Ползая по старым VPS и убитым ноутам, постоянно натыкаюсь на проблему — скрипты на Python начинают жрать всю память и тормозить на простых вещах вроде парсинга или массовых API-запросов. Думаю, многие из вас сталкивались: вроде бы задача несложная, но железо слабое, а код — как будто написан в первый день после изучения синтаксиса.

Что реально помогает выжать максимум из старого или бюджетного оборудования? Вот мои наблюдения.

Первое — профилируйте! cProfile и memory_profiler — спасение. Просто запускайте скрипт с ними и смотрите, где у вас узкие места. У меня, например, обнаружилось, что некоторые циклы по большим спискам — тупо перебор без смысла. Там же стоял heavy-функционал с кучей лишних вызовов.

Второе — генераторы вместо списков. Казалось бы, базово, но многие продолжают тупо строить огромные списки в памяти. Генераторные выражения с «yield» заметно уменьшают потребление оперативки.

Третье — асинхронность. Ну да, выглядит страшно, но asyncio отлично подходит для массовых сетевых запросов, например, при скрапинге. Если делать всё последовательно — ждёшь вечность. Но тут совет: не бросайтесь писать асинхронный код ради асинхронности. Нужно понимать, где он реально даст прирост.

Четвёртое — подбор структур данных. Стандартный list лучше заменить на deque или использовать collections.Counter для подсчётов. Или, если вы реально уперлись и работаете с числами, numpy даст огромный прирост. Правда, иногда на мелких задачах накладно из-за импорта и инициализации.

Пятое — кеширование. Часто одни и те же запросы или вычисления повторяются. Простая библиотека functools.lru_cache или самостоятельное кеширование в файлы иногда дают ощутимый бонус.

И последнее — обращайте внимание на интерпретатор Python. CPython — самый распространённый, но PyPy для задач с циклическими вычислениями иногда помогает разгонять код в разы. Правда, он не всем подходит, особенно если нужны нативные библиотеки, не совместимые с PyPy.