咨询热线：
020-88888888
020-88888888
性能优化的主要方法: 多进程处理，工具检测性能消耗完善代码，使用 Cython 扩展等。
本文链接：
代码优化工具列表:
| 优化工具 | 工具说明 |
|---|---|
| black | 代码格式化工具(推荐) |
| isort | 对import进行排序(推荐) |
| PyLint | 语法检查工具 |
| vprof | 运行时间和内存分析器。图形化工具。 |
| cProfile | 查询消耗时间最久的方法函数 |
| line_profile | 查看耗时函数中的行耗时 |
| timeit | 模块计算代码执行时间 |
| memory_profiler | 诊断内存的用量 |
机器性能指标:
常见性能指标:
方法小结:
自动对代码进行规范化, 规范化工具神器
# python3+
pip install black
?
$ black -l 120 monitor.py
reformatted monitor.py
?
All done! ? ?
1 file reformatted.isort monitor.py
Fixing monitor.pyvprof 简单使用:
pip3 install vprof
# 直接运行代码
vprof -c h test.py
# 带输入参数
vprof -c cmh "testscript.py --foo --bar"cProfile+gprof2dot 简单使用:
sudo pip3 install gprof2dot
# 先用cProfile生成分析报告
python3 -m cProfile -o output.pstats test.py
# 使用 gprof2dot 画图
gprof2dot -f pstats output.pstats | dot -Tpng -o output.pngPyPy 是用 RPython(CPython 的子集)实现的 Python，使用了 Just-in-Time(JIT)编译器，即动态编译器， 与静态编译器(如 gcc,javac 等)不同，它是利用程序运行的过程的数据进行优化。 如果 python 程序中含有 C 扩展(非 cffi 的方式)，JIT 的优化效果会大打折扣，甚至比 CPython 慢(比 Numpy)。
所以在 PyPy 中最好用纯 Python 或使用 cffi 扩展。
PyPy 优势在于使用 JIT 动态编译，对于运行的函数会生成一个类 C 的函数。 编译成机器码，下次调用函数时，会直接调用机器码，速度得到质的飞跃。 但是由于本身编译机器码需要时间。 所以很多 JIT 实现都会先解释执行，然后确定了一段代码经常被执行之后，再进行编译。并且分多层 JIT，比较初级的对编译出来的机器码不做比较复杂的优化.
用上下文管理器测量部分代码运行时间
from time import clock
class Timer(object):
def __init__(self, verbose=False):
self.verbose = verbose
?
def __enter__(self):
self.start = clock()
return self
?
def __exit__(self, *args):
self.end = clock()
self.secs = self.end - self.start
self.msecs = self.secs * 1000 # millisecs
if self.verbose:
print 'elapsed time: %f ms' % self.msecs
?
if __name__ == "__main__":
?
with Timer() as t:
replace_str = ""
for i, char in enumerate(orignal_str * 10000):
c = char if char != " " else "-"
replace_str += c
print t.secs
?objgraph 是一个非常轻巧的工具，但在排查内存泄露的时候非常有用。 objgraph 的代码很短，只有一个文件，其主要依靠标准库中的 gc 模块来获取对象之间的创建引用关系。objgraph 使用起来十分简单，
# 列出最多实例的类型
objgraph.show_most_common_types(shortnames=False)
# 显示两次调用之间的对象数量变化
objgraph.show_growth(limit=None)
# 获取指定类型的对象
objgraph.by_type('Foobar')
# 查找反向引用
objgraph.find_backref_chain(obj, objgraph.is_proper_module)在遇到内存泄露问题时候首先考虑下用 objgraph 来进行查看，没有问题的时候也可以学习下它的代码，可以极大了解 gc 模块的应用。
tracemalloc 是用来分析 Python 程序内存分配的工具，使用上也很简单，
import tracemalloc
tracemalloc.start()
?
# ... run your application ...
?
snapshot = tracemalloc.take_snapshot()
top_stats = snapshot.statistics('lineno')snapshot 结果中可以看到每个模块最终创建分配的内存大小，在追查内存问题上很有帮助。 Python 3.5.x 之后将 tracemalloc 集成到了标准库当中
Autopep8 是一个将 python 代码自动编排的一个工具，它使用 pep8 工具来决定代码中的那部分需要被排。 ，Autopep8 可以修复大部分 pep8 工具中报告的排版问题。很多人都知道 Ctrl+Alt+L 也可以排版，快捷键只是可以简单的排版。 跟 Autopep8 是无法相比的。
# autopep8 使用命令
autopep8 --in-place --aggressive --aggressive file.pyCopyright © 2002-2022 半岛-半岛体育循环扇制作机构 版权所有 Powered by EyouCms 备案号：滇ICP备9857598号
