统模式
python·设计模式·架构
数据智能老司机19 小时前
精通 Python 设计模式——并发与异步模式
python·设计模式·编程语言
数据智能老司机19 小时前
精通 Python 设计模式——测试模式
python·设计模式·架构
数据智能老司机19 小时前
精通 Python 设计模式——性能模式
python·设计模式·架构
c8i19 小时前
drf初步梳理
python·django
每日AI新事件19 小时前
python的异步函数
python