go pprof 性能测试

一、性能分析类型

1.CPU性能分析

        CPU性能分析是最常见的性能分析类型。启动CPU分析时，运行时每隔10ms中断一次，采集正在运行协程的堆栈信息。

        程序运行结束后，可以根据收集的数据，找到最热代码路径。

        一个函数在分析阶段出现的次数越多，则该函数的代码路径(code path)花费的时间占总运行时间的比重越大。

2.内存性能分析

内存性能分析记录堆内存分配信息，忽略栈内存的分配。

内存分析启动时，默认每1000次采样1次，这个比例是可以调整的。因为内存性能分析是基于采样的，因此基于内存分析数据来判断程序所有的内存使用情况是很困难的。

3.阻塞性能分析

阻塞性能分析是go特点的。

阻塞性能分析用来记录一个协程用来等待共享资源所花费的时间，这用来判断程序并发瓶颈是很有用。阻塞的场景包括：

• 在没有缓冲的信道上发送或接受数据。
• 在空的信道上接受数据或在满的信道上发送数据。
• 尝试获取一个已被其他协程占用的排他锁。

一般情况下，当所有的 CPU 和内存瓶颈解决后，才会考虑这一类分析。

二、cpu性能分析

1.生成pporf

go 性能分析接口位于runtime/pprof 中：

测试代码：生成5组数据，进行冒泡排序：

main.go

// main.go
package main

import (
	"math/rand"
	"time"
)

func generate(n int) []int {
	rand.Seed(time.Now().UnixNano())
	nums := make([]int, 0)
	for i := 0; i < n; i++ {
		nums = append(nums, rand.Int())
	}
	return nums
}
func bubbleSort(nums []int) {
	for i := 0; i < len(nums); i++ {
		for j := 1; j < len(nums)-i; j++ {
			if nums[j] < nums[j-1] {
				nums[j], nums[j-1] = nums[j-1], nums[j]
			}
		}
	}
}

func main() {
	n := 10
	for i := 0; i < 5; i++ {
		nums := generate(n)
		bubbleSort(nums)
		n *= 10
	}
}

想要度量这段代码的性能，只需要在main函数最前加两行代码：

main()

import (
	"math/rand"
	"os"
	"runtime/pprof"
	"time"
)

func main() {
	pprof.StartCPUProfile(os.Stdout)
	defer pprof.StopCPUProfile()
	n := 10
	for i := 0; i < 5; i++ {
		nums := generate(n)
		bubbleSort(nums)
		n *= 10
	}
}

go run main.go > cpu.pprof

当然也可以将输出直接导入到文件中：

2.分析数据

此时得到cpu.pprof 文件：

go tool pprof -http=:9999 cpu.pprof  如果提升 Graphviz没有安装： apt install graphviz  (ubuntu)

访问localhost:9999 得到：

除了在网页中查看外，还可以使用交互式命令进行查看：

go tool pprof  cpu.pprof

使用top 查看到 bubbleSort函数占用cpu最多。

 还可以使用top --cum，按照 cum (累计消耗)排序：

使用help 查看帮助：

 三、内存性能分析

下面为一段字符串拼接代码，我们对它进行内存分析：

package main

import (
	"math/rand"

	"github.com/pkg/profile"
)

const letterBytes = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ"

func randomString(n int) string {
	b := make([]byte, n)
	for i := range b {
		b[i] = letterBytes[rand.Intn(len(letterBytes))]
	}
	return string(b)
}

func concat(n int) string {
	s := ""
	for i := 0; i < n; i++ {
		s += randomString(n)
	}
	return s
}

func main() {
	concat(100)
}

我们使用另外一个性能分析库"github.com/pkg/profile" 它内部封装了 runtime/pprof 接口，使用起来更加简单。

cpu性能分析：

defer profile.Start().Stop()

内存性能分析：

defer profile.Start(profile.MemProfile, profile.MemProfileRate(1)).Stop()

profile包会自动在/tmp目录下生成profile文件

go tool pprof -http=:9999 /tmp/profile575547387/mem.pprof

 可以看见concat 消耗了 524 KB, 而 randomString消耗了 21KB,为什么相差这么大呢？

因为go中的字符串不可修改，使用+ 连接字符串会导致重新生成新的字符串，将 + 两边的子字符串拷贝到新的字符串去。那这种设计多次字符串拼接的场景该如何优化呢？使用strings.Builder

优化后的代码：

package main

import (
	"math/rand"
	"strings"

	"github.com/pkg/profile"
)

const letterBytes = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ"

func randomString(n int) string {
	b := make([]byte, n)
	for i := range b {
		b[i] = letterBytes[rand.Intn(len(letterBytes))]
	}
	return string(b)
}

func concat(n int) string {
	sb := new(strings.Builder)
	for i := 0; i < n; i++ {
		sb.WriteString(randomString(n))
	}
	return sb.String()
}

func main() {
	defer profile.Start(profile.MemProfile, profile.MemProfileRate(1)).Stop()
	concat(100)
}

优化后可以看到concat 函数使用了71KB 内存，randomString函数使用了 21kb 内存。

四、benchmark 生成 profile

使用benchmark 进行基准测试时，除了直接查看结果，还可以生成profile

testing支持cpu、mem、block 

• -cpuprofile=$FILE
• -memprofile=$FILE, -memprofilerate=N 调整记录速率为原来的 1/N。
• -blockprofile=$FILE

fib_test.go

package fib

import "testing"

func fib(n int) int {
	if n == 0 || n == 1 {
		return n
	}
	return fib(n-2) + fib(n-1)
}

func BenchmarkFib(b *testing.B) {
	for n := 0; n < b.N; n++ {
		fib(30) // run fib(30) b.N times
	}
}

go test -bench=. test/bench/fib -cpuprofile=cpu.pprof

go tool pprof -test cpu.pprof

 go  tool pprof 支持多种输出格式：

go tool pprof