python性能分析工具模块_python——关于Python Profilers性能分析器

1. 介绍性能分析器

profiler是一个程序，用来描述运行时的程序性能，并且从不同方面提供统计数据加以表述。Python中含有3个模块提供这样的功能，分别是cProfile, profile和pstats。这些分析器提供的是对Python程序的确定性分析。同时也提供一系列的报表生成工具，允许用户快速地检查分析结果。

Python标准库提供了3个不同的性能分析器：

cProfile，推荐给大部分的用户，是C的一个扩展应用，因为其合理的运行开销，所以适合分析运行时间较长的。是基于lsprof。

profile，一个纯python模块，它的接口和cProfile一致。在分析程序时，增加了很大的运行开销。如果你想扩展profiler的功能，可以试着继承这个模块

hotshot, 一个试验性的c模块，关注减少分析时的运行开销，但是是以需要更长的数据后处理的次数为代价。不过这个模块不再被维护，也有可能在新的python版本中被弃用。

2. 使用方法

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

def foo():

sum = 0

for iin range(10000):

sum += i

sumA= bar()

sumB= bar()

return sum

def bar():

sum = 0

for iin range(100000):

sum += i

return sum

if __name__== "__main__":

import cProfile

#直接把分析结果打印到控制台

cProfile.run("foo()")

#把分析结果保存到文件中,不过内容可读性差...需要调用pstats模块分析结果

cProfile.run("foo()","result")

#还可以直接使用命令行进行操作

#>python -m cProfile myscript.py -o result

import pstats

#创建Stats对象

p= pstats.Stats("result")

#这一行的效果和直接运行cProfile.run("foo()")的显示效果是一样的

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

#strip_dirs():从所有模块名中去掉无关的路径信息

#sort_stats():把打印信息按照标准的module/name/line字符串进行排序

#print_stats():打印出所有分析信息

#按照函数名排序

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

#按照在一个函数中累积的运行时间进行排序

#print_stats(3):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("cumulative").print_stats(3)

#还有一种用法

p.sort_stats('time','cum').print_stats(.5,'foo')

#先按time排序,再按cumulative时间排序,然后打倒出前50%中含有函数信息

#如果想知道有哪些函数调用了bar,可使用

p.print_callers(0.5,"bar")

#同理,查看foo()函数中调用了哪些函数

p.print_callees("foo")

以上是profile以及pstats模块的简单应用.

3.分析结果图解

4. 什么是确定性性能分析(Deterministic Profiling)

确定性性能分析指的是反映所有的函数调用，返回，和异常事件的执行所用的时间，以及它们之间的时间间隔。相比之下，统计性性能分析指的是取样有效的程序指令，然后推导出所需要的时间，后者花费比较少的开销，但是给出的结果不够精确。

在Python中，因为其是解释性语言，所以在执行程序的时候，会加入解释器的执行，这部分的执行是不需要进行性能分析的。Python自动为每一个事件提供一个hook，来定位需要分析的代码。除此之外，因为Python解释型语言的本质往往需要在执行程序的时候加入很多其它的开销，而确定性性能分析只会加入一点点处理开销。这样一来，确定性性能分析其实开销不大，还可以提供丰富的统计信息。

函数调用次数的统计能够被用于确定程序中的bug，比如一个不符合常理的次数，明显偏多之类的，还可以用来确定可能的内联函数。函数内部运行时间的统计可被用来确定”hot loops”，那些需要运行时间过长，需要优化的部分；累积时间的统计可被用来确定比较高层次的错误，比如算法选择上的错误。Python的性能分析可以允许直接比较算法的递归实现与迭代实现的。