مدیریت حافظه و بهینه‌سازی کد در پایتون

در برنامه‌نویسی پایتون، مدیریت حافظه و بهینه‌سازی کد نقش بسیار مهمی دارند. این موضوعات می‌توانند تأثیر بسزایی بر عملکرد برنامه‌های ما داشته باشند. در این جزوه، به بررسی مفهوم Garbage Collection، مدیریت حافظه با del، بهینه‌سازی با Generators و yield، و کاربرد Decorators می‌پردازیم.

مفهوم Garbage Collection در پایتون

Garbage Collection (جمع‌آوری زباله) در پایتون به فرآیند مدیریت حافظه و حذف خودکار اشیای غیرقابل دسترس گفته می‌شود. پایتون دارای یک مدیریت خودکار حافظه است که به کمک Reference Counting و Garbage Collector (GC) کار می‌کند.

الف) Reference Counting (شمارش مراجع)

هر شیء در پایتون یک شمارنده دارد که تعداد مراجعات به آن را نگه می‌دارد. زمانی که این شمارنده صفر شود، حافظه آن شیء آزاد می‌شود.

مثال:

import sys

x = []  # لیست خالی ایجاد می‌کنیم

print(sys.getrefcount(x))  # تعداد ارجاعات به x را چاپ می‌کنیم

ب) استفاده از Garbage Collector

ما می‌توانیم GC را به‌صورت دستی کنترل کنیم:

import gc
gc.collect()  # اجرای دستی Garbage Collection

اگر بخواهیم GC را غیرفعال کنیم:

gc.disable()

و برای فعال‌سازی دوباره:

gc.enablle()

مدیریت حافظه با del

پایتون اجازه می‌دهد که متغیرها را به صورت دستی از حافظه حذف کنیم:

x = [1, 2, 3]
del x  # حذف x از حافظه

این دستور باعث می‌شود که شمارنده‌ی مرجع (Reference Count) برای x صفر شده و جمع‌آوری زباله آن را از بین ببرد.

نکته: استفاده نادرست از del می‌تواند باعث ایجاد خطاهای پیش‌بینی‌نشده شود.

بهینه‌سازی مصرف حافظه با Generators و yield

گاهی اوقات حجم داده‌های ما زیاد است و استفاده از لیست‌های بزرگ باعث مصرف زیاد حافظه می‌شود. در چنین مواردی از Generators استفاده می‌کنیم.

تفاوت Generator با لیست:

# لیست معمولی

numbers = [i for i in range(1000000)]  # مصرف حافظه زیاد



# Generator

numbers_gen = (i for i in range(1000000))  # مصرف حافظه کم

مثال استفاده از yield در Generator:

def number_generator():
    n = 0
    while True:
        yield n  # مقدار n را برمی‌گرداند ولی حافظه را اشغال نمی‌کند
        n += 1
num_gen = number_generator()
print(next(num_gen))  # 0
print(next(num_gen))  # 1
print(next(num_gen))  # 2

مزایای Generators:

• کاهش مصرف حافظه


• مناسب برای پردازش داده‌های بزرگ


• افزایش عملکرد

Decorators و استفاده از آن‌ها

Decorators توابعی هستند که به ما امکان می‌دهند رفتار توابع دیگر را بدون تغییر کد اصلی، اصلاح کنیم.

مثال ساده Decorator:

def my_decorator(func):
    def wrapper():
        print("قبل از اجرای تابع")
        func()
        print("بعد از اجرای تابع")
    return wrapper
@my_decorator
def say_hello():
    print("سلام")
say_hello()

خروجی:

قبل از اجرای تابع

سلام

بعد از اجرای تابع

کاربردهای Decorators

• ثبت زمان اجرای تابع:

import time
def timing_decorator(func):
    def wrapper(*args, **kwargs):
        start_time = time.time()
        result = func(*args, **kwargs)
        end_time = time.time()
        print(f"مدت زمان اجرا: {end_time - start_time} ثانیه")
        return result
    return wrapper
@timing_decorator
def example():
    time.sleep(1)
    print("اجرای تابع")
example()

جمع‌بندی

در این جزوه، با مفاهیم زیر آشنا شدیم:

1. Garbage Collection و مدیریت خودکار حافظه در پایتون


2. مدیریت حافظه با del


3. بهینه‌سازی حافظه با Generators و yield


4. کاربرد Decorators و سفارشی‌سازی توابع