<h2>性能分析和调优工具简介</h2>    <p>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。</p>    <h2>By Context Manager</h2>    <p>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:</p>    <pre>  <code class="language-python"># 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</code></pre>    <p>使用方式如下:</p>    <pre>  <code class="language-python">from timer import Timer    with Timer() as t:      foo()  print "=> foo() spends %s s" % t.secs</code></pre>    <h2>By Decorator</h2>    <p>然而我认为装饰器的方式更加优雅</p>    <pre>  <code class="language-python">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</code></pre>    <p>使用就很简单了:</p>    <pre>  <code class="language-python">@timer  def my_sum(n):      return sum([i for i in range(n)])    if __name__ == "__main__":      my_sum(10000000)</code></pre>    <p>运行结果:</p>    <pre>  <code class="language-python">➜  python profile.py  Total time running my_sum: 0.817697048187 seconds</code></pre>    <h2>系统自带的time命令</h2>    <p>使用示例如下:</p>    <pre>  <code class="language-python">➜ 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</code></pre>    <p>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。</p>    <p>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</p>    <h2>python timeit 模块</h2>    <p>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 <a href="/misc/goto?guid=4959725693969655202" rel="nofollow,noindex">文章</a> 。</p>    <h2>cProfile</h2>    <p>直接看带注释的使用示例吧。</p>    <pre>  <code class="language-python">#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")</code></pre>    <p>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。</p>    <pre>  <code class="language-python">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")</code></pre>    <p>截取一个查看test()调用了哪些函数的输出示例:</p>    <pre>  <code class="language-python">➜  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}</code></pre>    <h3>profile.Profile</h3>    <p>cProfile还提供了可以自定义的类，可以更精细的分析, 具体看 <a href="/misc/goto?guid=4959725694060343510" rel="nofollow,noindex">文档</a> 。</p>    <p>格式如： class profile.Profile(timer=None, timeunit=0.0, subcalls=True, builtins=True)</p>    <p>下面这个例子来自官方文档:</p>    <pre>  <code class="language-python">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()</code></pre>    <h2>line <sub>profiler</sub></h2>    <p>line <sub>profiler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</sub> : <a href="/misc/goto?guid=4959669535307262855" rel="nofollow,noindex">https://github.com/rkern/line...</a></p>    <pre>  <code class="language-python">#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()</code></pre>    <p>通过 kernprof 命令来注入分析，运行结果如下：</p>    <pre>  <code class="language-python">➜ 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</code></pre>    <p>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。</p>    <h2>memory <sub>profiler</sub></h2>    <p>类似于"line <sub>profiler</sub> "对基于行分析程序内存使用情况的模块。github 地址： <a href="/misc/goto?guid=4959547211604992560" rel="nofollow,noindex">https://github.com/fabianp/me...</a> 。ps:安装 psutil , 会分析的更快。</p>    <p>同样是上面"line <sub>profiler</sub> "中的代码，运行 python -m memory_profiler profile.py 命令生成结果如下:</p>    <pre>  <code class="language-python">➜ 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</code></pre>    <h2>参考资料:</h2>    <ul>     <li> <p><a href="/misc/goto?guid=4959725694060343510" rel="nofollow,noindex">https://docs.python.org/2/lib...</a></p> </li>     <li> <p><a href="/misc/goto?guid=4959725694220354892" rel="nofollow,noindex">http://xianglong.me/article/a...</a></p> </li>     <li> <p><a href="/misc/goto?guid=4959725694308924738" rel="nofollow,noindex">http://www.cnblogs.com/btchen...</a></p> </li>     <li> <p><a href="/misc/goto?guid=4959725694393053413" rel="nofollow,noindex">https://www.huyng.com/posts/p...</a></p> </li>     <li> <p><a href="/misc/goto?guid=4959725694479783973" rel="nofollow,noindex">http://www.marinamele.com/7-t...</a></p> </li>    </ul>    <p> </p>    <p> </p>    <p>来自：https://segmentfault.com/a/1190000007518598</p>    <p> </p>