python软件长啥样_Python 性能分析工具简介

性能分析和调优工具简介

总会遇到一个时候你会想提高程序执行效率，想看看哪部分耗时长成为瓶颈，想知道程序运行时内存和CPU使用情况。这时候你会需要一些方法对程序进行性能分析和调优。

Context Manager

可以上下文管理器自己实现一个计时器, 参见之前的介绍 timeit 文章里做的那样，通过定义类的 __enter__ 和 __exit__ 方法来实现对管理的函数计时, 类似如:

# timer.py

import time

class Timer(object):

def __init__(self, verbose=False):

self.verbose = verbose

def __enter__(self):

self.start = time.time()

return self

def __exit__(self, *args):

self.end = time.time()

self.secs = self.end - self.start

self.msecs = self.secs * 1000 # 毫秒

if self.verbose:

print 'elapsed time: %f ms' % self.msecs

使用方式如下:

from timer import Timer

with Timer() as t:

foo()

print "=> foo() spends %s s" % t.secs

Decorator

然而我认为装饰器的方式更加优雅

import time

from functools import wraps

def timer(function):

@wraps(function)

def function_timer(*args, **kwargs):

t0 = time.time()

result = function(*args, **kwargs)

t1 = time.time()

print ("Total time running %s: %s seconds" %

(function.func_name, str(t1-t0))

)

return result

return function_timer

使用就很简单了:

@timer

def my_sum(n):

return sum([i for i in range(n)])

if __name__ == "__main__":

my_sum(10000000)

运行结果:

➜ python profile.py

Total time running my_sum: 0.817697048187 seconds

系统自带的time命令

使用示例如下:

➜ time python profile.py

Total time running my_sum: 0.854454040527 seconds

python profile.py 0.79s user 0.18s system 98% cpu 0.977 total

上面的结果说明: 执行脚本消耗0.79sCPU时间， 0.18秒执行内核函数消耗的时间，总共0.977s时间。

其中， total时间 - (user时间 + system时间) = 消耗在输入输出和系统执行其它任务消耗的时间

python timeit 模块

可以用来做benchmark, 可以方便的重复一个程序执行的次数，来查看程序可以运行多块。具体参考之前写的文章。

cProfile

直接看带注释的使用示例吧。

#coding=utf8

def sum_num(max_num):

total = 0

for i in range(max_num):

total += i

return total

def test():

total = 0

for i in range(40000):

total += i

t1 = sum_num(100000)

t2 = sum_num(200000)

t3 = sum_num(300000)

t4 = sum_num(400000)

t5 = sum_num(500000)

test2()

return total

def test2():

total = 0

for i in range(40000):

total += i

t6 = sum_num(600000)

t7 = sum_num(700000)

return total

if __name__ == "__main__":

import cProfile

# # 直接把分析结果打印到控制台

# cProfile.run("test()")

# # 把分析结果保存到文件中

# cProfile.run("test()", filename="result.out")

# 增加排序方式

cProfile.run("test()", filename="result.out", sort="cumulative")

cProfile将分析的结果保存到result.out文件中，但是以二进制形式存储的，想直接查看的话用提供的 pstats 来查看。

import pstats

# 创建Stats对象

p = pstats.Stats("result.out")

# strip_dirs(): 去掉无关的路径信息

# sort_stats(): 排序，支持的方式和上述的一致

# print_stats(): 打印分析结果，可以指定打印前几行

# 和直接运行cProfile.run("test()")的结果是一样的

p.strip_dirs().sort_stats(-1).print_stats()

# 按照函数名排序，只打印前3行函数的信息, 参数还可为小数,表示前百分之几的函数信息

p.strip_dirs().sort_stats("name").print_stats(3)

# 按照运行时间和函数名进行排序

p.strip_dirs().sort_stats("cumulative", "name").print_stats(0.5)

# 如果想知道有哪些函数调用了sum_num

p.print_callers(0.5, "sum_num")

# 查看test()函数中调用了哪些函数

p.print_callees("test")

截取一个查看test()调用了哪些函数的输出示例:

➜ python python profile.py

Random listing order was used

List reduced from 6 to 2 due to restriction <'test'>

Function called...

ncalls tottime cumtime

profile.py:24(test2) -> 2 0.061 0.077 profile.py:3(sum_num)

1 0.000 0.000 {range}

profile.py:10(test) -> 5 0.073 0.094 profile.py:3(sum_num)

1 0.002 0.079 profile.py:24(test2)

1 0.001 0.001 {range}

profile.Profile

cProfile还提供了可以自定义的类，可以更精细的分析, 具体看文档。

格式如： class profile.Profile(timer=None, timeunit=0.0, subcalls=True, builtins=True)

下面这个例子来自官方文档:

import cProfile, pstats, StringIO

pr = cProfile.Profile()

pr.enable()

# ... do something ...

pr.disable()

s = StringIO.StringIO()

sortby = 'cumulative'

ps = pstats.Stats(pr, stream=s).sort_stats(sortby)

ps.print_stats()

print s.getvalue()

lineprofiler

lineprofiler是一个对函数进行逐行性能分析的工具，可以参见github项目说明，地址: https://github.com/rkern/line_profiler

示例

#coding=utf8

def sum_num(max_num):

total = 0

for i in range(max_num):

total += i

return total

@profile # 添加@profile 来标注分析哪个函数

def test():

total = 0

for i in range(40000):

total += i

t1 = sum_num(10000000)

t2 = sum_num(200000)

t3 = sum_num(300000)

t4 = sum_num(400000)

t5 = sum_num(500000)

test2()

return total

def test2():

total = 0

for i in range(40000):

total += i

t6 = sum_num(600000)

t7 = sum_num(700000)

return total

test()

通过 kernprof 命令来注入分析，运行结果如下：

➜ kernprof -l -v profile.py

Wrote profile results to profile.py.lprof

Timer unit: 1e-06 s

Total time: 3.80125 s

File: profile.py

Function: test at line 10

Line # Hits Time Per Hit % Time Line Contents

==============================================================

10 @profile

11 def test():

12 1 5 5.0 0.0 total = 0

13 40001 19511 0.5 0.5 for i in range(40000):

14 40000 19066 0.5 0.5 total += i

15

16 1 2974373 2974373.0 78.2 t1 = sum_num(10000000)

17 1 58702 58702.0 1.5 t2 = sum_num(200000)

18 1 81170 81170.0 2.1 t3 = sum_num(300000)

19 1 114901 114901.0 3.0 t4 = sum_num(400000)

20 1 155261 155261.0 4.1 t5 = sum_num(500000)

21 1 378257 378257.0 10.0 test2()

22

23 1 2 2.0 0.0 return total

hits（执行次数） 和 time（耗时） 值高的地方是有比较大优化空间的地方。

memoryprofiler

类似于"lineprofiler"对基于行分析程序内存使用情况的模块。github 地址：https://github.com/fabianp/memory_profiler 。ps:安装 psutil, 会分析的更快。

同样是上面"lineprofiler"中的代码，运行 python -m memory_profiler profile.py 命令生成结果如下:

➜ python -m memory_profiler profile.py

Filename: profile.py

Line # Mem usage Increment Line Contents

================================================

10 24.473 MiB 0.000 MiB @profile

11 def test():

12 24.473 MiB 0.000 MiB total = 0

13 25.719 MiB 1.246 MiB for i in range(40000):

14 25.719 MiB 0.000 MiB total += i

15

16 335.594 MiB 309.875 MiB t1 = sum_num(10000000)

17 337.121 MiB 1.527 MiB t2 = sum_num(200000)

18 339.410 MiB 2.289 MiB t3 = sum_num(300000)

19 342.465 MiB 3.055 MiB t4 = sum_num(400000)

20 346.281 MiB 3.816 MiB t5 = sum_num(500000)

21 356.203 MiB 9.922 MiB test2()

22

23 356.203 MiB 0.000 MiB return total

TODO objgraph

参考资料: