Python（用pyinstrument做性能分析） Python：用pyinstrument做性能分析

导引 【Python（用pyinstrument做性能分析）】在计算密集型计算或一些Web应用中，我们常常需要对代码做性能分析。在Python中，最原始的方法即是使用time包中的time函数(该函数以秒为计时单位)：

from time import sleep, timedef func1(): sleep(0.001)def func2(): sleep(2)begin1 = time() func1() end1 = time()begin2 = time() func2() end2 = time() print("func1 consume: %f, func2 consume:%f, func3 consume: %f"\ % (end1-begin1, end2-begin2, end2-begin1))

控制台输出如下：

func1 consume: 0.001271, func2 consume:2.000421, func3 consume: 2.001692

pyinstrument基本用法但是一旦函数多了起来，这种方式显然过于繁杂。类似C语言中的cProfile，在Python中，也有专门的性能分析工具pyinstrument（该库非内置，需要使用conda/pip安装），我们在复杂的项目中可以使用它来代替简陋的time.time()。
首先来看一下基本的使用，它的使用框架如下：

from pyinstrument import Profiler from time import sleepdef func1(): sleep(0.1)def func2(): sleep(2)profiler = Profiler() profiler.start()# 这里是你要分析的代码，我们这里分析func1和func2两个函数 func1() func2()profiler.stop()profiler.print()

可以看到，该工具也将其成功分析出了个函数的运行时间，并为我们标红指出了运行2s的func2函数是性能瓶颈：

文章图片
如果我们进一步调低函数的运行时间：

def func3(): sleep(0.0001)profiler = Profiler() profiler.start()func3()profiler.stop()profiler.print()

此时会显示“No samples were recorded”，如下：

文章图片

这是因为你的代码运行时间小于了1ms，如果你仍然想分析这段代码，你可以选择将间隔值调到比默认的0.001（1ms）小，比如这样：

profiler = Profiler(interval=0.0001)

此时你会发现，func3也能被检测出来了：

文章图片
此外，如果你要在浏览器中查看分析结果，可以使用profiler.open_in_browser()代替profiler.print()的控制台打印输出:

文章图片
也可以使用profiler.output_html()将profile以html形式输出。
分析Flask中的web响应性能我们也可以对Flask应用进行性能分析，具体的用法如下：

from flask import Flask, g, make_response, request app = Flask(__name__)@app.before_request def before_request(): if "profile" in request.args: g.profiler = Profiler() g.profiler.start()@app.after_request def after_request(response): if not hasattr(g, "profiler"): return response g.profiler.stop() output_html = g.profiler.output_html() return make_response(output_html)

这样程序会检测每个request中的?profile参数，如果检测到则会开始分析。在运行了profiler的request结束后，它会生成一个html输出替代掉真实的response并返回。
参考