Python line_profiler 性能分析库,相比于 cProfile,输出更为直观.

材料主要出处:python性能分析之line_profiler模块 - 2019.01.04

line_profiler使用装饰器(@profile)标记需要调试的函数. 用 kernprof.py 脚本运行代码, 被选函数每一行花费的 cpu 时间以及其他信息就会被记录下来.

1. 安装

pip install Cpython pip install Cython git+https://github.com/rkern/line_profiler.git # pip install line-profiler

2. 使用

在需要评估性能的函数前加上 @profile,形式如:

@profile def fun(): pass @profile def main(): pass if __name__ == '__main__': main()

其中,@profile 只是一个标记,不是 Python 的语句,所以会导致代码不能直接运行,只能用专门的方法运行:

kernprof -l -v xxxxxx.py

-l 表示逐行分析, -v 用于输出。同时会输出一个后缀为.py.lprof 的文件,后期可以对.lprof文件进行分析.

注:@profile 用法有一点限制,不可以用于 class ,但是可以用于class 的方法上;子函数也可以用;并且可以同时 profile 多个函数.

3. 示例

loopdemo.py:

@profile def foo(): task = [] for a in range(0, 101): for b in range(0, 101): if a + b == 100: task.append((a, b)) return task @profile def run(): for item in foo(): pass if __name__ == '__main__': run()

运行:

kernprof -l -v loopdemo.py

输出结果形式如:

Wrote profile results to loopdemo.py.lprof Timer unit: 1e-06 s Total time: 0.009856 s File: loopdemo.py Function: foo at line 1 Line # Hits Time Per Hit % Time Line Contents ============================================================== 1 @profile 2 def foo(): 3 1 1.0 1.0 0.0 task = [] 4 5 102 47.0 0.5 0.5 for a in range(0, 101): 6 10302 4741.0 0.5 48.1 for b in range(0, 101): 7 10201 4975.0 0.5 50.5 if a + b == 100: 8 101 91.0 0.9 0.9 task.append((a, b)) 9 1 1.0 1.0 0.0 return task Total time: 0.017778 s File: loopdemo.py Function: run at line 12 Line # Hits Time Per Hit % Time Line Contents ============================================================== 12 @profile 13 def run(): 14 102 17747.0 174.0 99.8 for item in foo(): 15 101 31.0 0.3 0.2 pass

其中,

[1] - Total time,总耗时

[2] - Hits,调用次数

[3] - %Time 列,指出哪行代码占了它所在函数的消耗的时间百分比.

Last modification:April 13th, 2021 at 09:02 am