nas/MoviePilot
1
0
Fork 0
mirror of https://github.com/jxxghp/MoviePilot.git synced 2026-02-12 23:16:15 +08:00
Code Issues Packages Projects Releases Wiki Activity

Remove memory analysis guide and test script

Browse Source 
Co-authored-by: jxxghp <jxxghp@163.com>
This commit is contained in:
Cursor Agent
2025-07-09 08:07:30 +00:00
parent 3efbd47ffd
commit 600767d2bf
2 changed files with 0 additions and 400 deletions
Download Patch File Download Diff File Expand all files Collapse all files

269
MEMORY_ANALYSIS_GUIDE.md
View File

@@ -1,269 +0,0 @@
# 内存分析工具使用指南
## 概述
这个增强版的内存分析工具专门用于诊断Python应用程序的内存问题，特别是解决"总内存比各对象占比内存大很多"的问题。
## 主要功能
### 1. 系统级内存分析
- 进程内存使用详情（RSS、VMS、共享内存等）
- 系统内存状态
- 内存映射分析
### 2. Python对象深度分析
- 对象类型统计（按内存大小排序）
- Python对象总内存计算
- 未统计内存识别
### 3. 内存映射详细分析
- 按权限分类的内存映射
- 按文件分类的内存映射
- 识别C扩展和系统库占用的内存
### 4. 大对象分析
- 识别大于1MB的对象
- 对象详细信息（类型、大小、内容预览）
### 5. 内存泄漏检测
- tracemalloc内存分配统计
- 内存分配最多的位置
- 垃圾回收统计
- 不可达对象检测
## 使用方法
### 基本使用
```python
from app.helper.memory import MemoryHelper
# 创建内存分析器实例
memory_helper = MemoryHelper()
# 获取内存摘要
summary = memory_helper.get_memory_summary()
print(f"总内存: {summary['total_memory_mb']:.2f} MB")
print(f"Python对象: {summary['python_objects_mb']:.2f} MB")
print(f"未统计内存: {summary['unaccounted_mb']:.2f} MB")
# 强制垃圾回收
collected = memory_helper.force_garbage_collection()
print(f"清理了 {collected} 个对象")
# 创建详细分析报告
analysis_file = memory_helper.create_detailed_memory_analysis()
print(f"详细报告已保存到: {analysis_file}")
```
### 内存增长分析
```python
# 分析内存增长趋势（5分钟间隔）
growth_info = memory_helper.analyze_memory_growth(300)
print(f"内存增长率: {growth_info['growth_rate_mb_per_hour']:.2f} MB/小时")
```
### 启动自动监控
```python
# 启动内存监控（需要配置MEMORY_ANALYSIS=True）
memory_helper.start_monitoring()
# 停止监控
memory_helper.stop_monitoring()
```
## 配置选项
在配置文件中设置以下选项：
```python
# 启用内存分析
MEMORY_ANALYSIS = True
# 内存快照间隔（分钟）
MEMORY_SNAPSHOT_INTERVAL = 5
# 保留的快照文件数量
MEMORY_SNAPSHOT_KEEP_COUNT = 30
```
## 输出文件
### 1. 内存快照文件
- 位置: `logs/memory_snapshots/memory_snapshot_YYYYMMDD_HHMMSS.txt`
- 内容: 基本的内存使用统计
### 2. 详细分析报告
- 位置: `logs/memory_snapshots/detailed_memory_analysis_YYYYMMDD_HHMMSS.txt`
- 内容: 完整的内存分析报告
## 解决内存问题的步骤
### 1. 识别未统计内存
```python
summary = memory_helper.get_memory_summary()
if summary['unaccounted_percent'] > 50:
print("警告: 超过50%的内存未被Python对象统计")
print("可能的原因: C扩展、系统缓存、内存碎片")
```
### 2. 分析内存映射
详细分析报告中的"内存映射详细分析"部分会显示：
- 哪些文件占用了大量内存
- 内存权限分布
- 识别C扩展库
### 3. 检测内存泄漏
```python
# 定期检查内存增长
growth_info = memory_helper.analyze_memory_growth(300)
if growth_info['growth_rate_mb_per_hour'] > 100:
print("警告: 内存增长过快，可能存在内存泄漏")
```
### 4. 分析大对象
详细分析报告会列出所有大于1MB的对象，帮助识别：
- 意外的内存占用
- 缓存未清理
- 数据结构过大
## 常见问题解决
### 问题1: 总内存比Python对象内存大很多
**原因**:
- C扩展库占用内存
- 系统缓存
- 内存碎片
- 共享库
**解决方法**:
1. 查看内存映射分析
2. 检查是否有大量C扩展
3. 分析系统级内存使用
### 问题2: 内存持续增长
**原因**:
- 内存泄漏
- 缓存未清理
- 循环引用
**解决方法**:
1. 使用tracemalloc分析内存分配
2. 检查垃圾回收统计
3. 分析大对象列表
### 问题3: 特定对象类型占用过多内存
**解决方法**:
1. 查看对象类型统计
2. 分析大对象详情
3. 检查对象引用关系
## 性能注意事项
1. **详细分析耗时**: `create_detailed_memory_analysis()` 可能需要几秒到几分钟
2. **内存开销**: 分析过程本身会消耗一些内存
3. **建议频率**: 不要过于频繁地运行详细分析，建议间隔5分钟以上
## 调试技巧
### 1. 在关键点添加内存检查
```python
def critical_function():
memory_helper = MemoryHelper()
before = memory_helper.get_memory_summary()
# 执行关键操作
do_something()
after = memory_helper.get_memory_summary()
growth = after['total_memory_mb'] - before['total_memory_mb']
if growth > 10:
print(f"警告: 函数执行后内存增长 {growth:.2f} MB")
```
### 2. 监控特定操作
```python
def monitor_operation(operation_name):
memory_helper = MemoryHelper()
before = memory_helper.get_memory_summary()
# 执行操作
result = perform_operation()
after = memory_helper.get_memory_summary()
growth = after['total_memory_mb'] - before['total_memory_mb']
logger.info(f"{operation_name}: 内存增长 {growth:.2f} MB")
return result
```
## 示例输出
### 内存摘要示例
```
total_memory_mb: 708.20
python_objects_mb: 130.45
unaccounted_mb: 577.75
unaccounted_percent: 81.6
```
### 详细分析报告结构
```
详细内存分析报告 - 2025-07-09 14:26:00
====================================================================================================
1. 系统级内存分析
--------------------------------------------------
进程ID: 12345
进程名称: python
内存使用详情:
RSS (物理内存): 708.20 MB
VMS (虚拟内存): 1024.50 MB
共享内存: 45.30 MB
...
2. Python对象深度分析
--------------------------------------------------
总对象数: 1,234,567
对象类型统计 (按内存大小排序):
类型 数量 总大小(MB) 平均大小(B)
str 318,537 34.56 113.5
dict 101,049 32.23 319.2
...
3. 内存映射详细分析
--------------------------------------------------
按权限分类的内存映射:
权限 数量 大小(MB)
r-xp 45 156.78
rw-p 23 89.45
...
4. 大对象详细分析
--------------------------------------------------
大对象 (>1MB) 数量: 15
1. dict - 45.67 MB
字典项数: 125000
示例键: ['user_data', 'cache', 'config']
2. list - 23.45 MB
元素数量: 500000
5. 内存泄漏检测
--------------------------------------------------
tracemalloc当前内存: 125.67 MB
tracemalloc峰值内存: 145.23 MB
内存分配最多的位置 (前15个):
1. 1250 个对象, 45.67 MB
File "/app/core/cache.py", line 123
cache_data = load_large_dataset()
```
这个工具将帮助你全面了解应用程序的内存使用情况，特别是找出那些"消失"的内存去向。

131
test_memory_analysis.py
View File

@@ -1,131 +0,0 @@
#!/usr/bin/env python3
"""
内存分析工具测试脚本
用于验证内存分析工具的功能和修复后的效果
"""
import sys
import os
import time
import gc
# 添加项目路径
sys.path.insert(0, os.path.join(os.path.dirname(__file__), 'app'))
from app.helper.memory import MemoryHelper
from app.log import logger
def test_memory_analysis():
"""测试内存分析功能"""
print("开始测试内存分析工具...")
# 创建内存分析器实例
memory_helper = MemoryHelper()
# 1. 测试内存摘要
print("\n1. 测试内存摘要:")
summary = memory_helper.get_memory_summary()
for key, value in summary.items():
print(f" {key}: {value:.2f}")
# 2. 测试强制垃圾回收
print("\n2. 测试强制垃圾回收:")
collected = memory_helper.force_garbage_collection()
print(f" 清理了 {collected} 个对象")
# 3. 创建一些测试数据来模拟内存使用
print("\n3. 创建测试数据:")
test_data = {
'large_list': [i for i in range(100000)], # 约2.4MB
'large_dict': {f'key_{i}': f'value_{i}' for i in range(50000)}, # 约3MB
'large_string': 'x' * 1000000, # 约1MB
}
print(f" 创建了测试数据，包含 {len(test_data)} 个大对象")
# 4. 再次获取内存摘要
print("\n4. 创建测试数据后的内存摘要:")
summary_after = memory_helper.get_memory_summary()
for key, value in summary_after.items():
print(f" {key}: {value:.2f}")
# 5. 计算内存增长
print("\n5. 内存增长分析:")
if summary and summary_after:
total_growth = summary_after['total_memory_mb'] - summary['total_memory_mb']
python_growth = summary_after['python_objects_mb'] - summary['python_objects_mb']
unaccounted_growth = summary_after['unaccounted_mb'] - summary['unaccounted_mb']
print(f" 总内存增长: {total_growth:.2f} MB")
print(f" Python对象增长: {python_growth:.2f} MB")
print(f" 未统计内存增长: {unaccounted_growth:.2f} MB")
# 6. 创建详细分析报告
print("\n6. 创建详细分析报告:")
analysis_file = memory_helper.create_detailed_memory_analysis()
if analysis_file:
print(f" 详细分析报告已保存到: {analysis_file}")
# 显示报告的前几行
print("\n 报告预览:")
try:
with open(analysis_file, 'r', encoding='utf-8') as f:
lines = f.readlines()[:20]
for line in lines:
print(f" {line.rstrip()}")
print(" ...")
except Exception as e:
print(f" 读取报告失败: {e}")
# 7. 清理测试数据
print("\n7. 清理测试数据:")
del test_data
collected = memory_helper.force_garbage_collection()
print(f" 清理了 {collected} 个对象")
# 8. 最终内存摘要
print("\n8. 清理后的内存摘要:")
final_summary = memory_helper.get_memory_summary()
for key, value in final_summary.items():
print(f" {key}: {value:.2f}")
print("\n内存分析工具测试完成!")
def test_memory_growth_detection():
"""测试内存增长检测功能"""
print("\n开始测试内存增长检测...")
memory_helper = MemoryHelper()
# 获取初始内存
initial_summary = memory_helper.get_memory_summary()
print(f"初始内存: {initial_summary.get('total_memory_mb', 0):.2f} MB")
# 创建一些数据
data_list = []
for i in range(10):
data_list.append([j for j in range(10000)]) # 每次约240KB
time.sleep(0.1) # 短暂延迟
# 获取最终内存
final_summary = memory_helper.get_memory_summary()
print(f"最终内存: {final_summary.get('total_memory_mb', 0):.2f} MB")
# 计算增长
if initial_summary and final_summary:
growth = final_summary['total_memory_mb'] - initial_summary['total_memory_mb']
print(f"内存增长: {growth:.2f} MB")
# 清理
del data_list
memory_helper.force_garbage_collection()
print("内存增长检测测试完成!")
if __name__ == "__main__":
try:
test_memory_analysis()
test_memory_growth_detection()
except Exception as e:
print(f"测试过程中出现错误: {e}")
import traceback
traceback.print_exc()