面试的时候可以这么回答～

首先，在内存分配上，如果超过256KB的大变量 由c的malloc分配，如果没有超过256kb的小变量则使用内存池技术由pymalloc分配。

内存池技术是指预先在内存中申请一定数量的，大小相等的内存块留作备用，当有新的内存需求时，就先从内存池中分配内存给这个需求，不够之后再申请新的内存。

这样做最显著的优势就是能够减少内存碎片，提升效率。

其次，新建变量分配新的名字 或者放到容器 时，引用计数增加，使用del、重新赋值或者容器销毁时引用计数减少。引用计数为0时启动析构函数，该析构函数__del__()同样使用内存池技术，避免频繁申请和释放内存。

再次，当存在循环引用 时，del无法使引用计数归零从而造成内存泄漏 ，此时则引入垃圾回收的标记-清除机制Mark-Sweep，

它会从根集（如全局命名空间、调用栈等）出发，遍历所有活动对象，标记通过一系列引用所能到达的对象为可达（reachable）的对象。

然后启动清除机制，再次遍历，将所有未被标记为可达的对象视为不可达（unreachable）的对象，它们将会被free释放内存。

但是由于启动标记-清除机制时应用程序是暂停的，引入了垃圾回收的分代回收Generational Collection机制 ，以空间换时间的方式提高回收效率。分代回收的思想是，存活时间越长的对象越有可能继续存活，因此随着代的增加，回收的频率也逐渐降低 。分代回收可以减少垃圾回收的总体开销，因为频繁回收的主要集中在生命周期短的对象（第0代）。

具体地，

新建变量都被列为第0代，

如果第一次gc扫描时没有被清除则进入第1代，

同理，在对第1代gc扫描时没有被清除的进入了第2代。

而gc扫描的启动是根据分代回收阈值参数设置，

当 <math xmlns="http://www.w3.org/1998/Math/MathML"> 新建变量 − 被释放的变量 ≥ 第 0 代 g c 扫描的阈值新建变量-被释放的变量\geq 第0代gc扫描的阈值 </math>新建变量−被释放的变量≥第0代gc扫描的阈值时，则会启动第0代的gc扫描，

当第0代的gc扫描启动的次数达到第1代回收阈值时，则会启动第1代的gc扫描，

同理，当第1代的gc扫描启动的次数达到第2代回收阈值时，则会启动第2代的gc扫描，即全代扫描。

某段时间内如何使特定对象不被垃圾回收？

除了使用gc之外，还可以：

当需要某段时间内某些对象不被垃圾回收，那么在循环引用的基础上可以使用另一个变量去引用它们其中之一，则时间段内三者均不会被垃圾回收.也即

<math xmlns="http://www.w3.org/1998/Math/MathML"> c → a ↔ b c \rightarrow a \leftrightarrow b </math>c→a↔b

在时间段结束后，删除或给另一个变量重新赋值等方法减少引用计数，循环引用过的变量则会在后续gc扫描时被垃圾回收。

<math xmlns="http://www.w3.org/1998/Math/MathML"> c ↛ a ↔ b c \nrightarrow a \leftrightarrow b </math>c↛a↔b

如何手动触发垃圾回收？

python 复制代码

import gc
# 可以手动触发全代垃圾回收
gc.collect() 

# 只触发0代的垃圾回收
collected_gen0 = gc.collect(0)
print(f"Collected {collected_gen0} objects from generation 0.")

其他面试问题

性能优化问题：
- 在处理大数据集时，如何通过Python的内存管理策略来优化你的程序性能？
- 描述一种场景，你需要手动控制垃圾回收。你会如何实施，并解释为什么这样做有助于提升应用性能？
内存泄漏定位：
- 如果你怀疑一个Python应用有内存泄漏，你会如何定位问题源头？请描述你的步骤和使用的工具。
- 你能否给出一个例子，说明如何使用gc模块来识别和解决循环引用导致的内存泄漏问题？
内存分配策略：
- 在设计一个需要高频率创建和销毁大量小对象的应用时，你会如何优化内存使用？
- Python中有哪些机制可以帮助减少内存碎片？你在实际开发中是如何应用这些机制的？
垃圾回收机制对业务的影响：
- 描述一种业务场景，其中Python的自动垃圾回收可能会导致性能问题。你会如何预防或解决这些问题？
- 在实时数据处理系统中，垃圾回收可能引起的延迟是一个问题。讨论你可以采用的几种策略来最小化这种延迟。
分代垃圾回收的具体应用：
- Python的分代垃圾回收机制如何影响对象的生命周期管理？在什么情况下，调整这些参数可能会提高程序的效率？
- 你有没有实际例子，你通过调整垃圾回收阈值来解决内存问题或改善性能？

原理

Python 使用一种名为"自动内存管理"的机制，主要包括以下几个方面：

引用计数 ：Python 内部使用引用计数机制来跟踪每个对象有多少引用指向它 sys.getrefcount(obj)。当某个对象的引用计数为0时，就列入了垃圾回收队列。
- 引用计数增加的情况：
  - 一个对象被分配给一个新的名字（例如：a=[1,2]）
  - 将其放入一个容器中（如列表、元组或字典）（例如：c.append(a)）
- 引用计数减少的情况：
  - 使用del语句对对象别名显式的销毁(例如：del b)
  - 对象所在的容器被销毁或从容器中删除对象（例如：del c ）
  - 引用超出作用域或被重新赋值（例如：a=[3,4]）
垃圾回收 ：Python的垃圾回收机制采用引用计数机制为主，标记-清除和分代回收机制为辅的策略。
- 标记-清除机制 用来解决计数引用带来的循环引用而无法释放内存的问题，即两个或更多对象互相引用，导致它们的引用计数永远不会达到零，进而导致内存泄漏的问题。循环引用只有在容器对象才会产生，比如字典，元组，列表等。
  - 标记阶段，遍历所有活动对象，并标记所有可达（reachable）的对象。可达的对象即是那些从根集（如全局命名空间、调用栈等）出发，通过一系列引用所能到达的对象
  - 清除阶段，所有未被标记为可达的对象被视为不可达（unreachable），这些对象将被垃圾回收器清理。
- 分代回收机制 Generational Collection是为提升垃圾回收的效率。它是基于这样一种统计事实："对象存在时间越长，越可能不是垃圾，应该越少去收集 " 这样在执行标记-清除算法时可以有效减小遍历的对象数，从而提高垃圾回收的速度，是一种以空间换时间的方法策略。
  - Python将所有的对象分为年轻代（第0代）、中年代（第1代）、老年代（第2代）三代。所有的新建对象默认是第0代对象。当在第0代的gc扫描中存活下来的对象将被移至第1代，在第1代的gc扫描中存活下来的对象将被移至第2代。gc扫描次数（第0代>第1代>第2代）
  - 当某一代中被分配的对象与被释放的对象之差达到某一阈值时，就会触发当前一代的gc扫描。当某一代被扫描时，比它年轻的一代也会被扫描，因此，第2代的gc扫描发生时，第0，1代的gc扫描也会发生，即为全代扫描。
    
    比如gc.get_threshold()即分代回收机制的参数阈值设置为(700,10,10)时，代表着当新分配的对象数量减去释放的对象数量等于700时触发第0代gc扫描，如果触发了10次第0 代gc扫描，则会启动1次第1代扫描，进而如果触发了10次第1代gc扫描，则会启动第2代扫描，即全代扫描。
内存池PyMalloc技术：Python 使用内存池技术来管理小对象 的内存分配。通过预分配内存块来管理小对象，减少系统调用，提高内存分配效率。内存池的作用就是预先在内存中申请一定数量的，大小相等的内存块留作备用，当有新的内存需求时，就先从内存池中分配内存给这个需求，不够之后再申请新的内存。这样做最显著的优势就是能够减少内存碎片，提升效率。
- Level+3层：对于python内置的对象（比如int,dict等）都有独立的私有内存池，对象之间的内存池不共享，即int释放的内存，不会被分配给float使用
- Level+2层：当申请的内存大小小于256KB时，内存分配主要由 Python 对象分配器（Python's object allocator）实施 , 也就是使用内存池技术
- Level+1层：当申请的内存大小大于256KB时，由Python原生的内存分配器进行分配，本质上是调用C标准库中的malloc/realloc等函数

面试：python内存管理原理及流程

面试的时候可以这么回答～

某段时间内如何使特定对象不被垃圾回收？

如何手动触发垃圾回收？

其他面试问题

原理

参考文献