python性能优化之函数执行时间分析

栏目: Python · 发布时间: 5年前

内容简介:最近发现项目API请求比较慢,通过抓包发现主要是response时间太长,于是就开始进行优化工作。优化工作的关键一步是本文侧重分析,不展开如何优化工欲善其事,必先利其器,我们需要一套方便高效的工具记录函数运行时间。说是一套工具,但对于一个简单项目或者日常开发来说,实现一个工具类足矣,由于实现比较简单,直接上代码:

最近发现项目API请求比较慢,通过抓包发现主要是response时间太长,于是就开始进行优化工作。优化工作的关键一步是 定位出问题的瓶颈 ,对于优化速度来说,从优化函数执行时间这个维度去切入是一个不错的选择。

本文侧重分析,不展开如何优化

利器

工欲善其事,必先利其器,我们需要一套方便高效的 工具 记录函数运行时间。说是一套工具,但对于一个简单项目或者日常开发来说,实现一个工具类足矣,由于实现比较简单,直接上代码:

from functools import wraps

import cProfile
from line_profiler import LineProfiler

import time


def func_time(f):
    """
    简单记录执行时间
    :param f:
    :return:
    """

    @wraps(f)
    def wrapper(*args, **kwargs):
        start = time.time()
        result = f(*args, **kwargs)
        end = time.time()
        print f.__name__, 'took', end - start, 'seconds'
        return result

    return wrapper


def func_cprofile(f):
    """
    内建分析器
    """

    @wraps(f)
    def wrapper(*args, **kwargs):
        profile = cProfile.Profile()
        try:
            profile.enable()
            result = f(*args, **kwargs)
            profile.disable()
            return result
        finally:
            profile.print_stats(sort='time')

    return wrapper



try:
    from line_profiler import LineProfiler


    def func_line_time(follow=[]):
        """
        每行代码执行时间详细报告
        :param follow: 内部调用方法
        :return:
        """
        def decorate(func):
            @wraps(func)
            def profiled_func(*args, **kwargs):
                try:
                    profiler = LineProfiler()
                    profiler.add_function(func)
                    for f in follow:
                        profiler.add_function(f)
                    profiler.enable_by_count()
                    return func(*args, **kwargs)
                finally:
                    profiler.print_stats()

            return profiled_func

        return decorate

except ImportError:
    def func_line_time(follow=[]):
        "Helpful if you accidentally leave in production!"
        def decorate(func):
            @wraps(func)
            def nothing(*args, **kwargs):
                return func(*args, **kwargs)

            return nothing

        return decorate
复制代码

原始代码可以参考 gist

如下,实现了3个装饰器函数 func_time , func_cprofile , func_line_time ,分别对应

  1. 简单输出函数的执行时间
  2. 利用 python 自带的内置分析包 cProfile 分析,它主要统计函数调用以及每个函数所占的cpu时间
  3. 利用 line_profiler 开源项目,它可以统计每行代码的执行次数和执行时间。

使用说明

我们以一个简单的循环例子来说明一下,

def test():
    for x in range(10000000):
        print x
复制代码
  • func_time

关于 func_time 我觉得没什么好说的,就是简单输出下函数调用时间,这个在我们粗略统计函数执行时间的时候可以使用

如下:

@func_time
def test():
    for x in range(10000000):
        print x
# 输出
test took 6.10190296173 seconds
复制代码
  • func_cprofile

cProfile 是python内置包,基于lsprof的用 C语言 实现的扩展应用,运行开销比较合理,没有外部依赖,适合做快速的概要测试

@func_cprofile
def test():
 for x in range(10000000):
     print x
# 输出
      3 function calls in 6.249 seconds

Ordered by: internal time

ncalls  tottime  percall  cumtime  percall filename:lineno(function)
     1    6.022    6.022    6.249    6.249 test.py:41(test)
     1    0.227    0.227    0.227    0.227 {range}
     1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
复制代码

输出说明:

单位为秒

  1. 第一行告诉我们一共有3个函数被调用。

    正常开发过程,第一行更多是输出类似 194 function calls (189 primiive calls) in 0.249 seconds ,(189 primiive calls)表示189个是原生(primitive)调用,表明这些调用不涉及递归

  2. ncalls表示函数的调用次数,如果这一列有两个数值,表示有递归调用,第一个是总调用次数,第二个是原生调用次数。

  3. tottime是函数内部消耗的总时间(不包括调用其他函数的时间)。

  4. percall是tottime除以ncalls,表示每次调用平均消耗时间。

  5. cumtime是之前所有子函数消耗时间的累积和。

  6. percall是cumtime除以原生调用的数量,表示该函数调用时,每个原生调用的平均消耗时间。

  7. filename:lineno(function)为被分析函数所在文件名、行号、函数名。

  • func_line_time

line_profiler 可以生成非常直接和详细的报告,但它系统开销很大,会比实际执行时间慢一个数量级

@func_line_time()
def test():
    for x in range(10000000):
        print x
# 输出
Timer unit: 1e-06 s

Total time: 14.4183 s
File: /xx/test.py
Function: test at line 41

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
    41                                           @func_line_time()
    42                                           def test():
    43  10000001    4031936.0      0.4     28.0      for x in range(10000000):
    44  10000000   10386347.0      1.0     72.0          print x
复制代码

输出说明:

单位为微秒

  1. Total Time:测试代码的总运行时间

  2. Line:代码行号

  3. Hits:表示每行代码运行的次数

  4. Time:每行代码运行的总时间

  5. Per Hits:每行代码运行一次的时间

  6. % Time:每行代码运行时间的百分比

总结

日常开发中,可以使用 func_time , func_cprofile 做基本检查,定位大致问题,使用 func_line_time 进行更细致的深入检查。

注: func_line_time 还可以检查函数内部调用的函数执行时间,通过 follow 参数指定对应的内部调用的函数声明即可,该参数是个数组,也就是说可以检查多个内部调用的函数


以上所述就是小编给大家介绍的《python性能优化之函数执行时间分析》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

网易一千零一夜

网易一千零一夜

网易杭研项目管理部 / 电子工业出版社 / 2016-9-1 / 46

本书是网易杭州研究院项目管理部多年来丰富的项目管理实践总结与干货分享。字字句句凝结了网易项目经理的甘与苦、汗与泪。 全书围绕项目管理体系,从敏捷实践、项目立项、需求管理、沟通管理,到计划进度管理、风险管理,真实反映了网易面向互联网产品项目管理实战经验与心路历程。 不论你是项目管理新手,还是资深项目经理,都可以从本书中获得启发与借鉴。一起来看看 《网易一千零一夜》 这本书的介绍吧!

Base64 编码/解码
Base64 编码/解码

Base64 编码/解码

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换