0Pricing
Python Academy · Lección

Perfilado de memoria con tracemalloc

Siga las asignaciones de memoria y encuentre fugas con tracemalloc.

Perfilado de memoria con tracemalloc es una lección gratuita de Python Academy en CoddyKit. Esta es la lección 4 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Python Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Python Academy incluye 4 lecciones en total.

¿Qué es tracemalloc?

tracemalloc es un módulo de la biblioteca estándar que rastrea las asignaciones de memoria de Python por archivo y número de línea.

import tracemalloc

tracemalloc.start()

x = [i for i in range(100_000)]

current, peak = tracemalloc.get_traced_memory()
tracemalloc.stop()

print(f"Current: {current/1024:.1f} KB")
print(f"Peak:    {peak/1024:.1f} KB")

Toma de instantáneas

Una instantánea captura todas las asignaciones actuales en un momento determinado. Compare dos instantáneas para descubrir qué se asignó entre ambas.

import tracemalloc

tracemalloc.start()

snap1 = tracemalloc.take_snapshot()

data = [{"key": str(i)} for i in range(10_000)]

snap2 = tracemalloc.take_snapshot()

stats = snap2.compare_to(snap1, "lineno")
for stat in stats[:5]:
    print(stat)

Filtrado de instantáneas

Filtre las estadísticas para mostrar únicamente el código de su aplicación, excluyendo la biblioteca estándar.

import tracemalloc

tracemalloc.start()
leak_function()
snap = tracemalloc.take_snapshot()

filters = [tracemalloc.Filter(True, "*/myapp/*")]
stats = snap.filter_traces(filters).statistics("lineno")
for stat in stats[:10]:
    print(stat)

Principales asignadores

Use snapshot.statistics("lineno") o "traceback" para ver los principales consumidores de memoria por línea o mediante el traceback completo.

import tracemalloc

tracemalloc.start(nframe=10)   # track 10 frames deep

big_list = [i**2 for i in range(500_000)]

snap = tracemalloc.take_snapshot()
for stat in snap.statistics("traceback")[:3]:
    print(stat)
    for line in stat.traceback.format():
        print("  ", line)

Detección de fugas de memoria

Tome dos instantáneas alrededor de una posible fuga y compárelas. El crecimiento de las estadísticas entre ambas instantáneas indica una fuga.

import tracemalloc

tracemalloc.start()
snap_before = tracemalloc.take_snapshot()

for _ in range(100):
    suspected_leaky_function()

snap_after = tracemalloc.take_snapshot()
diff = snap_after.compare_to(snap_before, "lineno")
for stat in diff[:5]:
    print(stat)

get_traced_memory()

tracemalloc.get_traced_memory() devuelve bytes en formato (current, peak); resulta útil para comprobaciones ligeras de antes y después.

import tracemalloc

tracemalloc.start()
before, _ = tracemalloc.get_traced_memory()

do_something()

after, peak = tracemalloc.get_traced_memory()
tracemalloc.stop()

print(f"Delta: {(after-before)/1024:.1f} KB, Peak: {peak/1024:.1f} KB")

memory_profiler

memory_profiler proporciona el uso de memoria línea por línea, de forma similar a line_profiler para la CPU.

# pip install memory_profiler
from memory_profiler import profile

@profile
def build_data():
    data = [i**2 for i in range(100_000)]
    filtered = [x for x in data if x % 2 == 0]
    return filtered

build_data()
# python -m memory_profiler script.py

memray

memray (de Bloomberg) es un profiler de memoria de Python rápido, con salida en forma de flamegraph.

# pip install memray
# python -m memray run script.py
# python -m memray flamegraph memray-script.py.bin

# Generates an interactive HTML flamegraph
# showing allocations by call stack

Reducción del uso de memoria

Algunas técnicas habituales son usar generadores en lugar de listas, __slots__, el módulo array para datos numéricos, arrays de numpy y evitar mantener vivos objetos grandes dentro de cierres.

# Instead of:
data = [process(x) for x in huge_list]   # all in memory

# Use a generator:
def gen_data(lst):
    for x in lst:
        yield process(x)

for item in gen_data(huge_list):
    consume(item)   # one at a time

sys.getsizeof()

sys.getsizeof(obj) devuelve la memoria utilizada por un objeto en bytes (de forma superficial: no incluye los objetos referenciados).

import sys

print(sys.getsizeof([]))          # 56
print(sys.getsizeof([1,2,3]))     # 88
print(sys.getsizeof("hello"))     # 54
print(sys.getsizeof({}))          # 64

# For deep size, use recursive measurement:
def deep_size(obj):
    return sys.getsizeof(obj) + sum(
        sys.getsizeof(v) for v in vars(obj).values()
        if hasattr(obj, "__dict__")
    )

Perfilado en producción

Ejecute tracemalloc con un número limitado de nframes en producción para minimizar la sobrecarga. Guarde las instantáneas en un archivo para analizarlas sin conexión.

import tracemalloc, pickle

tracemalloc.start(nframe=5)   # low overhead

# ... serve some requests ...

snap = tracemalloc.take_snapshot()
with open("snap.pkl","wb") as f:
    pickle.dump(snap, f)
# Analyse later offline

Comprobación rápida

¿Qué representan los dos valores que devuelve tracemalloc.get_traced_memory()?

Resumen

Use tracemalloc.start() y las instantáneas para encontrar fugas de memoria. Compare las instantáneas con compare_to(). Use memory_profiler para consultar el uso línea por línea y memray para generar flamegraphs. Reduzca el consumo de memoria con generadores, __slots__ y arrays de NumPy.

Preguntas frecuentes

¿La lección «Perfilado de memoria con tracemalloc» es gratis?

Sí — el texto completo de «Perfilado de memoria con tracemalloc» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Python Academy, actualiza a CoddyKit PRO. El curso de Python Academy incluye 4 lecciones en total.

¿Qué aprenderé en «Perfilado de memoria con tracemalloc»?

Siga las asignaciones de memoria y encuentre fugas con tracemalloc. Practicas Python Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.

¿Necesito experiencia previa para empezar Python Academy?

No se requiere experiencia previa. Python Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 4 de 4.

¿Cuánto tiempo toma la lección «Perfilado de memoria con tracemalloc»?

La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.

¿Puedo escribir y ejecutar código en esta lección de Python Academy?

Sí. Cada lección de Python Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.

Todas las lecciones de este curso

  1. Conteo de referencias en CPython
  2. El recolector de basura y las referencias cíclicas
  3. Perfilado con cProfile y line_profiler
  4. Perfilado de memoria con tracemalloc
← Volver a Python Academy