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。
安装
pip install pyinstrument
简单的使用
在程序的开始，启动 pyinstrument 的 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)) rofiler.stop() profiler.print()
上述分析需要修改源代码，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__<i style="color:transparent">本文来源gaodai$ma#com搞$代*码*网(</i>)
@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!"
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Python性能分析工具pyinstrument提高代码效率
转载请注明原文链接：Python性能分析工具pyinstrument提高代码效率
