Django性能优化

        profiler = LineProfiler()
        profiled_view = profiler(my_view)

        # 你可以模拟一个请求对象，或者从测试数据中获取
        request = create_request_somehow()

        # 运行被剖析的视图函数
        profiled_view(request)
        
        # 输出剖析结果
        profiler.print_stats()
```

4. 运行你的剖析命令：
   在你的Django项目目录中使用manage.py运行刚才创建的命令。

   python manage.py profile
   

5. 分析剖析结果：
   查看命令行输出的剖析结果。line_profiler会列出每一行代码的执行时间和次数等信息，这样你就可以找到性能瓶颈。

确保在部署到生产环境前移除@profile装饰器或更改相应的配置，以免引入额外的性能开销。使用line_profiler来进行性能剖析是一个非常有力的工具，它可以帮助你理解Django视图中每一行代码的性能表现。

line\_profiler跑完结果如下：  
 Line #      Hits         Time  Per Hit   % Time  Line Contents  
 ==============================================================  
     53                                               def wrapped\_view(\*args, \*\*kwargs):  
     54         1        1e+10    1e+10    100.0          return view\_func(\*args, \*\*kwargs)


   


2>使用 `cProfile` 进行性能剖析的方式，可以按照以下步骤进行：  
  

1. 命令行：可以直接在命令行中使用 python -m cProfile -o output_file.prof your_script.py 来运行你的脚本，并将剖析结果输出到 output_file.prof 文件中。

2. 在代码中使用：

   • 导入 cProfile 模块。
   • 使用 cProfile.run() 或 cProfile.runctx() 在代码中直接剖析特定部分。
   • 可选使用 pstats 模块来读取并分析剖析数据。

示例代码：

import cProfile
import pstats
import io

def function_to_profile():
    # 这里放置你想要剖析的代码
    pass

# 创建 Profile 实例
pr = cProfile.Profile()

# 开始剖析
pr.enable()

# 运行你想要剖析的函数或代码
function_to_profile()

# 停止剖析
pr.disable()

# 创建数据流以输出剖析结果
s = io.StringIO()

# 创建 pstats 对象，并将剖析数据写入 s 数据流中
ps = pstats.Stats(pr, stream=s).sort_stats('cumulative')

# 打印剖析结果
ps.print_stats()

# 获取打印输出的数据
profiling_result = s.getvalue()

# 打印到控制台，或输出到文件等
print(profiling_result)

如果需要将结果输出到文件并稍后进行分析，可以执行 ps.dump_stats('profile_stats.prof')，这会将剖析数据保存到 profile_stats.prof 文件。

使用参数 sort_stats() 可以指定输出结果的排序方式，常见的排序参数有 cumulative（累计时间）、time（内部时间）等。通过 print_stats() 方法的参数可以控制输出详情的数量（例如 print_stats(10) 只显示前10行结果）。

在使用 cProfile 进行性能剖析时，得到的报告中包含了若干列，每列的含义如下：

• ncalls: 「调用次数」，表示函数被调用的次数。如果报告显示两个数字，如 3/1，那么第一个数字表示函数被直接调用的次数，第二个数字表示函数被递归调用的次数。

• tottime: 「总时间」，表示函数本身在所有调用中消耗的总时间（不包括在其他函数中消耗的时间）。单位通常是秒。

• percall: 「每次调用平均时间」，它是 tottime 列的时间除以 ncalls 列的调用次数。如果 ncalls 列显示了两个数字，则这个值表示的是除以第一个数字。

• cumtime: 「累积时间」，表示函数以及它调用的所有函数在所有调用中消耗的总时间。这是一个更全面的性能指标，因为它包含了当前函数调用其他函数的时间。

• percall: 这个「每次调用平均时间」与前一栏的percall相对应，但它是 cumtime 列的时间除以递归调用次数（ncalls列的第二个数字）。

• filename:lineno(function): 「文件名、行号和函数名」，提供了函数所在的位置信息，帮助你准确定位代码。

通过这些数据，您可以分析哪些函数耗时最多，哪些函数调用频繁，以及函数调用的性能。这些信息对于优化代码性能非常有用。

最终确认以下内容为性能消耗主要瓶颈：

ncalls tottime percall cumtime percall filename:lineno(function)
104 1.332 0.013 1.332 0.013 {method ‘recv_into’ of ‘_socket.socket’ objects}
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

5%以上前端开发知识点，真正体系化！**

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）