3 Node.js-Codeoptimierungsmethoden, die Sie nicht kennen_node.js

Node.js-Programme können aufgrund von Einschränkungen in der CPU oder bei Ein- und Ausgabevorgängen sehr langsam ausgeführt werden. Aus CPU-Sicht ist einer der typischen Gründe, warum ein Programm langsam läuft, ein nicht optimierter „Hot Path“ (ein Codeabschnitt, auf den häufig zugegriffen wird). Aus Sicht der Eingabe und Ausgabe kann die Begrenzung der Programmlaufgeschwindigkeit durch das zugrunde liegende Betriebssystem beeinflusst werden oder auf einen Ausfall des Knotens selbst zurückzuführen sein. Oder ein langsames Programm hat möglicherweise nichts mit Node selbst zu tun. Das Problem liegt in externen Ressourcen, wie z. B. Datenbankabfragen oder API-Aufrufen, die langsam und nicht optimiert sind.

In diesem Artikel konzentrieren wir uns auf die Identifizierung und Optimierung von Vorgängen in der Codebasis, die zu einer CPU-lastigen Auslastung führen. Gleichzeitig werden Konfigurationsdateien für Produktionsanwendungen untersucht und Änderungen, die die betriebliche Effizienz verbessern können, analysiert und vorgenommen.

Aufgrund der Single-Threaded-Natur von Node ist es besonders wichtig für Server, eine hohe CPU-Last zu vermeiden. Denn die auf der CPU verbrachte Zeit nimmt Zeit in Anspruch, um auf andere Anfragen zu reagieren. Wenn Sie feststellen, dass Ihre Anwendung langsam reagiert und die CPU während dieses Vorgangs konstant hoch ist, kann die Analyse Ihrer Anwendung dabei helfen, Engpässe zu erkennen und Ihre Anwendung wieder schnell zum Laufen zu bringen.

Analyseanwendungen
Die Replikation langsamer Programme in der Produktion ist schwierig und zeitaufwändig. Zum Glück müssen Sie dies nicht selbst tun. Sie können Profildaten auf Ihrem Produktionsserver sammeln und offline analysieren. Werfen wir einen Blick auf verschiedene Analysemethoden.

1. Verwenden Sie Tools auf Kernel-Ebene
Zunächst können Sie Tools auf Kernel-Ebene wie DTrace (Solaris, BSD), perf (Linux) oder XPerf (Windows) verwenden, um Stack-Traces von einem laufenden Prozess zu sammeln und dann ein Flame-Diagramm zu generieren. Die Analyse auf Kernelebene hat nur minimale Auswirkungen auf laufende Prozesse. Das Flammendiagramm ist eine auf der Aufrufliste basierende Vektorgrafik, die das Vergrößern und Verkleinern unterstützt. Yunong Xiao von Netflix hat großartige Reden und Tweets zum Thema Perf in Linux-Systemen gehalten, um Ihnen dabei zu helfen, Ihr Verständnis dieser Technologie zu vertiefen. Wenn Sie in einer Produktionsanwendung einen hohen Durchsatz aufrechterhalten möchten, sollten Sie diese Methode in Betracht ziehen.

2,

2. Verwenden Sie den V8-Analysator
Eine weitere Möglichkeit besteht darin, den V8-Profiler direkt zu verwenden. Dieser Ansatz teilt den Prozess mit dem Programm und wirkt sich daher auf die Programmleistung aus. Aus diesem Grund führen Sie den V8-Profiler bitte nur aus, um die relevante Ausgabe zu erfassen, wenn Sie auf solche Probleme stoßen. Der Vorteil dieses Ansatzes besteht darin, dass Sie alle Analysetools von Chrome und deren Ausgabe (einschließlich Flammendiagramme) zur Untersuchung des Programms verwenden können.

Bitte führen Sie den folgenden Code aus, um Ihr Programm zu testen:

npm install v8-profiler --save

Danach fügen Sie den folgenden Code zu Ihrem Programm hinzu:

const profiler = require('v8-profiler')
const fs = require('fs')
var profilerRunning = false
function toggleProfiling () {
 if (profilerRunning) {
  const profile = profiler.stopProfiling()
  console.log('stopped profiling')
  profile.export()
   .pipe(fs.createWriteStream('./myapp-'+Date.now()+'.cpuprofile'))
   .once('error', profiler.deleteAllProfiles)
   .once('finish', profiler.deleteAllProfiles)
  profilerRunning = false
  return
 }
 profiler.startProfiling()
 profilerRunning = true
 console.log('started profiling')
}
process.on('SIGUSR2', toggleProfiling)

Sobald Sie das SIGUSR2-Signal an diesen Prozess senden, beginnt dieser mit der Analyse. Die Analyse kann durch erneutes Senden eines SIGUSR2-Signals gestoppt werden (Code unten).

kill -SIGUSR2 [pid]

Die Analyseergebnisse dieses Prozesses werden in die Datei im aktuellen Arbeitspfad geschrieben (bitte stellen Sie sicher, dass der Pfad geschrieben werden kann). Da es sich um eine programmierbare Schnittstelle handelt, können Sie diese nach Belieben auslösen (über Web-Endpunkte, IPC usw.). Wenn Sie eine Ahnung haben, wann Ihr Programm langsam werden wird, können Sie diese Schnittstelle jederzeit auslösen. Das Einrichten automatischer Auslöser ist nützlich, um eine ständige Überwachung zu vermeiden, erfordert jedoch ein vorausschauendes Verständnis darüber, wann und wie lange Erfassungen dauern sollen.

Sobald die Profildaten erfasst wurden, laden Sie sie in die Chrome Dev Tools und beginnen Sie mit der Analyse!

3. Verwenden Sie den Prozessmanager
Obwohl die direkte Verwendung des V8-Analysators sehr effizient und anpassbar ist, gelangt er in Ihre Codebasis und fügt Ihrem Projekt eine weitere Abhängigkeit hinzu, die Sie möglicherweise nicht möchten. Eine Alternative besteht darin, einen Prozessmanager zu verwenden, der Ihr Programm mit verschiedenen Tools umschließen kann, wenn Sie es analysieren müssen. Ein optionales Tool ist das SLC-Befehlszeilentool von StrongLoop.

Führen Sie zuerst npm install strongloop –g aus und führen Sie dann den folgenden Code aus:

slc start [/path/to/app]

Der obige Code startet Ihr Programm im Prozessmanager und Sie können CPU-Profilierungsdaten bei Bedarf extrahieren. Um die Anwendungs-ID zu überprüfen und abzurufen, führen Sie Folgendes aus:

slc ctl

Sie erhalten Ergebnisse ähnlich den folgenden:

Service ID: 1
Service Name: my-sluggish-app
Environment variables:
  Name   Value
  NODE_ENV production
Instances:
  Version Agent version Debugger version Cluster size Driver metadata
   5.0.1    2.0.2      1.0.0       1       N/A
Processes:
    ID   PID  WID Listening Ports Tracking objects? CPU profiling? Tracing? Debugging?
  1.1.61022 61022  0
  1.1.61023 61023  1   0.0.0.0:3000

Die Prozess-ID der Lokalisierungsanwendung. In diesem Beispiel lautet die ID 1.1.61023. Jetzt können wir jederzeit mit der Analyse beginnen, indem wir den folgenden Code ausführen:

slc ctl cpu-start 1.1.61023

当我们觉得已经捕获到了迟滞行为，就可以运行以下代码来停止分析器：

slc ctl cpu-stop 1.1.61023

以下代码将写文件至硬盘：

CPU profile written to `node.1.1.61023.cpuprofile`, load into Chrome Dev Tools

好啦，就是这样。你可以像在 V8 分析器里那样把文件加载到 Chrome 里面进一步分析。

作出正确决定
在本文中，笔者展示了三种在 Node 中捕获生产环境下 CPU 使用量的方式。那么，你应该选用哪一种呢？下面是一些帮助你缩小决策范围的想法：

• 我需要分析很长一段时间：使用内核级工具。
• 我想用 Chrome 开发工具：使用 V8 分析器或者过程管理器。
• 我想捕获应用中的特定行为：使用 V8 分析器。
• 我不想影响到程序性能：使用内核级程序
• 我希望我不用挨个测试文件来获取程序分析信息：使用过程管理器

以上就是本文的全部内容，3种Node.js代码优化方式，希望大家可以熟练掌握。