雖然并非你編寫的每個 Python 程序都要求一個嚴格的性能分析，但是讓人放心的是，當問題發生的時候，Python 生態圈有各種各樣的工具可以處理這類問題。
分析程序的性能可以歸結為回答四個基本問題：
下面，我們將用一些神奇的工具深入到這些問題的答案中去。
用 time 粗粒度的計算時間
讓我們開始通過使用一個快速和粗暴的方法計算我們的代碼:傳統的 unix time 工具。
$ time python yourprogram.pyreal 0m1.028suser 0m0.001ssys 0m0.003s
三個輸出測量值之間的詳細意義在這里 stackoverflow article，但簡介在這：
你會有你的應用程序用完了多少 CPU 周期的即視感，不管系統上其他運行的程序添加的系統和用戶時間。
如果 sys 和 user 時間之和小于 real 時間，然后你可以猜測到大多數程序的性能問題最有可能與 IO wait 相關。
用 timing context 管理器細粒度的計算時間
我們下一步的技術包括直接嵌入代碼來獲取細粒度的計時信息。下面是我進行時間測量的代碼的一個小片段
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 # millisecs if self.verbose: print 'elapsed time: %f ms' % self.msecs
為了使用它，使用 Python 的 with 關鍵字和 Timer 上下文管理器來包裝你想計算的代碼。當您的代碼塊開始執行，它將照顧啟動計時器,當你的代碼塊結束的時候，它將停止計時器。
這個代碼片段示例：
from timer import Timerfrom redis import Redisrdb = Redis() with Timer() as t: rdb.lpush("foo", "bar")print "=> elasped lpush: %s s" % t.secs with Timer() as t: rdb.lpop("foo")print "=> elasped lpop: %s s" % t.secs為了看看我的程序的性能隨著時間的演化的趨勢，我常常記錄這些定時器的輸出到一個文件中。
使用 profiler 逐行計時和分析執行的頻率
羅伯特?克恩有一個不錯的項目稱為 line_profiler , 我經常使用它來分析我的腳本有多快，以及每行代碼執行的頻率：
為了使用它，你可以通過使用 pip 來安裝它：
pip install line_profiler
安裝完成后，你將獲得一個新模塊稱為 line_profiler 和 kernprof.py 可執行腳本。
為了使用這個工具，首先在你想測量的函數上設置 @profile 修飾符。不用擔心，為了這個修飾符，你不需要引入任何東西。kernprof.py 腳本會在運行時自動注入你的腳本。
primes.py
@profiledef primes(n): if n==2: return [2] elif n<2: return [] s=range(3,n+1,2) mroot = n ** 0.5 half=(n+1)/2-1 i=0 m=3 while m <= mroot: if s[i]: j=(m*m-3)/2 s[j]=0 while j<half: s[j]=0 j+=m i=i+1 m=2*i+3 return [2]+[x for x in s if x]primes(100)
一旦你得到了你的設置了修飾符 @profile 的代碼，使用 kernprof.py 運行這個腳本。
kernprof.py -l -v fib.py
-l 選項告訴 kernprof 把修飾符 @profile 注入你的腳本，-v 選項告訴 kernprof 一旦你的腳本完成后，展示計時信息。這是一個以上腳本的類似輸出：
Wrote profile results to primes.py.lprofTimer unit: 1e-06 s File: primes.pyFunction: primes at line 2Total time: 0.00019 s Line # Hits Time Per Hit % Time Line Contents============================================================== 2 @profile 3 def primes(n): 4 1 2 2.0 1.1 if n==2: 5 return [2] 6 1 1 1.0 0.5 elif n<2: 7 return [] 8 1 4 4.0 2.1 s=range(3,n+1,2) 9 1 10 10.0 5.3 mroot = n ** 0.5 10 1 2 2.0 1.1 half=(n+1)/2-1 11 1 1 1.0 0.5 i=0 12 1 1 1.0 0.5 m=3 13 5 7 1.4 3.7 while m <= mroot: 14 4 4 1.0 2.1 if s[i]: 15 3 4 1.3 2.1 j=(m*m-3)/2 16 3 4 1.3 2.1 s[j]=0 17 31 31 1.0 16.3 while j<half: 18 28 28 1.0 14.7 s[j]=0 19 28 29 1.0 15.3 j+=m 20 4 4 1.0 2.1 i=i+1 21 4 4 1.0 2.1 m=2*i+3 22 50 54 1.1 28.4 return [2]+[x for x
尋找 hits 值比較高的行或是一個高時間間隔。這些地方有最大的優化改進空間。
它使用了多少內存？
現在我們掌握了很好我們代碼的計時信息，讓我們繼續找出我們的程序使用了多少內存。我們真是非常幸運， Fabian Pedregosa 仿照 Robert Kern 的 line_profiler 實現了一個很好的內存分析器 [memory profiler][5]。
首先通過 pip 安裝它：
$ pip install -U memory_profiler$ pip install psutil
在這里建議安裝 psutil 是因為該包能提升 memory_profiler 的性能。
想 line_profiler 一樣， memory_profiler 要求在你設置 @profile 來修飾你的函數：
@profiledef primes(n): ... ...
運行如下命令來顯示你的函數使用了多少內存：
$ python -m memory_profiler primes.py
一旦你的程序退出，你應該可以看到這樣的輸出：
Filename: primes.py
Line # Mem usage Increment Line Contents============================================== 2 @profile 3 7.9219 MB 0.0000 MB def primes(n): 4 7.9219 MB 0.0000 MB if n==2: 5 return [2] 6 7.9219 MB 0.0000 MB elif n<2: 7 return [] 8 7.9219 MB 0.0000 MB s=range(3,n+1,2) 9 7.9258 MB 0.0039 MB mroot = n ** 0.5 10 7.9258 MB 0.0000 MB half=(n+1)/2-1 11 7.9258 MB 0.0000 MB i=0 12 7.9258 MB 0.0000 MB m=3 13 7.9297 MB 0.0039 MB while m <= mroot: 14 7.9297 MB 0.0000 MB if s[i]: 15 7.9297 MB 0.0000 MB j=(m*m-3)/2 16 7.9258 MB -0.0039 MB s[j]=0 17 7.9297 MB 0.0039 MB while j<half: 18 7.9297 MB 0.0000 MB s[j]=0 19 7.9297 MB 0.0000 MB j+=m 20 7.9297 MB 0.0000 MB i=i+1 21 7.9297 MB 0.0000 MB m=2*i+3 22 7.9297 MB 0.0000 MB return [2]+[x for x in s if x]
line_profiler 和 memory_profiler 的 IPython 快捷命令
line_profiler 和 memory_profiler 一個鮮為人知的特性就是在 IPython 上都有快捷命令。你所能做的就是在 IPython 上鍵入以下命令：
%load_ext memory_profiler%load_ext line_profiler
這樣做了以后，你就可以使用魔法命令 %lprun 和 %mprun 了，它們表現的像它們命令行的副本，最主要的不同就是你不需要給你需要分析的函數設置 @profile 修飾符。直接在你的 IPython 會話上繼續分析吧。
In [1]: from primes import primesIn [2]: %mprun -f primes primes(1000)In [3]: %lprun -f primes primes(1000)
這可以節省你大量的時間和精力,因為使用這些分析命令，你不需要修改你的源代碼。
哪里內存溢出了？
cPython的解釋器使用引用計數來作為它跟蹤內存的主要方法。這意味著每個對象持有一個計數器，當增加某個對象的引用存儲的時候，計數器就會增加，當一個引用被刪除的時候，計數器就是減少。當計數器達到0， cPython 解釋器就知道該對象不再使用，因此解釋器將刪除這個對象，并且釋放該對象持有的內存。
內存泄漏往往發生在即使該對象不再使用的時候，你的程序還持有對該對象的引用。
最快速發現內存泄漏的方式就是使用一個由 Marius Gedminas 編寫的非常好的稱為 [objgraph][6] 的工具。
這個工具可以讓你看到在內存中對象的數量,也定位在代碼中所有不同的地方,對這些對象的引用。
開始，我們首先安裝 objgraph
pip install objgraph
一旦你安裝了這個工具，在你的代碼中插入一個調用調試器的聲明。
import pdb; pdb.set_trace()
哪個對象最常見
在運行時,你可以檢查在運行在你的程序中的前20名最普遍的對象
(pdb) import objgraph(pdb) objgraph.show_most_common_types() MyBigFatObject 20000tuple 16938function 4310dict 2790wrapper_descriptor 1181builtin_function_or_method 934weakref 764list 634method_descriptor 507getset_descriptor 451type 439
哪個對象被增加或是刪除了？
我們能在兩個時間點之間看到哪些對象被增加或是刪除了。
(pdb) import objgraph(pdb) objgraph.show_growth()...(pdb) objgraph.show_growth() # this only shows objects that has been added or deleted since last show_growth() call traceback 4 +2KeyboardInterrupt 1 +1frame 24 +1list 667 +1tuple 16969 +1
這個泄漏對象的引用是什么？
繼續下去，我們還可以看到任何給定對象的引用在什么地方。讓我們以下面這個簡單的程序舉個例子。
x = [1]y = [x, [x], {"a":x}]import pdb; pdb.set_trace()為了看到持有變量 X 的引用是什么，運行 objgraph.show_backref() 函數：
(pdb) import objgraph(pdb) objgraph.show_backref([x], filename="/tmp/backrefs.png")
該命令的輸出是一個 PNG 圖片，被存儲在 /tmp/backrefs.png，它應該看起來像這樣：
backrefs (1)
盒子底部有紅色字體就是我們感興趣的對象，我們可以看到它被符號 x 引用了一次，被列表 y 引用了三次。如果 x 這個對象引起了內存泄漏，我們可以使用這種方法來追蹤它的所有引用，以便看到為什么它沒有被自動被收回。
回顧一遍，objgraph 允許我們：
Effort vs precision
在這篇文章中,我展示了如何使用一些工具來分析一個python程序的性能。通過這些工具和技術的武裝，你應該可以獲取所有要求追蹤大多數內存泄漏以及在Python程序快速識別瓶頸的信息。
和許多其他主題一樣,運行性能分析意味著要在付出和精度之間的平衡做取舍。當有疑問是，用最簡單的方案，滿足你當前的需求。
新聞熱點
疑難解答
圖片精選
