성능 분석 및 튜닝 도구 소개
프로그램 실행의 효율성을 높이고 싶고, 어떤 부분이 너무 오래 걸려 병목 현상이 발생하는지, 알고 싶을 때가 항상 있을 것입니다. 프로그램이 실행 중일 때 메모리 및 CPU 사용량. 이때 성능 분석 및 프로그램 조정을 수행하려면 몇 가지 방법이 필요합니다.
컨텍스트 관리자에 의해
컨텍스트 관리자 자체에 의해 타이머를 구현할 수 있습니다. 이전 timeit 소개 기사에서 수행한 작업을 확인하고 __enter__ 및 __exit__ 메서드를 정의하여 관리 기능을 구현할 수 있습니다. 타이밍, 유사:
# 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 # 毫秒
if self.verbose:
print 'elapsed time: %f ms' % self.msecs다음과 같이 사용:
from timer import Timer
with Timer() as t:
foo()
print "=> foo() spends %s s" % t.secsBy Decorator
그러나 내 생각에는 데코레이터 방법이 더 우아합니다
import time
from functools import wraps
def timer(function):
@wraps(function)
def function_timer(*args, **kwargs):
t0 = time.time()
result = function(*args, **kwargs)
t1 = time.time()
print ("Total time running %s: %s seconds" %
(function.func_name, str(t1-t0))
)
return result
return function_timer사용 방법은 매우 간단합니다.
@timer
def my_sum(n):
return sum([i for i in range(n)])
if __name__ == "__main__":
my_sum(10000000)실행 결과:
➜ python profile.py Total time running my_sum: 0.817697048187 seconds
시스템 자체 시간 명령
사용 예는 다음과 같습니다.
➜ time python profile.py Total time running my_sum: 0.854454040527 seconds python profile.py 0.79s user 0.18s system 98% cpu 0.977 total
위 결과를 보면 스크립트 실행에 CPU 시간이 0.79초, 커널 기능 실행에 0.18초가 소요되어 총 0.977초가 소요됩니다.
그 중 총 시간 - (사용자 시간 + 시스템 시간) = 기타 작업의 입출력 및 시스템 실행에 소요된 시간
python timeit 모듈
을 벤치마킹에 사용할 수 있으며, 예 프로그램이 실행될 수 있는 블록 수를 확인하기 위해 프로그램이 실행되는 횟수를 편리하게 반복합니다. 자세한 내용은 이전에 작성한 글을 참고하시기 바랍니다.
cProfile
주석이 달린 사용 예를 살펴보세요.
#coding=utf8
def sum_num(max_num):
total = 0
for i in range(max_num):
total += i
return total
def test():
total = 0
for i in range(40000):
total += i
t1 = sum_num(100000)
t2 = sum_num(200000)
t3 = sum_num(300000)
t4 = sum_num(400000)
t5 = sum_num(500000)
test2()
return total
def test2():
total = 0
for i in range(40000):
total += i
t6 = sum_num(600000)
t7 = sum_num(700000)
return total
if __name__ == "__main__":
import cProfile
# # 直接把分析结果打印到控制台
# cProfile.run("test()")
# # 把分析结果保存到文件中
# cProfile.run("test()", filename="result.out")
# 增加排序方式
cProfile.run("test()", filename="result.out", sort="cumulative")cProfile은 분석 결과를 result.out 파일에 저장하는데, 바이너리 형태로 저장되어 있으니 직접 보시려면 제공된 pstats를 이용해서 보시면 됩니다.
import pstats
# 创建Stats对象
p = pstats.Stats("result.out")
# strip_dirs(): 去掉无关的路径信息
# sort_stats(): 排序，支持的方式和上述的一致
# print_stats(): 打印分析结果，可以指定打印前几行
# 和直接运行cProfile.run("test()")的结果是一样的
p.strip_dirs().sort_stats(-1).print_stats()
# 按照函数名排序，只打印前3行函数的信息, 参数还可为小数,表示前百分之几的函数信息
p.strip_dirs().sort_stats("name").print_stats(3)
# 按照运行时间和函数名进行排序
p.strip_dirs().sort_stats("cumulative", "name").print_stats(0.5)
# 如果想知道有哪些函数调用了sum_num
p.print_callers(0.5, "sum_num")
# 查看test()函数中调用了哪些函数
p.print_callees("test")test()가 어떤 함수를 호출하는지 확인하기 위해 출력 예제를 가로채세요.
➜ python python profile.py
Random listing order was used
List reduced from 6 to 2 due to restriction <'test'>
Function called...
ncalls tottime cumtime
profile.py:24(test2) -> 2 0.061 0.077 profile.py:3(sum_num)
1 0.000 0.000 {range}
profile.py:10(test) -> 5 0.073 0.094 profile.py:3(sum_num)
1 0.002 0.079 profile.py:24(test2)
1 0.001 0.001 {range}profile.Profile
cProfile은 사용자 정의할 수 있는 클래스도 제공합니다. , 좀 더 자세히 분석할 수 있습니다. 자세한 내용은 설명서를 참조하세요.
형식은 다음과 같습니다: class profile.Profile(timer=None, timeunit=0.0, subcalls=True, 내장=True)
다음 예는 공식 문서에서 가져온 것입니다.
import cProfile, pstats, StringIO pr = cProfile.Profile() pr.enable() # ... do something ... pr.disable() s = StringIO.StringIO() sortby = 'cumulative' ps = pstats.Stats(pr, stream=s).sort_stats(sortby) ps.print_stats() print s.getvalue()
lineprofiler
lineprofiler是一个对函数进行逐行性能分析的工具，可以参见github项目说明，地址: https://github.com/rkern/line...
示例
#coding=utf8
def sum_num(max_num):
total = 0
for i in range(max_num):
total += i
return total
@profile # 添加@profile 来标注分析哪个函数
def test():
total = 0
for i in range(40000):
total += i
t1 = sum_num(10000000)
t2 = sum_num(200000)
t3 = sum_num(300000)
t4 = sum_num(400000)
t5 = sum_num(500000)
test2()
return total
def test2():
total = 0
for i in range(40000):
total += i
t6 = sum_num(600000)
t7 = sum_num(700000)
return total
test()通过 kernprof 命令来注入分析，运行结果如下：
➜ kernprof -l -v profile.py
Wrote profile results to profile.py.lprof
Timer unit: 1e-06 s
Total time: 3.80125 s
File: profile.py
Function: test at line 10
Line # Hits Time Per Hit % Time Line Contents
==============================================================
10 @profile
11 def test():
12 1 5 5.0 0.0 total = 0
13 40001 19511 0.5 0.5 for i in range(40000):
14 40000 19066 0.5 0.5 total += i
15
16 1 2974373 2974373.0 78.2 t1 = sum_num(10000000)
17 1 58702 58702.0 1.5 t2 = sum_num(200000)
18 1 81170 81170.0 2.1 t3 = sum_num(300000)
19 1 114901 114901.0 3.0 t4 = sum_num(400000)
20 1 155261 155261.0 4.1 t5 = sum_num(500000)
21 1 378257 378257.0 10.0 test2()
22
23 1 2 2.0 0.0 return totalhits（执行次数） 和 time（耗时） 值高的地方是有比较大优化空间的地方。
memoryprofiler
类似于"lineprofiler"对基于行分析程序内存使用情况的模块。github 地址：https://github.com/fabianp/me... 。ps:安装 psutil, 会分析的更快。
同样是上面"lineprofiler"中的代码，运行 python -m memory_profiler profile.py 命令生成结果如下:
➜ python -m memory_profiler profile.py
Filename: profile.py
Line # Mem usage Increment Line Contents
================================================
10 24.473 MiB 0.000 MiB @profile
11 def test():
12 24.473 MiB 0.000 MiB total = 0
13 25.719 MiB 1.246 MiB for i in range(40000):
14 25.719 MiB 0.000 MiB total += i
15
16 335.594 MiB 309.875 MiB t1 = sum_num(10000000)
17 337.121 MiB 1.527 MiB t2 = sum_num(200000)
18 339.410 MiB 2.289 MiB t3 = sum_num(300000)
19 342.465 MiB 3.055 MiB t4 = sum_num(400000)
20 346.281 MiB 3.816 MiB t5 = sum_num(500000)
21 356.203 MiB 9.922 MiB test2()
22
23 356.203 MiB 0.000 MiB return total
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
