雖然并非你編寫的每個(gè) Python 程序都要求一個(gè)嚴(yán)格的性能分析，但是讓人放心的是，當(dāng)問題發(fā)生的時(shí)候，Python 生態(tài)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(jié)為回答四個(gè)基本問題：

1.     正運(yùn)行的多快
2.     速度瓶頸在哪里
3.     內(nèi)存使用率是多少
4.     內(nèi)存泄露在哪里

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(jì)算時(shí)間

讓我們開始通過使用一個(gè)快速和粗暴的方法計(jì)算我們的代碼:傳統(tǒng)的 unix time 工具。
 

$ time python yourprogram.py
real 0m1.028s
user 0m0.001s
sys 0m0.003s

三個(gè)輸出測(cè)量值之間的詳細(xì)意義在這里 stackoverflow article，但簡(jiǎn)介在這：

•     real — 指的是實(shí)際耗時(shí)
•     user — 指的是內(nèi)核之外的 CPU 耗時(shí)
•     sys — 指的是花費(fèi)在內(nèi)核特定函數(shù)的 CPU 耗時(shí)

你會(huì)有你的應(yīng)用程序用完了多少 CPU 周期的即視感，不管系統(tǒng)上其他運(yùn)行的程序添加的系統(tǒng)和用戶時(shí)間。

如果 sys 和 user 時(shí)間之和小于 real 時(shí)間，然后你可以猜測(cè)到大多數(shù)程序的性能問題最有可能與 IO wait 相關(guān)。
用 timing context 管理器細(xì)粒度的計(jì)算時(shí)間

我們下一步的技術(shù)包括直接嵌入代碼來獲取細(xì)粒度的計(jì)時(shí)信息。下面是我進(jìn)行時(shí)間測(cè)量的代碼的一個(gè)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(guān)鍵字和 Timer 上下文管理器來包裝你想計(jì)算的代碼。當(dāng)您的代碼塊開始執(zhí)行，它將照顧啟動(dòng)計(jì)時(shí)器,當(dāng)你的代碼塊結(jié)束的時(shí)候，它將停止計(jì)時(shí)器。

這個(gè)代碼片段示例：
 

from timer import Timer
from redis import Redis
rdb = 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(shí)間的演化的趨勢(shì)，我常常記錄這些定時(shí)器的輸出到一個(gè)文件中。
使用 profiler 逐行計(jì)時(shí)和分析執(zhí)行的頻率

羅伯特·克恩有一個(gè)不錯(cuò)的項(xiàng)目稱為 line_profiler , 我經(jīng)常使用它來分析我的腳本有多快，以及每行代碼執(zhí)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(gè)新模塊稱為 line_profiler 和 kernprof.py 可執(zhí)行腳本。

為了使用這個(gè)工具，首先在你想測(cè)量的函數(shù)上設(shè)置 @profile 修飾符。不用擔(dān)心，為了這個(gè)修飾符，你不需要引入任何東西。kernprof.py 腳本會(huì)在運(yùn)行時(shí)自動(dòng)注入你的腳本。

primes.py

@profile
def 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(shè)置了修飾符 @profile 的代碼，使用 kernprof.py 運(yùn)行這個(gè)腳本。
 

kernprof.py -l -v fib.py

-l 選項(xiàng)告訴 kernprof 把修飾符 @profile 注入你的腳本，-v 選項(xiàng)告訴 kernprof 一旦你的腳本完成后，展示計(jì)時(shí)信息。這是一個(gè)以上腳本的類似輸出：

Wrote profile results to primes.py.lprof
Timer unit: 1e-06 s
 
File: primes.py
Function: primes at line 2
Total 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(gè)高時(shí)間間隔。這些地方有最大的優(yōu)化改進(jìn)空間。
它使用了多少內(nèi)存？

現(xiàn)在我們掌握了很好我們代碼的計(jì)時(shí)信息，讓我們繼續(xù)找出我們的程序使用了多少內(nèi)存。我們真是非常幸運(yùn)， Fabian Pedregosa 仿照 Robert Kern 的 line_profiler 實(shí)現(xiàn)了一個(gè)很好的內(nèi)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?yàn)樵摪芴嵘?memory_profiler 的性能。

想 line_profiler 一樣， memory_profiler 要求在你設(shè)置 @profile 來修飾你的函數(shù)：
 

@profile
def primes(n):
 ...
 ...

運(yùn)行如下命令來顯示你的函數(shù)使用了多少內(nèi)存：
 

$ python -m memory_profiler primes.py

一旦你的程序退出，你應(yīng)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(gè)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(xiàn)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(shù)設(shè)置 @profile 修飾符。直接在你的 IPython 會(huì)話上繼續(xù)分析吧。

In [1]: from primes import primes
In [2]: %mprun -f primes primes(1000)
In [3]: %lprun -f primes primes(1000)

這可以節(jié)省你大量的時(shí)間和精力,因?yàn)槭褂眠@些分析命令，你不需要修改你的源代碼。
哪里內(nèi)存溢出了？

cPython的解釋器使用引用計(jì)數(shù)來作為它跟蹤內(nèi)存的主要方法。這意味著每個(gè)對(duì)象持有一個(gè)計(jì)數(shù)器，當(dāng)增加某個(gè)對(duì)象的引用存儲(chǔ)的時(shí)候，計(jì)數(shù)器就會(huì)增加，當(dāng)一個(gè)引用被刪除的時(shí)候，計(jì)數(shù)器就是減少。當(dāng)計(jì)數(shù)器達(dá)到0， cPython 解釋器就知道該對(duì)象不再使用，因此解釋器將刪除這個(gè)對(duì)象，并且釋放該對(duì)象持有的內(nèi)存。

內(nèi)存泄漏往往發(fā)生在即使該對(duì)象不再使用的時(shí)候，你的程序還持有對(duì)該對(duì)象的引用。

最快速發(fā)現(xiàn)內(nèi)存泄漏的方式就是使用一個(gè)由 Marius Gedminas 編寫的非常好的稱為 [objgraph][6] 的工具。
這個(gè)工具可以讓你看到在內(nèi)存中對(duì)象的數(shù)量,也定位在代碼中所有不同的地方,對(duì)這些對(duì)象的引用。

開始，我們首先安裝 objgraph
 

pip install objgraph

一旦你安裝了這個(gè)工具，在你的代碼中插入一個(gè)調(diào)用調(diào)試器的聲明。
 

import pdb; pdb.set_trace()

哪個(gè)對(duì)象最常見

在運(yùn)行時(shí),你可以檢查在運(yùn)行在你的程序中的前20名最普遍的對(duì)象
 

(pdb) import objgraph
(pdb) objgraph.show_most_common_types()
 
MyBigFatObject  20000
tuple   16938
function   4310
dict   2790
wrapper_descriptor  1181
builtin_function_or_method 934
weakref   764
list   634
method_descriptor  507
getset_descriptor  451
type   439

哪個(gè)對(duì)象被增加或是刪除了？

我們能在兩個(gè)時(shí)間點(diǎn)之間看到哪些對(duì)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 +2
KeyboardInterrupt 1 +1
frame   24 +1
list   667 +1
tuple  16969 +1

這個(gè)泄漏對(duì)象的引用是什么？

繼續(xù)下去，我們還可以看到任何給定對(duì)象的引用在什么地方。讓我們以下面這個(gè)簡(jiǎn)單的程序舉個(gè)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(yùn)行 objgraph.show_backref() 函數(shù)：
 

(pdb) import objgraph
(pdb) objgraph.show_backref([x], filename="/tmp/backrefs.png")

該命令的輸出是一個(gè) PNG 圖片，被存儲(chǔ)在 /tmp/backrefs.png，它應(yīng)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(duì)象，我們可以看到它被符號(hào) x 引用了一次，被列表 y 引用了三次。如果 x 這個(gè)對(duì)象引起了內(nèi)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(dòng)被收回。

回顧一遍，objgraph 允許我們：

•     顯示占用 Python 程序內(nèi)存的前 N 個(gè)對(duì)象
•     顯示在一段時(shí)期內(nèi)哪些對(duì)象被增加了，哪些對(duì)象被刪除了
•     顯示我們腳本中獲得的所有引用

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(gè)python程序的性能。通過這些工具和技術(shù)的武裝，你應(yīng)該可以獲取所有要求追蹤大多數(shù)內(nèi)存泄漏以及在Python程序快速識(shí)別瓶頸的信息。

和許多其他主題一樣,運(yùn)行性能分析意味著要在付出和精度之間的平衡做取舍。當(dāng)有疑問是，用最簡(jiǎn)單的方案，滿足你當(dāng)前的需求。