【51CTO.com快譯】通常，人們會使用兩種速度來衡量某種程式語言的優劣，即：開發速度和執行速度。對於Python而言，大家往往受益的是它能夠快速地編寫代碼，而忽略了它是否能夠快速地運行，並及時完成既定的任務。因此，在出現程序運行緩慢時，我們有必要從代碼層面上，找出拖慢的位置和原因，並對其進行處理。
好消息是，Python提供了許多不同用途的軟體庫，可方便我們對應用代碼進行分析，並找出導致緩慢運行的部分。它們中，有的是只帶有標準庫的單行工具，有的是可以從運行程序中收集到統計信息的複雜框架。下面，我將向您介紹其中五個可以在PyPI或Python標準庫中輕鬆獲得，且能夠跨平臺運行的軟體庫。
1.Time和Timeit
有時候，您可能只想分析兩個代碼段從前一個結束到下一個開始運行，是需要幾秒鐘還是幾分鐘。對於這樣的需求，您可能只需要一個秒表就足夠了。
Python標準庫帶有兩個可用作秒表的功能函數。其中，Time模塊具有perf_counter功能。它可以調用作業系統的高精度定時器，以按需獲得時間戳。其基本原理是：我們可以在目標操作開始前，調用一次time.perf_counter，然後在操作完成時，再調用一次，以獲得兩次的時間差。顯然，這是一種非常簡便易行的時間獲取方式。
而Timeit模塊則是會對Python代碼進行實質性的審查。它的timeit.timeit功能函數會截取一個代碼段，通過運行多次(默認為1百萬次)，以獲得執行該操作所需的平均時間。我們經常可以用它來確定在某個緊密的循環中，單一操作或函數的調用時長。例如，如果您想判定一個列表解析式(list comprehension)與一個常規列表結構，哪個在執行多次操作時會更快一些(列表解析式通常更快)。
當然，Time的不足之處在於它只是一個秒表，而Timeit的不足之處在於：其主要用例是各個行或代碼塊上的各個細微標準差(microbenchmarks)。也就是說，僅當這些代碼被單獨處理時，這種比較才會有意義。因此，這兩種方法都不足以對整個程序進行分析。一旦出現數千行的代碼，這兩種方法都會耗費您大量的時間。
2.cProfile
Python標準庫還帶有一個整體程序分析器--cProfile。在程序運行時，cProfile會通過跟蹤代碼中的每個函數的調用，以生成一個包含了最常調用函數、以及平均調用時間的列表。
cProfile具有三大優勢：
由於它被包含在標準庫中，因此現有的Python安裝包已經包含了cProfile。 它可以分析有關調用行為的許多不同統計信息。例如：它能夠將函數調用自己的指令所花費的時間，與該函數所有的其他調用耗時區分開來。據此，您可以判定出到底是該函數本身運行緩慢，還是在其他調用時出現的緩慢。 可以實現限定條件的自定義。也就是說，您既可以對整個程序的運行進行採樣，又可以僅在指定的函數運行時啟用概要分析(toggle profiling)。通過縮小範圍和去除分析時產生的「噪聲」，您可以更好地關注該函數的功能與調用。cProfile的不足之處有：
默認情況下，它會設置多個採集點，生成大量的統計信息。 根據其執行模型，它在捕獲每個函數調用時，都會產生大量的流量。因此cProfile不適合通過實時數據的方式，對生產環境中的應用程式進行性能分析。也就是說，它更適合於針對開發過程中的性能分析。有關cProfile的更多詳細信息。
3.Pyinstrument
與cProfile的工作方式類似，Pyinstrument能夠通過跟蹤目標程序，以報告的形式，反映出那些佔用了大部分運行時間的代碼。不過，與cProfile相比，Pyinstrument的優點主要體現在如下兩個方面：
Pyinstrument不會去勾連(hook)函數調用的每個實例，而是會以毫秒為間隔，對程序的調用棧進行採樣，因此它能夠靈敏地檢測出程序中最耗費運行時的部分。 Pyinstrument的報告要簡潔得多。它能夠通過突出顯示程序中佔用時間最多的函數，以便您能儘快地發現問題，並專注分析原因。Pyinstrument同樣具有cProfile的各種優點。您可以將它用作應用程式中的對象，來記錄所選功能，而不是整個程序的行為。Pyinstrument提供包括HTML格式在內的多種輸出形式。當然，您也可以按需查看各個調用的完整時間線。
此外，如下兩個方面值得您的注意：
某些通過C編譯的擴展程序(例如使用Cython創建的程序)，會在通過命令行進行Pyinstrument調用時，可能無法正常工作。不過，如果您在程序本身使用了Pyinstrument，例如：通過使用Pyinstrument分析器的調用包裝了main()函數，那麼它們還是能夠正常工作的。 Pyinstrument不能很好地處理在多個線程中運行的代碼。此時，您可能需要考慮使用下面將要介紹到的Py-spy。4.Py-spy
與Pyinstrument一樣，Py-spy在工作原理上，也是定期採集程序調用棧的狀態，而不是記錄每一個調用。不過，與PyInstrument不同，Py-spy帶有用Rust編寫的核心組件(而Pyinstrument使用的是C擴展程序)，運行的是帶有分析程序的外進程(out-of-process)，因此它可以安全地與生產環境中的代碼協同使用。
Py-spy能夠輕鬆地完成許多其他分析工具無法實現的任務，其中包括：分析多線程或帶有子處理(subprocessed)機制的Python程序等。此外，Py-spy也可以分析那些使用符號進行過編譯的C擴展程序。而對於使用了Cython編譯的擴展程序，Py-spy需要使用對應生成的C文件，以便收集正確的跟蹤信息。
我們可以使用如下兩種基本方法，來利用Py-spy檢查應用程式：
使用Py-spy的record命令，並在運行結束後會生成火焰圖(flame graph)。 使用Py-spy的top命令，通過實時更新，交互式地顯示Python應用程式的內部，並以與Unix的top工具相同的方式顯示信息。而且那些單線程棧也可以通過命令行被顯示出來。不過，Py-spy的最大缺點之一是：它主要適用於從外部分析整個程序、或是某些組件，不適合對某個特定的功能函數進行採樣。
5.Yappi
Yappi是Yet Another Python Profiler(「另一個Python分析工具」)的縮寫。它在功能上，較上述討論過的工具庫只多不少。在默認情況下，PyCharm(譯者註：一款為專業Python 開發人員準備的IDE)會已安裝了Yappi，因此用戶在IDE中已經具有了對於Yappi的內置訪問權限。
要使用Yappi，您需要用指令來「修飾」目標代碼，以便針對分析機制進行調用，啟動，停止和生成報告。Yappi允許您根據測試的實際需求，在「經過時間(wall time)」或「CPU時間」之間進行選擇。前者只是一個秒表;後者則可以通過系統原生API，記錄下CPU在實際執行代碼過程中的用時，以便調整I/O的暫停或線程的休眠。可見，CPU時間能夠方便您更加精確地了解某些操作(例如：數字代碼的執行)的實際用時。
通過Yappi提供的函數--yappi.get_thread_stats()，您可以記錄任何一個線程活動，檢索出對應的統計信息，並分別對其進行分析。您不但無需「修飾」線程代碼，而且可以對統計數據進行過濾和細粒度的排序(類似於cProfile中的此類操作)。
此外，Yappi的獨到之處在於，它可以分析greenlet和coroutine(協程)。作為一種分析並發代碼的強大工具，它可以被廣泛地用來分析異步metaphor。
原文標題：5 great libraries for profiling Python code，作者：Serdar Yegulalp
【51CTO譯稿，合作站點轉載請註明原文譯者和出處為51CTO.com】
【編輯推薦】
【責任編輯：
華軒TEL：（010）68476606】