网站管理与维护,wordpress更改主题背景,手机开网店0元加盟店,山东省机关建设网站用Python编写分析Python程序性能的工具的教程来源#xff1a;中文源码网 浏览#xff1a; 次 日期#xff1a;2018年9月2日【下载文档: 用Python编写分析Python程序性能的工具的教程.txt 】(友情提示:右键点上行txt文档名-目标另存为)用Python编写分析Python程序…用Python编写分析Python程序性能的工具的教程来源中文源码网 浏览 次 日期2018年9月2日【下载文档: 用Python编写分析Python程序性能的工具的教程.txt 】(友情提示:右键点上行txt文档名-目标另存为)用Python编写分析Python程序性能的工具的教程 虽然并非你编写的每个 Python 程序都要求一个严格的性能分析但是让人放心的是当问题发生的时候Python 生态圈有各种各样的工具可以处理这类问题。分析程序的性能可以归结为回答四个基本问题 正运行的多快速度瓶颈在哪里内存使用率是多少内存泄露在哪里下面我们将用一些神奇的工具深入到这些问题的答案中去。用 time 粗粒度的计算时间让我们开始通过使用一个快速和粗暴的方法计算我们的代码:传统的 unix time 工具。$ time python yourprogram.pyreal 0m1.028suser 0m0.001ssys 0m0.003s三个输出测量值之间的详细意义在这里 stackoverflow article但简介在这 real — 指的是实际耗时user — 指的是内核之外的 CPU 耗时sys — 指的是花费在内核特定函数的 CPU 耗时你会有你的应用程序用完了多少 CPU 周期的即视感不管系统上其他运行的程序添加的系统和用户时间。如果 sys 和 user 时间之和小于 real 时间然后你可以猜测到大多数程序的性能问题最有可能与 IO wait 相关。用 timing context 管理器细粒度的计算时间我们下一步的技术包括直接嵌入代码来获取细粒度的计时信息。下面是我进行时间测量的代码的一个小片段timer.pyimport timeclass Timer(object):def __init__(self, verboseFalse):self.verbose verbosedef __enter__(self):self.start time.time()return selfdef __exit__(self, *args):self.end time.time()self.secs self.end - self.startself.msecs self.secs * 1000 # millisecsif self.verbose:print elapsed time: %f ms % self.msecs为了使用它使用 Python 的 with 关键字和 Timer 上下文管理器来包装你想计算的代码。当您的代码块开始执行它将照顾启动计时器,当你的代码块结束的时候它将停止计时器。这个代码片段示例from timer import Timerfrom redis import Redisrdb Redis()with Timer() as t:rdb.lpush(foo, bar)print elasped lpush: %s s % t.secswith Timer() as t:rdb.lpop(foo)print elasped lpop: %s s % t.secs为了看看我的程序的性能随着时间的演化的趋势我常常记录这些定时器的输出到一个文件中。使用 profiler 逐行计时和分析执行的频率罗伯特·克恩有一个不错的项目称为 line_profiler , 我经常使用它来分析我的脚本有多快以及每行代码执行的频率为了使用它你可以通过使用 pip 来安装它pip install line_profiler安装完成后你将获得一个新模块称为 line_profiler 和 kernprof.py 可执行脚本。为了使用这个工具首先在你想测量的函数上设置 profile 修饰符。不用担心为了这个修饰符你不需要引入任何东西。kernprof.py 脚本会在运行时自动注入你的脚本。primes.pyprofiledef primes(n):if n2:return [2]elif n2:return []srange(3,n1,2)mroot n ** 0.5half(n1)/2-1i0m3while m mroot:if s[i]:j(m*m-3)/2s[j]0while js[j]0jmii1m2*i3return [2][x for x in s if x]primes(100)一旦你得到了你的设置了修饰符 profile 的代码使用 kernprof.py 运行这个脚本。kernprof.py -l -v fib.py-l 选项告诉 kernprof 把修饰符 profile 注入你的脚本-v 选项告诉 kernprof 一旦你的脚本完成后展示计时信息。这是一个以上脚本的类似输出Wrote profile results to primes.py.lprofTimer unit: 1e-06 sFile: primes.pyFunction: primes at line 2Total time: 0.00019 sLine # Hits Time Per Hit % Time Line Contents2 profile3 def primes(n):4 1 2 2.0 1.1 if n2:5 return [2]6 1 1 1.0 0.5 elif n2:7 return []8 1 4 4.0 2.1 srange(3,n1,2)9 1 10 10.0 5.3 mroot n ** 0.510 1 2 2.0 1.1 half(n1)/2-111 1 1 1.0 0.5 i012 1 1 1.0 0.5 m313 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)/216 3 4 1.3 2.1 s[j]017 31 31 1.0 16.3 while j18 28 28 1.0 14.7 s[j]019 28 29 1.0 15.3 jm20 4 4 1.0 2.1 ii121 4 4 1.0 2.1 m2*i322 50 54 1.1 28.4 return [2][x for x寻找 hits 值比较高的行或是一个高时间间隔。这些地方有最大的优化改进空间。它使用了多少内存现在我们掌握了很好我们代码的计时信息让我们继续找出我们的程序使用了多少内存。我们真是非常幸运 Fabian Pedregosa 仿照 Robert Kern 的 line_profiler 实现了一个很好的内存分析器 [memory profiler][5]。首先通过 pip 安装它$ pip install -U memory_profiler$ pip install psutil在这里建议安装 psutil 是因为该包能提升 memory_profiler 的性能。想 line_profiler 一样 memory_profiler 要求在你设置 profile 来修饰你的函数profiledef primes(n):......运行如下命令来显示你的函数使用了多少内存$ python -m memory_profiler primes.py一旦你的程序退出你应该可以看到这样的输出Filename: primes.pyLine # Mem usage Increment Line Contents2 profile3 7.9219 MB 0.0000 MB def primes(n):4 7.9219 MB 0.0000 MB if n2:5 return [2]6 7.9219 MB 0.0000 MB elif n2:7 return []8 7.9219 MB 0.0000 MB srange(3,n1,2)9 7.9258 MB 0.0039 MB mroot n ** 0.510 7.9258 MB 0.0000 MB half(n1)/2-111 7.9258 MB 0.0000 MB i012 7.9258 MB 0.0000 MB m313 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)/216 7.9258 MB -0.0039 MB s[j]017 7.9297 MB 0.0039 MB while j18 7.9297 MB 0.0000 MB s[j]019 7.9297 MB 0.0000 MB jm20 7.9297 MB 0.0000 MB ii121 7.9297 MB 0.0000 MB m2*i322 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 一个鲜为人知的特性就是在 IPython 上都有快捷命令。你所能做的就是在 IPython 上键入以下命令%load_ext memory_profiler%load_ext line_profiler这样做了以后你就可以使用魔法命令 %lprun 和 %mprun 了它们表现的像它们命令行的副本最主要的不同就是你不需要给你需要分析的函数设置 profile 修饰符。直接在你的 IPython 会话上继续分析吧。In [1]: from primes import primesIn [2]: %mprun -f primes primes(1000)In [3]: %lprun -f primes primes(1000)这可以节省你大量的时间和精力,因为使用这些分析命令你不需要修改你的源代码。哪里内存溢出了cPython的解释器使用引用计数来作为它跟踪内存的主要方法。这意味着每个对象持有一个计数器当增加某个对象的引用存储的时候计数器就会增加当一个引用被删除的时候计数器就是减少。当计数器达到0 cPython 解释器就知道该对象不再使用因此解释器将删除这个对象并且释放该对象持有的内存。内存泄漏往往发生在即使该对象不再使用的时候你的程序还持有对该对象的引用。最快速发现内存泄漏的方式就是使用一个由 Marius Gedminas 编写的非常好的称为 [objgraph][6] 的工具。这个工具可以让你看到在内存中对象的数量,也定位在代码中所有不同的地方,对这些对象的引用。开始我们首先安装 objgraphpip install objgraph一旦你安装了这个工具在你的代码中插入一个调用调试器的声明。import pdb; pdb.set_trace()哪个对象最常见在运行时,你可以检查在运行在你的程序中的前20名最普遍的对象(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哪个对象被增加或是删除了我们能在两个时间点之间看到哪些对象被增加或是删除了。(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() calltraceback 4 2KeyboardInterrupt 1 1frame 24 1list 667 1tuple 16969 1这个泄漏对象的引用是什么继续下去我们还可以看到任何给定对象的引用在什么地方。让我们以下面这个简单的程序举个例子。x [1]y [x, [x], {a:x}]import pdb; pdb.set_trace()为了看到持有变量 X 的引用是什么运行 objgraph.show_backref() 函数(pdb) import objgraph(pdb) objgraph.show_backref([x], filename/tmp/backrefs.png)该命令的输出是一个 PNG 图片被存储在 /tmp/backrefs.png它应该看起来像这样backrefs (1)盒子底部有红色字体就是我们感兴趣的对象我们可以看到它被符号 x 引用了一次被列表 y 引用了三次。如果 x 这个对象引起了内存泄漏我们可以使用这种方法来追踪它的所有引用以便看到为什么它没有被自动被收回。回顾一遍objgraph 允许我们 显示占用 Python 程序内存的前 N 个对象显示在一段时期内哪些对象被增加了哪些对象被删除了显示我们脚本中获得的所有引用Effort vs precision在这篇文章中,我展示了如何使用一些工具来分析一个python程序的性能。通过这些工具和技术的武装你应该可以获取所有要求追踪大多数内存泄漏以及在Python程序快速识别瓶颈的信息。和许多其他主题一样,运行性能分析意味着要在付出和精度之间的平衡做取舍。当有疑问是用最简单的方案满足你当前的需求。亲,试试微信扫码分享本页! *^_^*
