- 获取程序运行的大概时间
- 获取更精确的程序运行时间
- 计算每一行代码的运行时间和运行频率
- 找到程序运行时占用多少内存
- line_profiler 和memory_profiler在IPython中的简便实用方法
- 找到内存泄露的地方
- 获取使用最多的前20个对象
- 获取增加和删除的对象
- 那些对象被引用
程序性能分析需要基本上需要搞清楚4个问题
- 程序到底有多快
- 程序的瓶颈到底在哪里
- 程序占用内存多少
- 是否存在内存泄露
下面我们使用一些工具来回答以上四个问题。
获取程序运行的大概时间
在linux平台上，可以使用time命令得到程序运行的大概时间：
$ time python yourprogram.py real 0m1.028s user 0m0.001s sys 0m0.003s
简短的来说，其输出的结果说明：
real– 程序实际运行的时间user– 用户空间话费的cpu时间sys– 内核空间话费的cpu时间
如果sys和user之和的时间远远小于real的时间，那么说明程序大部分的时间很可能花费在IO等待。
获取更精确的程序运行时间
下面我们通过封装一个Timer类来实现获取更精确地程序运行时间
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
为了使用我们封装的类，必须使用with来封装我们需要计算的代码块，这样当代码块开始时，计时器开始，当代码块结束时计时器停止。
这是一个使用上述代码片段的例子：
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
可以将时间输出到文件中，已查看程序的时常运行时间。
计算每一行代码的运行时间和运行频率
这里我们需要使用line_profiler模块，首先安装该模块：
pip install line_profiler
为了使用该模块，需要将@profile添加到你需要观察的函数头部。
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)
使用kernprof.py运行python脚本：
$ kernprof.py -l -v fib.py
-l参数是告诉kernprof.py测试头部有@profile的函数，-v参数是告诉kernprof.py当脚本运行完毕时打印出时间信息。以下是告诉kernprof.py的输出信息样本：
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 in s if x]
根据上面的输出，找到运行最多的代码行或者运行时间最长的代码来优化，定会提升程序的性能。
找到程序运行时占用多少内存
现在我们已经知道如何测试程序的运行时间，接下来看看如何得知程序占用的内存，我们需要安装使用到的模块memory_profiler:
$ pip install -U memory_profiler $ pip install psutil
（安装psutil会很大程度上提高memory_profiler的性能。）
和前面说过的一样，为了得到函数占用的内存，需要在函数头部添加@profile，如下：
@profile
def primes(n):
...
...
用下面的命令运行你的脚本：
$ python -m memory_profiler primes.py
你会得到像下面这样的输出：
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在IPython中的简便实用方法
在IPython中，只要你执行以下两个命令，皆可以直接实用line_profiler 和memory_profiler了：
%load_ext memory_profiler %load_ext line_profiler
执行这两个命令以后，就可以通过执行%lprun 和%mprun命令来测试你需要测试的函数，而不需要在每个函数前面添加@profile标记，如下：
In [1]: from primes import primes In [2]: %mprun -f primes primes(1000) In [3]: %lprun -f primes primes(1000)
找到内存泄露的地方
cPython利用对象的引用计数来维护内存的使用，当某个对象被保存一次时，该对象的引用次数就会加1，某个对象被删除一次时，该对象的引用次数就减1，当引用次数为零时，删除该对象。
当某个对象已经不再使用了，但是他的引用还存在，那么就会出现内存泄露。
要检测内存泄露，这里我们需要用到模块objgraph ，使用下面命令安装该模块
pip install objgraph
(主要这个模块是要按照python的xdot模块和graphviz程序)
在代码中使用一下代码打开调试模式：
import pdb; pdb.set_trace()
获取使用最多的前20个对象
使用下面的命令：
(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
获取增加和删除的对象
使用下面的命令：
(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
那些对象被引用
以下面的代码为例：
x = [1]
y = [x, [x], {"a":x}]
import pdb; pdb.set_trace()
执行下面的命令：
(pdb) import objgraph (pdb) objgraph.show_backref([x], filename="/tmp/backrefs.png")
输出下面的图片：
图片最底下的红色字母表示的对象是我们做关系的，它显示了那么变量引用了这个对象。
总的说来，objgraph会告诉我们：
- 占用内存的对象
- 在一段时间内对象的增加和删除
- 对象的所有引用
相关文章
转载请注明：爱开源 » 如何分析python程序的性能