共计 4853 个字符，预计需要花费 13 分钟才能阅读完成。
起源:Python 七号
天下文治，唯快不破。
编程也不例外，你的代码跑的快，你能疾速找出代码慢的起因，你的码功就高。
明天分享一个超级实用的 Python 性能剖析工具 pyinstrument，能够疾速找到代码运行最慢的局部，帮忙进步代码的性能。反对 Python 3.7+ 且可能剖析异步代码，仅需一条命令即可显示具体代码的耗时。常常写 Python 的小伙伴肯定要用一下。
https://github.com/joerick/py…
装置
pip install pyinstrument简略的应用
在程序的开始，启动 pyinstrument 的 Profiler，完结时敞开 Profiler 并打印剖析后果如下：
from pyinstrument import Profiler
profiler = Profiler()
profiler.start()
# 这里是你要剖析的代码
profiler.stop()
profiler.print()比方这段代码 123.py，咱们能够分明的看到是列表推导式比较慢：
from pyinstrument import Profiler
profiler = Profiler()
profiler.start()
# 这里是你要剖析的代码
a = [i for i in range(100000)]
b = (i for i in range(100000))
profiler.stop()
profiler.print()
上述剖析须要批改源代码，如果你应用命令行工具，就不须要批改源代码，只须要执行 pyinstrument xxxx.py 即可：
比方有这样一段排序的程序 c_sort.py：
import sys
import time
import numpy as np
arr = np.random.randint(0, 10, 10)
def slow_key(el):
time.sleep(0.01)
return el
arr = list(arr)
for i in range(10):
arr.sort(key=slow_key)
print(arr) 这段代码外面成心放了一句 time.sleep(0.01) 来提早性能，看看 pyinstrument 是否辨认，命令行执行 pyinstrument c_sort.py:
从后果来看，程序运行了 1.313 秒，而 sleep 就运行了 1.219 秒，很显著是瓶颈，当初咱们把它删除，再看看后果：
删除之后，性能最慢的就是 numpy 模块的初始化代码 __init__.py 了，不过这些代码不是本人写的，而且并不是特地慢，就不须要去关怀了。
剖析 Flask 代码
Web 利用也能够应用这个来找出性能瓶颈，比方 flask，只须要在申请之前记录时间，在申请之后统计工夫，只须要在 flask 的申请拦截器外面这样写：
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)如果有这样一个 API：
@app.route("/dosomething")
def do_something():
import requests
requests.get("http://google.com")
return "Google says hello!" 为了测试这个 API 的瓶颈，咱们能够在 url 上加一个参数 profile 就能够：http://127.0.0.1:5000/dosomething?profile，哪一行代码执行比较慢，后果清晰可见：
剖析 Django 代码
剖析 Django 代码也非常简单，只须要在 Django 的配置文件的 MIDDLEWARE 中增加
"pyinstrument.middleware.ProfilerMiddleware",而后就能够在 url 上加一个参数 profile 就能够：
如果你不心愿所有人都能看到，只心愿管理员能够看到，settings.py 能够增加这样的代码：
def custom_show_pyinstrument(request):
return request.user.is_superuser
PYINSTRUMENT_SHOW_CALLBACK = "%s.custom_show_pyinstrument" % __name__如果不想通过 url 前面加参数的形式查看性能剖析，能够在 settings.py 文件中增加：
PYINSTRUMENT_PROFILE_DIR = 'profiles'这样，每次拜访一次 Django 接口，就会将剖析后果以 html 文件模式保留在 我的项目目录下的 profiles 文件夹中。
剖析异步代码
简略的异步代码剖析：
async_example_simple.py：
import asyncio
from pyinstrument import Profiler
async def main():
p = Profiler()
with p:
print("Hello ...")
await asyncio.sleep(1)
print("... World!")
p.print()
asyncio.run(main())简单一些的异步代码剖析：
import asyncio
import time
import pyinstrument
def do_nothing():
pass
def busy_wait(duration):
end_time = time.time() + duration
while time.time() < end_time:
do_nothing()
async def say(what, when, profile=False):
if profile:
p = pyinstrument.Profiler()
p.start()
busy_wait(0.1)
sleep_start = time.time()
await asyncio.sleep(when)
print(f"slept for {time.time() - sleep_start:.3f} seconds")
busy_wait(0.1)
print(what)
if profile:
p.stop()
p.print(show_all=True)
loop = asyncio.get_event_loop()
loop.create_task(say("first hello", 2, profile=True))
loop.create_task(say("second hello", 1, profile=True))
loop.create_task(say("third hello", 3, profile=True))
loop.run_forever()
loop.close()工作原理
Pyinstrument 每 1ms 中断一次程序，并在该点记录整个堆栈。它应用 C 扩展名和 PyEval_SetProfile 来做到这一点，但只每 1 毫秒读取一次读数。你可能感觉报告的样本数量有点少，但别放心，它不会升高准确性。默认距离 1ms 是记录堆栈帧的上限，但如果在单个函数调用中破费了很长时间，则会在该调用完结时进行记录。如此无效地将这些样本“打包”并在最初记录。
Pyinstrument 是一个统计分析器，并不跟踪，它不会跟踪您的程序进行的每个函数调用。相同，它每 1 毫秒记录一次调用堆栈。与其余分析器相比，统计分析器的开销比跟踪分析器低得多。
比如说，我想弄清楚为什么 Django 中的 Web 申请很慢。如果我应用 cProfile，我可能会失去这个：
151940 function calls (147672 primitive calls) in 1.696 seconds
Ordered by: cumulative time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 1.696 1.696 profile:0(<code object <module> at 0x1053d6a30, file "./manage.py", line 2>)
1 0.001 0.001 1.693 1.693 manage.py:2(<module>)
1 0.000 0.000 1.586 1.586 __init__.py:394(execute_from_command_line)
1 0.000 0.000 1.586 1.586 __init__.py:350(execute)
1 0.000 0.000 1.142 1.142 __init__.py:254(fetch_command)
43 0.013 0.000 1.124 0.026 __init__.py:1(<module>)
388 0.008 0.000 1.062 0.003 re.py:226(_compile)
158 0.005 0.000 1.048 0.007 sre_compile.py:496(compile)
1 0.001 0.001 1.042 1.042 __init__.py:78(get_commands)
153 0.001 0.000 1.036 0.007 re.py:188(compile)
106/102 0.001 0.000 1.030 0.010 __init__.py:52(__getattr__)
1 0.000 0.000 1.029 1.029 __init__.py:31(_setup)
1 0.000 0.000 1.021 1.021 __init__.py:57(_configure_logging)
2 0.002 0.001 1.011 0.505 log.py:1(<module>)看完是不是还是一脸懵逼，通常很难了解您本人的代码如何与这些跟踪相关联。Pyinstrument 记录整个堆栈，因而跟踪低廉的调用要容易得多。它还默认暗藏库框架，让您专一于影响性能的应用程序 / 模块：
_ ._ __/__ _ _ _ _ _/_ Recorded: 14:53:35 Samples: 131
/_//_/// /_\ / //_// / //_'/ // Duration: 3.131 CPU time: 0.195
/ _/ v3.0.0b3
Program: examples/django_example/manage.py runserver --nothreading --noreload
3.131 <module> manage.py:2
└─ 3.118 execute_from_command_line django/core/management/__init__.py:378
[473 frames hidden] django, socketserver, selectors, wsgi...
2.836 select selectors.py:365
0.126 _get_response django/core/handlers/base.py:96
└─ 0.126 hello_world django_example/views.py:4最初的话
本文分享了 pyinstrument 的用法，有了这个性能剖析神器，当前优化代码能够节俭很多工夫了，这样的效率神器很值得分享，毕竟人生苦短，能多点工夫干点有意思的不香么？
开源前哨日常分享热门、乏味和实用的开源我的项目。参加保护 10 万 + Star 的开源技术资源库，包含：Python、Java、C/C++、Go、JS、CSS、Node.js、PHP、.NET 等。