Python 对象的内存模型与引用计数解析_网络技术

id() 和 is 比较对象在内存中的实际地址，即 PyObject* 指针值；引用计数增减由底层指针操作触发，循环引用需 gc 模块清理；sys.getrefco
unt() 结果恒比真实值多 1。

它们比较的是对象在内存中的实际地址，也就是 CPython 解释器中 PyObject* 指针的值。不是“值相等”，也不是“类型一致”，纯粹是同一块内存区域的标识。

常见误用：用 is 判断数字或字符串是否“内容相同”。比如 1000 is 10**3 在某些 Python 版本返回 False，因为小整数（-5 到 256）会被缓存复用，但超出范围后每次字面量都会新建对象。

CPython 用引用计数作为主要内存管理机制，每个对象头里存着一个 ob_refcnt 计数器。它不是“变量引用次数”，而是“指向该对象的指针数量”。

增减发生在底层操作层面，比如：

因为调用 sys.getrefcount(x) 这个动作本身，会让 x 临时多一个引用 —— 参数传递过程会增加一次计数。

例如：

import sys
a = []
print(sys.getrefcount(a))  # 输出通常是 2（不是 1）

这个“+1”是确定的、可预测的干扰项，不是 bug，也不是内存泄漏迹象。

当引用计数降到 0，CPython 立即调用对象的 __del__ 方法并释放内存。但这个“立即”仅限于当前线程、无异常、无循环引用的干净场景。

引用计数的简洁性是以牺牲确定性和跨实现兼容性换来的。一旦涉及多线程、C 扩展或长期运行的服务，就得直面它的边界 —— 那些没被 gc 捕获的循环、那些在解释器关闭时静默消失的 __del__、还有那些你以为“应该被释放”却还挂在某个闭包里的对象。