天下武功，唯快不破。
編程也不例外，你的代碼跑的快，你能快速找出代碼慢的原因，你的碼功就高。
安裝
pip install pyinstrument
簡單的使用
在程序的開始，啟動 pyinstrument 的 Profiler，結束時關閉 Profiler 并打印分析結果如下：
from pyinstrument import Profiler profiler = Profiler() profiler.start() # 這里是你要分析的代碼 profiler.stop() profiler.print()
比如這段代碼 123.py，我們可以清楚的看到是列表推導式比較慢：
from pyinstrument import Profiler profiler = Profiler() profiler.start() # 這里是你要分析的代碼 a = [i for i in range(100000)] b = (i for i in range(100000)) rofiler.stop() profiler.print()
上述分析需要修改源代碼，如果你使用命令行工具，就不需要修改源代碼，只需要執行 pyinstrument xxxx.py 即可：
比如有這樣一段排序的程序 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)
這段代碼里面故意放了一句 time.sleep(0.01) 來延遲性能，看看 pyinstrument 能否識別，命令行執行 pyinstrument c_sort.py:
從結果來看，程序運行了 1.313 秒，而 sleep 就運行了 1.219 秒，很明顯是瓶頸，現在我們把它刪除，再看看結果：
刪除之后，性能最慢的就是 numpy 模塊的初始化代碼 __init__.py了，不過這些代碼不是自己寫的，而且并不是特別慢，就不需要去關心了。
分析 Flask 代碼
Web 應用也可以使用這個來找出性能瓶頸，比如 flask，只需要在請求之前記錄時間，在請求之后統計時間，只需要在 flask 的請求攔截器里面這樣寫：
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)
假如有這樣一個 API：
@app.route("/dosomething")
def do_something():
import requests
requests.get("http://google.com")
return "Google says hello!"
為了測試這個 API 的瓶頸，我們可以在 url 上加一個參數 profile 就可以：http://127.0.0.1:5000/dosomething?profile，哪一行代碼執行比較慢，結果清晰可見：
分析 Django 代碼
分析 Django 代碼也非常簡單，只需要在 Django 的配置文件的 MIDDLEWARE 中添加
"pyinstrument.middleware.ProfilerMiddleware",
然后就可以在 url 上加一個參數 profile 就可以：
如果你不希望所有人都能看到，只希望管理員可以看到，settings.py 可以添加這樣的代碼：
def custom_show_pyinstrument(request):
return request.user.is_superuser
PYINSTRUMENT_SHOW_CALLBACK = "%s.custom_show_pyinstrument" % __name__
如果不想通過 url 后面加參數的方式查看性能分析，可以在 settings.py 文件中添加：
PYINSTRUMENT_PROFILE_DIR = "profiles"
這樣，每次訪問一次 Django 接口，就會將分析結果以 html 文件形式保存在 項目目錄下的 profiles 文件夾中。
分析異步代碼
簡單的異步代碼分析：
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())
復雜一些的異步代碼分析：
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 中斷一次程序，并在該點記錄整個堆棧。它使用 C 擴展名和 PyEval_SetProfile 來做到這一點，但只每 1 毫秒讀取一次讀數。你可能覺得報告的樣本數量有點少，但別擔心，它不會降低準確性。默認間隔 1ms 是記錄堆棧幀的下限，但如果在單個函數調用中花費了很長時間，則會在該調用結束時進行記錄。如此有效地將這些樣本“打包”并在最后記錄。
Pyinstrument 是一個統計分析器，并不跟蹤，它不會跟蹤您的程序進行的每個函數調用。相反，它每 1 毫秒記錄一次調用堆棧。與其他分析器相比，統計分析器的開銷比跟蹤分析器低得多。
比如說，我想弄清楚為什么 Django 中的 Web 請求很慢。如果我使用 cProfile，我可能會得到這個：
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>)
看完是不是還是一臉懵逼，通常很難理解您自己的代碼如何與這些跟蹤相關聯。Pyinstrument 記錄整個堆棧，因此跟蹤昂貴的調用要容易得多。它還默認隱藏庫框架，讓您專注于影響性能的應用程序/模塊：
_ ._ __/__ _ _ _ _ _/_ 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
最后的話
本文分享了 pyinstrument 的用法，有了這個性能分析神器，以后優化代碼可以節省很多時間了，這樣的效率神器很值得分享，畢竟人生苦短，能多點時間干點有意思的不香么？
以上就是Python性能分析工具pyinstrument提高代碼效率的詳細內容，更多關于Python性能分析工具pyinstrument的資料請關注服務器之家其它相關文章！
原文鏈接：https://blog.csdn.net/somenzz/article/details/120192288
