内容摘要：天下武功，唯快不破。编程也不例外，你的代码跑的快，你能快速找出代码慢的原因，你的码功就高。今天分享一个超级实用的 Python 性能分析工具 pyinstrument ，可以快速找到代码运行最慢的部分

天下武功，效率唯快不破。神器速定

编程也不例外，位最你的代码代码跑的快，你能快速找出代码慢的效率原因，你的神器速定码功就高。

今天分享一个超级实用的位最 Python 性能分析工具 pyinstrument ，可以快速找到代码运行最慢的代码部分，帮助提高代码的效率性能。支持 Python 3.7+ 且能够分析异步代码，神器速定仅需一条命令即可显示具体代码的位最耗时。经常写 Python 的代码小伙伴一定要用一下。

安装

pip install pyinstrument 

简单的效率使用

在程序的开始，启动 pyinstrument 的神器速定 Profiler，结束时关闭 Profiler 并打印分析结果如下：

from pyinstrument import Profiler profiler = Profiler() profiler.start() # 这里是位最你要分析的代码 profiler.stop() profiler.print() 

比如这段代码 123.py，我们可以清楚的看到是列表推导式比较慢：

from pyinstrument import Profiler profiler = Profiler() profiler.start() # 这里是你要分析的代码 a = [i for i in range(100000)] b = (i for i in range(100000)) profiler.stop() profiler.print() 

上述分析需要修改源代码，亿华云如果你使用命令行工具，就不需要修改源代码，只需要执行 pyinstrument xxxx.py 即可：

比如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) 

这段代码里面故意放了一句 time.sleep(0.01) 来延迟性能，看看 pyinstrument 能否识别，命令行执行 pyinstrument c_sort.py:

从结果来看，程序运行了 1.313 秒，而 sleep 就运行了 1.219 秒，很明显是瓶颈，现在我们把它删除，再看看结果：

删除之后，性能最慢的就是 numpy 模块的初始化代码 __init__.py了，不过这些代码不是自己写的，而且并不是特别慢，就不需要去关心了。

分析 Flask 代码

Web 应用也可以使用这个来找出性能瓶颈，比如 flask，只需要在请求之前记录时间，在请求之后统计时间，只需要在 flask 的请求拦截器里面这样写：

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) 

假如有这样一个 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，我们可以在 url 上加一个参数 profile 就可以：http://127.0.0.1:5000/dosomething?profile，哪一行代码执行比较慢，结果清晰可见：

分析 Django 代码

分析 Django 代码也非常简单，只需要在 Django 的服务器托管配置文件的 MIDDLEWARE 中添加

"pyinstrument.middleware.ProfilerMiddleware", 

然后就可以在 url 上加一个参数 profile 就可以：

如果你不希望所有人都能看到，只希望管理员可以看到，settings.py 可以添加这样的代码：

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 后面加参数的方式查看性能分析，可以在 settings.py 文件中添加：

PYINSTRUMENT_PROFILE_DIR = profiles 

这样，每次访问一次 Django 接口，就会将分析结果以 html 文件形式保存在 项目目录下的 profiles 文件夹中。

分析异步代码

简单的异步代码分析：

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()) 

复杂一些的异步代码分析：

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 中断一次程序，并在该点记录整个堆栈。它使用 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。你可能觉得报告的样本数量有点少，但别担心，它不会降低准确性。默认间隔 1ms 是记录堆栈帧的下限，但如果在单个函数调用中花费了很长时间，则会在该调用结束时进行记录。如此有效地将这些样本“打包”并在最后记录。

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。相反，站群服务器它每 1 毫秒记录一次调用堆栈。与其他分析器相比，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 请求很慢。如果我使用 cProfile，我可能会得到这个：

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，通常很难理解您自己的代码如何与这些跟踪相关联。Pyinstrument 记录整个堆栈，因此跟踪昂贵的调用要容易得多。它还默认隐藏库框架，让您专注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 

最后的话

本文分享了 pyinstrument 的用法，有了这个性能分析神器，以后优化代码可以节省很多时间了，这样的效率神器很值得分享，毕竟人生苦短，能多点时间干点有意思的不香么?

本文转载自微信公众号「Python七号」，可以通过以下二维码关注。转载本文请联系Python七号公众号。