摘要：性能分析和調(diào)優(yōu)工具簡(jiǎn)介總會(huì)遇到一個(gè)時(shí)候你會(huì)想提高程序執(zhí)行效率，想看看哪部分耗時(shí)長(zhǎng)成為瓶頸，想知道程序運(yùn)行時(shí)內(nèi)存和使用情況。安裝會(huì)分析的更快。

總會(huì)遇到一個(gè)時(shí)候你會(huì)想提高程序執(zhí)行效率，想看看哪部分耗時(shí)長(zhǎng)成為瓶頸，想知道程序運(yùn)行時(shí)內(nèi)存和CPU使用情況。這時(shí)候你會(huì)需要一些方法對(duì)程序進(jìn)行性能分析和調(diào)優(yōu)。

可以上下文管理器自己實(shí)現(xiàn)一個(gè)計(jì)時(shí)器, 參見(jiàn)之前的介紹 timeit 文章里做的那樣，通過(guò)定義類(lèi)的 __enter__ 和 __exit__ 方法來(lái)實(shí)現(xiàn)對(duì)管理的函數(shù)計(jì)時(shí), 類(lèi)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

然而我認(rèn)為裝飾器的方式更加優(yōu)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

使用就很簡(jiǎn)單了:

@timer
def my_sum(n):
    return sum([i for i in range(n)])

if __name__ == "__main__":
    my_sum(10000000)

運(yùn)行結(jié)果:

?  python profile.py
Total time running my_sum: 0.817697048187 seconds

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

上面的結(jié)果說(shuō)明: 執(zhí)行腳本消耗0.79sCPU時(shí)間， 0.18秒執(zhí)行內(nèi)核函數(shù)消耗的時(shí)間，總共0.977s時(shí)間。
其中， total時(shí)間 - (user時(shí)間 + system時(shí)間) = 消耗在輸入輸出和系統(tǒng)執(zhí)行其它任務(wù)消耗的時(shí)間

可以用來(lái)做benchmark, 可以方便的重復(fù)一個(gè)程序執(zhí)行的次數(shù)，來(lái)查看程序可以運(yùn)行多塊。具體參考之前寫(xiě)的文章。

直接看帶注釋的使用示例吧。

#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

    # # 直接把分析結(jié)果打印到控制臺(tái)
    # cProfile.run("test()")
    # # 把分析結(jié)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將分析的結(jié)果保存到result.out文件中，但是以二進(jìn)制形式存儲(chǔ)的，想直接查看的話(huà)用提供的 pstats 來(lái)查看。

import pstats

# 創(chuàng)建Stats對(duì)象
p = pstats.Stats("result.out")

# strip_dirs(): 去掉無(wú)關(guān)的路徑信息
# sort_stats(): 排序，支持的方式和上述的一致
# print_stats(): 打印分析結(jié)果，可以指定打印前幾行

# 和直接運(yùn)行cProfile.run("test()")的結(jié)果是一樣的
p.strip_dirs().sort_stats(-1).print_stats()

# 按照函數(shù)名排序，只打印前3行函數(shù)的信息, 參數(shù)還可為小數(shù),表示前百分之幾的函數(shù)信息
p.strip_dirs().sort_stats("name").print_stats(3)

# 按照運(yùn)行時(shí)間和函數(shù)名進(jìn)行排序
p.strip_dirs().sort_stats("cumulative", "name").print_stats(0.5)

# 如果想知道有哪些函數(shù)調(diào)用了sum_num
p.print_callers(0.5, "sum_num")

# 查看test()函數(shù)中調(diào)用了哪些函數(shù)
p.print_callees("test")

截取一個(gè)查看test()調(diào)用了哪些函數(shù)的輸出示例:

?  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}

cProfile還提供了可以自定義的類(lèi)，可以更精細(xì)的分析, 具體看文檔。
格式如： class profile.Profile(timer=None, timeunit=0.0, subcalls=True, builtins=True)
下面這個(gè)例子來(lái)自官方文檔:

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()

line_{profiler是一個(gè)對(duì)函數(shù)進(jìn)行逐行性能分析的工具，可以參見(jiàn)github項(xiàng)目說(shuō)明，地址}: https://github.com/rkern/line...

#coding=utf8

def sum_num(max_num):
    total = 0
    for i in range(max_num):
        total += i
    return total


@profile                     # 添加@profile 來(lái)標(biāo)注分析哪個(gè)函數(shù)
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()

通過(guò) kernprof 命令來(lái)注入分析，運(yùn)行結(jié)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（執(zhí)行次數(shù)） 和 time（耗時(shí)） 值高的地方是有比較大優(yōu)化空間的地方。

類(lèi)似于"line_profiler"對(duì)基于行分析程序內(nèi)存使用情況的模塊。github 地址：https://github.com/fabianp/me... 。ps:安裝 psutil, 會(huì)分析的更快。

同樣是上面"line_profiler"中的代碼，運(yùn)行 python -m memory_profiler profile.py 命令生成結(jié)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

https://docs.python.org/2/lib...

http://xianglong.me/article/a...

http://www.cnblogs.com/btchen...

https://www.huyng.com/posts/p...

http://www.marinamele.com/7-t...