一次Python内存泄漏的真实排查经历

上周线上服务内存占用一路飙升，从200MB涨到2GB，最后OOM被系统杀了。排查过程挺曲折的，分享一下，希望帮到踩类似坑的朋友。

现象

监控告警，服务内存持续增长，重启后从200MB开始，几小时后又到2GB。典型的内存泄漏特征。

排查过程

第一步：确认是不是真的泄漏

先用tracemalloc追踪内存分配：

python 复制代码

import tracemalloc
tracemalloc.start()

# ... 运行业务代码 ...

snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')
for stat in top_stats[:10]:
    print(stat)

输出显示某个字典对象一直在增长，占用从几MB涨到了几百MB。

第二步：定位问题代码

追了一下，发现是一个全局缓存字典没有淘汰机制：

python 复制代码

# 问题代码：缓存只进不出
_user_cache = {}

def get_user(user_id):
    if user_id not in _user_cache:
        _user_cache[user_id] = fetch_user_from_db(user_id)
    return _user_cache[user_id]

看起来没问题对吧？但我们的场景是用户量很大，每个用户第一次访问就缓存了，之后永远不会清理。随着用户访问越来越多，缓存就越积越大。

第三步：修复

最简单的方案，换成LRU缓存：

python 复制代码

from functools import lru_cache

@lru_cache(maxsize=10000)
def get_user(user_id):
    return fetch_user_from_db(user_id)

加了maxsize后，缓存超过10000条就自动淘汰最久没访问的。内存占用稳定在300MB左右，问题解决。

反思

其实这个坑很低级，但当时写代码的时候确实没想到用户量会到这个级别。几个教训：

全局缓存一定要有淘汰策略 ，不管你用lru_cache、cachetools.TTLCache还是Redis，总之不能只进不出
上线前做一下内存压测，模拟一段时间的持续请求，看内存是否持续增长
tracemalloc是排查Python内存问题的利器，比凭直觉猜靠谱多了

顺便说一句，如果缓存的数据来自API调用，还要考虑缓存过期的问题。之前我有个项目调大模型API，结果缓存了过期的响应，debug了好久才反应过来。国内用这些API有时候响应慢或者不稳定，我后来换了个中转站，响应速度好了不少，缓存命中率也提上去了。

就这些，希望对你有帮助。Python