函数执行上下文通过限定大对象在最小必要作用域内，使其在函数返回后自动脱离作用域、引用计数归零，从而促进内存及时回收；配合生成器、流式读取、显式del、with资源管理和避免全局缓存，可有效降低内存溢出风险。
函数执行上下文本身不直接“避免”内存溢出，但它提供了一个天然的、受控的内存生命周期边界——局部变量在函数返回后自动脱离作用域，引用计数归零，从而让大对象更可靠地被回收。关键不是“用不用上下文”，而是**如何设计函数结构，让大对象严格限定在最小必要作用域内**。
把大对象关进函数“小房间”
Python 的函数局部作用域是内存释放最自然的触发器。只要大对象（如文件内容、大数据列表、临时缓存）只在函数内部创建和使用，函数执行结束时，这些变量就不可达，引用计数清零，内存大概率立即释放。
- ✅ 好做法：把上传文件处理逻辑封装成独立函数，所有中间数据都定义为参数或局部变量
- ❌ 避免：在全局或类属性中缓存 file.stream.read() 结果，或把处理结果赋值给 self.temp_data
- 示例：用 def process_stream(stream): ... 而不是在视图函数里直接 stream.read()
配合生成器与流式读取，让上下文“轻量”运行
即使在函数内，也不要一次性加载全部数据。结合生成器或分块读取，让每次只持有少量数据，函数上下文就始终轻量。
- 用 for chunk in stream: 或 stream.read(8192) 替代 stream.read()
- 处理 CSV 时，用 csv.DictReader(stream) —— 它内部就是迭代器，不加载全表
- 若需多次遍历，可先写入 tempfile.SpooledTemporaryFile，它会在内存和磁盘间自动切换，不撑爆 RAM
显式 del + 作用域隔离，双保险
del 不保证立刻释放，但配合函数作用域就非常有效：先用 del 清除强引用，再靠函数退出清除剩余隐式引用（比如闭包、异常 traceback 中残留的局部变量）。
- 在函数末尾加 del big_list, raw_bytes，尤其当它们可能被日志、装饰器或异常捕获间接持有时
- 用 sys.getrefcount(obj) 快速验证（注意传参会+1，结果要减1）
- 对长时运行的 worker，可在函数返回前调用 gc.collect()，但仅限确认存在大量短命大对象且引用已清空的场景
用 with 管理资源，不让句柄拖累内存
文件、数据库连接、网络响应等资源若未关闭，不仅占用系统句柄，还可能让关联的缓冲区（如 requests.response._content）长期驻留内存。
- 下载大文件时，用 response.iter_content(chunk_size=8192) 配合 with open(...) as f: 写入
- 自定义上下文管理器封装临时文件或缓存池，确保 exit 时清理底层 buffer 和磁盘临时文件
- 禁用 Flask 全局 request 对象上的缓存（如避免在 before_request 中缓存 request.files）
