@profile 不生效是因为未用 python -m memory_profiler 运行脚本；它仅是标记，需该模块入口触发采样；必须用 python -m memory_profiler script.py 启动，参数置于文件名后。
为什么 memory_profiler 的 @profile 不生效？
直接加装饰器却没输出，大概率是没用 python -m memory_profiler 启动脚本。Python 解释器默认不识别 @profile，它只是个标记，真正触发内存采样的是 memory_profiler 自己的执行入口。
实操建议：
- 不要用
python script.py运行，必须用python -m memory_profiler script.py - 如果脚本有命令行参数，参数要写在文件名之后：
python -m memory_profiler script.py --input data.json - 若想监控某函数而非全脚本，仍需启动时加
-f或--follow-children（视版本），否则子进程/线程内存不会被追踪
line_profiler 和 memory_profiler 能一起用吗？
能，但不能靠装饰器叠加——@profile 只会被其中一个模块识别。更可靠的方式是分两次运行：一次用 line_profiler 看耗时热点，一次用 memory_profiler 看内存增长行。
注意点：
-
memory_profiler默认每 100ms 采样一次，对短函数可能漏掉瞬时峰值；可加-D 10（单位 ms）提高精度，但会显著拖慢执行 - 若函数内有循环且每次迭代都 new 对象，采样粒度不够会导致你只看到“整体涨了”，看不出哪次迭代分配最多
- 避免在 Jupyter 中用
%memit查看长期增长趋势——它只给总增量，没法定位到具体哪行反复分配
监控结果里 Mem usage 突增但找不到对应代码行？
常见于隐式对象创建：比如 json.loads() 返回新 dict、re.findall() 返回 list、甚至 str.split() 生成多个子串对象。这些调用本身只占一行，但背后分配可能远超预期。
排查建议：
- 把可疑函数拆成两步：先存返回值，再用该变量做后续操作。例如把
data = json.loads(s)拆成s_json = s; data = json.loads(s_json)，让memory_profiler把分配动作“钉”在json.loads那行 - 检查是否用了
copy.deepcopy()或pandas.DataFrame.copy()——它们常被忽略，却是内存大户 - 留意
logging.debug()或print()里拼接字符串（如f"item={item}"），尤其在循环中，临时字符串对象会累积
为什么 memory_profiler 显示内存没释放，但 gc.collect() 后也没降？
不是没释放，是 Python 的内存管理机制导致的：CPython 把释放的内存块保留在私有堆里，供后续同大小对象复用，不还给操作系统。所以 memory_profiler 看到的“增长”可能是碎片化堆积，而非真实泄漏。
关键判断点：
- 用
psutil.Process().memory_info().rss对比进程 RSS 内存，如果 RSS 持续上涨，才是真泄漏；如果只在memory_profiler输出里涨，而 RSS 平稳，大概率是内部缓存或分配器行为 - 检查是否有全局 dict/list 缓存未清理，比如用
functools.lru_cache()却没设maxsize，或自己写的 cache 字典不断.append()却不淘汰 -
memory_profiler的--include-children在多进程场景下容易误报——子进程内存会计入父进程采样，实际并不共享
objgraph）和 GC 状态（gc.get_objects()）才能闭环。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
