python - 内存使用 @on_trait_change 与 _foo_changed()

Question

我确实用 Enthought Traits 构建了一个应用程序，它占用了太多内存。我认为，问题是由特征通知引起的:

@on_trait_change 或使用特殊命名约定(例如 _foo_changed() )捕获的事件在内存使用方面似乎存在根本差异。我用两个类 Foo 和 FooDecorator 做了一个小例子，我假设它们表现出完全相同的行为。但他们没有!

from traits.api import *

class Foo(HasTraits):
    a = List(Int)

    def _a_changed(self):
        pass

    def _a_items_changed(self):
        pass

class FooDecorator(HasTraits):
    a = List(Int)

    @on_trait_change('a[]')
    def bar(self):
        pass

if __name__ == '__main__':
    n = 100000
    c = FooDecorator
    a = [c() for i in range(n)]

当使用 c = Foo 运行此脚本时，Windows 任务管理器显示整个 python 进程的内存使用量为 70MB，随着 n 的增加保持不变。对于 c = FooDecorator，python 进程使用 450MB，随着 n 的增加而增加。

你能给我解释一下这种行为吗？

编辑:也许我应该换个说法:为什么有人会选择 FooDecorator 而不是 Foo？

编辑 2:我刚刚卸载了 python(x,y) 2.7.9 并安装了具有 traits 4.5.0 的最新版本的 canopy。现在 450MB 变成了 750MB。

编辑 3:我自己编译了 traits-4.6.0.dev0-py2.7-win-amd64。结果与 EDIT 2 中的结果相同。所以尽管所有合理性 https://github.com/enthought/traits/pull/248/files似乎不是原因。

Answer 1

我相信您看到了最近修复的内存泄漏的影响: https://github.com/enthought/traits/pull/248/files

至于为什么要使用装饰器，在这个特定的例子中，这两个版本实际上是等价的。

一般来说，装饰器更灵活:你可以给出一个要听的特征列表，你可以使用扩展名称表示法，如下所述: http://docs.enthought.com/traits/traits_user_manual/notification.html#semantics

例如，在这种情况下:

class Bar(HasTraits):
    b = Str

class FooDecorator(HasTraits):
    a = List(Bar)

    @on_trait_change('a.b')
    def bar(self):
        print 'change'

bar 通知程序将被调用以更改特征 a、它的项以及特征 b 的更改在每个 Bar 项中。扩展名称可能非常强大。