Python脚本分析CPU使用情况

在这篇文章中，我将讨论一个工具，用以分析Python中CPU使用情况。CPU分析是通过分析CPU执行代码的方式来测量代码的性能，以此找到代码中的不妥之处，然后处理它们。

接下来我们将看看如何跟踪Python脚本使用时CPU使用情况，重点关注以下几个方面：

    1、cProfile

    2、line_profiler

    3、pprofile

    4、vprof

测量CPU使用率

对于这篇文章，我将主要使用与内存分析中使用脚本相同的脚本，具体如下：

cProfile

在讨论CPU分析时，最常用的工具之一是cProfile，主要是因为它内置在CPython2和PyPy2中。这是一个确定性的分析器，意味着在运行程序时会收集一组统计数据，例如我们代码的各个部分的执行次数或执行时间。此外，cProfile在系统上的开销比其他内置的分析器（配置文件）要低。

其输出如下：

即使使用这个文本输出，很容易看到我们的脚本多次调用了list.append方法。

如果我们使用gprof2dot，我们可以以图形的方式看到cProfile输出。要使用它，我们必须首先安装graphviz，之后是一些依赖包，最后在Ubuntu上使用如下命令：

我们得到以下output.png文件：

这样更容易看到一切。我们来仔细看看它的输出。您可以看到脚本中的函数调用如下：

    1、第一行：Python文件名，行号和方法名称

    2、第二行：代码块占用全部时间的百分比

    3、第三行：括号中，方法本身占全部时间的百分比

    4、第四行：调用函数的次数

例如，在顶部的第三个红色方块中，方法primes占用了98.28％的时间，其中65.44％的内容在其中进行，调用了40次。其余的时间花在Python中的list.append（22.33％）和range（11.51％）中。

作为一个简单的脚本，我们只需要重写我们的脚本，具体的如下所示：

您还可以以编程方式使用cProfile，例如：

这在某些情况下很有用，例如多进程性能测量

line_profiler

此分析器在行级提供关于工作负载的信息。它使用Cython在C中实现，并将其与cProfile进行比较时发现其具有较小的开销。

源代码可以在这里找到，也可以在这里找到PyPI页面。与cProfile相比，它具有一样的开销，不过却要花费12倍的时间来获取配置文件。

要使用它，您需要先通过pip添加它：pip install pip install Cython ipython == 5.4.1 line_profiler（CPython2）。这个分析器的一个主要缺点是它不支持PyPy。

就像使用memory_profiler一样，您需要在要分析的函数中添加一个装饰器。在我们的例子中，您需要在03.primes-v1.py中定义我们的primes函数之前添加@profile。然后调用它：

你将得到如下输出：

我们看到，重复调用list.append的两个循环花了最多的时间。

pprofile

根据作者说明，pprofile是一个“线程测量和统计的纯python分析器”。

它受到line_profiler的启发，修复了很多缺点，但是由于它完全用Python编写，所以它也可以与PyPy成功使用。与cProfile相比，使用CPython时的分析时间要多28倍，而使用PyPy时，分析时间要多10倍，而且细节水平更加细化。

我们也支持PyPy！除此之外，它支持剖析线程，这在各种情况下可能会很方便。

要使用它，您需要先通过pip添加它：pip install pprofile（CPython2）/ pypy -m pip install pprofile（PyPy），然后调用它：

输出与我们以前看到的不同，我们得到如下结果：

我们现在可以更详细地看到一切。让我们来看看输出。您可以获得脚本的整个输出，并且在每行之前，您可以看到对其进行的调用次数，运行时间（秒），每次调用的时间和全局时间的百分比，pprofile为我们的输出添加了额外的行（如第44和50行，以（call）开头）与累积指标。

再次，我们看到，重复调用list.append的两个循环花了我们脚本中最多的时间。

vprof

vprof是一个Python分析器，为各种Python程序特性（如运行时间和内存使用）提供丰富的交互式可视化。它是一个基于Node.JS的图形化的显示在网页中的结果。

使用它，您可以看到与Python脚本相关的以下一个或全部：

    1、CPU使用图

    2、代码分析

    3、内存图

    4、代码热图

要使用它，您需要先通过pip添加它：pip install vprof（CPython2）/ pypy -m pip install vprof（PyPy），然后调用它：

在每种情况下，您将看到代码散点图的以下内容

以及代码分析的以下内容。

结果以图形方式看到，我们可以悬停鼠标或单击每行以获取更多信息。再次，我们看到，重复调用list.append的两个循环花了我们脚本中最多的时间。

英文原文：https://pythonfiles.wordpress.com/2017/06/01/hunting-performance-in-python-code-part-3/ 

文章来源：Python程序员

《Spark大数据平台应用实战》郭俊（Jason）老师新课开课了，本周可继续报名，本课程将会结合精典案例讲解Spark Job的整个生命周期。学习它并掌握它，是大数据风口下IT人的必备技能。点击下方二维码报名课程