cpython 3.12+ 支持 --with-mimalloc 编译选项，启用后将 pymem_* 和 pyobject_malloc 全部转发至 mimalloc，需禁用 pymalloc 并静态链接；mimalloc 按 2mb segment 管理，支持部分回收，缓解 arena 碎片问题，但 gc.collect() 对其无效。
Python 默认用的是 pymalloc，不是系统 malloc
CPython 在小对象分配（pymalloc，这是它自己实现的内存池机制，和系统级的 malloc（如 glibc 的 ptmalloc）完全隔离。你改环境变量或 LD_PRELOAD mimalloc，对 Python 小对象分配路径基本没影响——除非你绕过 CPython 分配器，直接调用 C 层接口。
常见错误现象：malloc_stats() 看不到 Python 对象分配、valgrind --tool=massif 显示堆行为“不匹配”、替换 LD_PRELOAD=./libmimalloc.so 后内存占用/性能无变化。
-
pymalloc只管PyObject*和内部小块（如int、str的字符缓冲区），大对象（>512B）才 fallback 到系统malloc - 想让
mimalloc接管，得编译 CPython 时加--with-mimalloc（3.12+ 支持），或手动 patchPyMem_RawMalloc等函数指针 -
pymalloc的 arena 是 256KB 固定块，碎片化集中在 arena 内部；mimalloc按 segment（2MB）管理，更适应长生命周期混合分配
3.12+ 可以用 --with-mimalloc 编译，但有兼容代价
CPython 3.12 开始支持 --with-mimalloc 配置选项，启用后会把所有 PyMem_* 和 PyObject_Malloc 转发到 mimalloc。但这不是简单“换库”，而是重绑整个内存分配入口。
使用场景：你有大量自定义 C 扩展，且这些扩展直接调用 PyMem_Malloc，又对尾部延迟敏感（比如实时音视频处理）。
立即学习“Python免费学习笔记（深入）”；
- 必须静态链接
mimalloc（--with-mimalloc=static），否则运行时找不到符号 - 禁用
pymalloc（--without-pymalloc）是强制的，否则两种分配器混用会导致free()错配崩溃 - 某些调试构建（如
--with-pydebug）可能触发mimalloc的 assert，因为 CPython debug 模式会插桩检查指针来源
不用改解释器，也能让 mimalloc 生效的边界情况
如果你的应用重度依赖 NumPy、Pillow 或 PyTorch 这类底层用 C/C++ 分配内存的库，mimalloc 仍可能起作用——只要它们没显式调用 malloc，而是走标准 libc 接口。
典型例子：numpy.array(shape=(1000, 1000), dtype=float) 底层调的是 aligned_alloc 或 posix_memalign，这些会被 LD_PRELOAD 拦截；但 list.append() 一百万次，还是走 pymalloc。
- 验证是否生效：启动前设
export MIMALLOC_VERBOSE=1，看是否有 “mimalloc: init” 日志 - 注意
glibc的mallochook 机制在 musl 或某些容器里不可靠，Alpine Linux 上大概率失效 - Python 的 GC 不感知
mimalloc，所以gc.collect()对它分配的内存无效——这反而减少 GC 假阳性扫描
pymalloc 的碎片问题比想象中难观察
很多人以为 pymalloc 碎片多是因为“对象频繁创建销毁”，其实关键在 **arena 复用策略**：一个 arena 被释放后，如果还有任意一个 block 被占用，整个 arena 就卡住不还给系统，直到全部 block 归还。
这意味着：短生命周期小对象 + 极少数长生命周期对象（比如某个缓存字典一直活着），会让整块 256KB arena 锁死。而 mimalloc 的 segment 可以部分回收，更灵活。
- 用
sys.getsizeof()算不出碎片，得看tracemalloc的get_traced_memory()或/proc/PID/smaps的MMUPageSize字段 -
pymalloc不做 compaction，一旦碎片化，只能等 arena 彻底空闲；mimalloc有 lazy sweep，但代价是分配时可能稍慢 - 别指望
gc.collect()清掉 pymalloc 碎片——GC 只管 PyObject 引用计数，不管底层 block 是否空闲
真正要对比效果，得压测具体 workload：比如开 100 个线程持续生成临时 dict/list，跑 1 小时，再看 RSS 增长斜率。pymalloc 在这种场景下容易“只涨不跌”，mimalloc 相对平缓——但前提是它真被用上了。
