关于Python Profilers性能分析器

1. 介绍性能分析器

profiler是一个程序，用来描述运行时的程序性能，而且从不一样方面提供统计数据加以表述。Python中含有3个模块提供这样的功能，分别是cProfile, profile和pstats。这些分析器提供的是对Python程序的肯定性分析。同时也提供一系列的报表生成工具，容许用户快速地检查分析结果。

Python标准库提供了3个不一样的性能分析器：

1. cProfile，推荐给大部分的用户，是C的一个扩展应用，由于其合理的运行开销，因此适合分析运行时间较长的。是基于lsprof。
2. profile，一个纯python模块，它的接口和cProfile一致。在分析程序时，增长了很大的运行开销。若是你想扩展profiler的功能，能够试着继承这个模块
3. hotshot, 一个试验性的c模块，关注减小分析时的运行开销，可是是以须要更长的数据后处理的次数为代价。不过这个模块再也不被维护，也有可能在新的python版本中被弃用。

2. 使用方法

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49

def foo():      sum = 0      for i in range ( 10000 ):          sum + = i      sumA = bar()      sumB = bar()      return sum       def bar():      sum = 0      for i in range ( 100000 ):          sum + = i      return sum    if __name__ = = "__main__" :      import cProfile        #直接把分析结果打印到控制台      cProfile.run( "foo()" )      #把分析结果保存到文件中,不过内容可读性差...须要调用pstats模块分析结果      cProfile.run( "foo()" , "result" )      #还能够直接使用命令行进行操做      #>python -m cProfile myscript.py -o result            import pstats      #建立Stats对象      p = pstats.Stats( "result" )      #这一行的效果和直接运行cProfile.run("foo()")的显示效果是同样的      p.strip_dirs().sort_stats( - 1 ).print_stats()      #strip_dirs():从全部模块名中去掉无关的路径信息      #sort_stats():把打印信息按照标准的module/name/line字符串进行排序      #print_stats():打印出全部分析信息        #按照函数名排序      p.strip_dirs().sort_stats( "name" ).print_stats()        #按照在一个函数中累积的运行时间进行排序      #print_stats(3):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( "cumulative" ).print_stats( 3 )        #还有一种用法      p.sort_stats( 'time' , 'cum' ).print_stats(. 5 , 'foo' )      #先按time排序,再按cumulative时间排序,而后打倒出前50%中含有函数信息        #若是想知道有哪些函数调用了bar,可以使用      p.print_callers( 0.5 , "bar" )        #同理,查看foo()函数中调用了哪些函数      p.print_callees( "foo" )

以上是profile以及pstats模块的简单应用.

3.分析结果图解

4. 什么是肯定性性能分析(Deterministic Profiling)

肯定性性能分析指的是反映全部的函数调用，返回，和异常事件的执行所用的时间，以及它们之间的时间间隔。相比之下，统计性性能分析指的是取样有效的程序指令，而后推导出所须要的时间，后者花费比较少的开销，可是给出的结果不够精确。

在Python中，由于其是解释性语言，因此在执行程序的时候，会加入解释器的执行，这部分的执行是不须要进行性能分析的。Python自动为每个事件提供一个hook，来定位须要分析的代码。除此以外，由于Python解释型语言的本质每每须要在执行程序的时候加入不少其它的开销，而肯定性性能分析只会加入一点点处理开销。这样一来，肯定性性能分析其实开销不大，还能够提供丰富的统计信息。

函数调用次数的统计可以被用于肯定程序中的bug，好比一个不符合常理的次数，明显偏多之类的，还能够用来肯定可能的内联函数。函数内部运行时间的统计可被用来肯定”hot loops”，那些须要运行时间过长，须要优化的部分；累积时间的统计可被用来肯定比较高层次的错误，好比算法选择上的错误。Python的性能分析能够容许直接比较算法的递归实现与迭代实现的。