17370845950

Python流式处理更省内存，核心在于边读边处理、边产出边释放，避免一次性加载全部数据；通过生成器、迭代器、分块读取和背压机制，使内存占用低且稳定。

Python 流式处理更省内存，核心在于它避免一次性把全部数据加载进内存，而是边读边处理、边产出边释放，让内存占用始终维持在较低且稳定的水平。

一次只处理一小块数据

传统方式（如 readlines() 或 json.load()）会把整个文件或响应体读入内存，遇到 GB 级日志、大 JSON 数组或数据库导出文件时极易 OOM。流式处理（如逐行迭代文件、用 requests.iter_lines()、json.JSONDecoder.raw_decode() 分段解析）每次只拿一“块”——可能是一行、一个 JSON 对象、一个 CSV 记录。处理完立刻丢弃，不保留历史数据副本。

• 文件读取：用 for line in open(...) 而非 open(...).readlines()
• HTTP 响应：用 response.iter_content(chunk_size=8192) 替代 response.content
• JSON 流：用 ijson.parse() 或手动用 JSONDecoder 扫描缓冲区，逐个提取对象

生成器天然支持惰性求值

流式逻辑通常封装为生成器函数（含 yield），它不返回完整列表，而返回一个可迭代的生成器对象。调用者按需取值，Python 只在 next() 调用时才执行到下一个 yield，中间状态可被垃圾回收。这意味着：没有冗余中间列表、没有重复数据拷贝、控制权交还给调用方决定处理节奏。

• 例如处理 CSV：用 csv.DictReader(f) 返回迭代器，不是一次性构建所有字典
• 自定义清洗逻辑：写成 def clean_stream(lines): for line in lines: yield clean(line)，全程零列表累积

避免隐式复制和类型转换

很多内置方法看似方便，实则暗藏内存开销。比如 str.splitlines() 返回新列表；list(map(...)) 强制展开；pandas.read_csv() 默认载入全表。流式处理倾向使用原生字符串切片、正则迭代器（re.finditer()）、或配合 io.BytesIO 的增量解码，绕过不必要的字符串/对象实例化。

• 大文本中找匹配项：用 re.finditer(pattern, text, re.DOTALL) 比 re.findall() 更省，尤其 pattern 匹配少但 text 极大时
• 二进制流解析：用 struct.unpack_from() 直接从 bytes 缓冲区读字段，不转成 list 或 dict

背压与可控缓冲区大小

真正的流式系统（如 asyncio.StreamReader、aiofiles、Kafka consumer）支持背压机制——

下游处理慢时，上游自动降速或暂停读取，防止内存积压。即使同步场景，手动设置合理 chunk_size（如 4KB–64KB）也能平衡 I/O 效率与内存驻留量，比无限制读取更可控。

• 下载大文件：分块写入磁盘 + 即时解压/校验，不等全部下载完再操作
• 数据库游标：用 cursor.fetchmany(size=1000) 替代 fetchall()，结果集按批生成