介绍

应用程序分析是一个分析程序以确定其特征的过程：执行时间不同的代码零件和资源用法。

分析的主要阶段总是或多或少相同的：

测量执行时间
1. 。执行不同的代码零件需要多少时间？

分析内存使用

2. 。程序的不同部分消耗了多少内存？ 识别瓶颈

。代码的哪些部分减慢了程序或使用太多资源？

3. > >性能优化

。采取措施根据获得的数据提高执行速度和资源利用效率。

4. 有限数量的异步代码的特定瓶颈。 让我们将每种类型与代码示例匹配。

>

–

异步中的瓶颈的主要类型

阻止操作

import asyncio import time  async def main():     print('start')     # blocking call     time.sleep(3)  # this blocks the entire event loop     print('end')  asyncio.run(main()) 

顺序调用异步任务

import asyncio import aiohttp  async def fetch(session, url):     async with session.get(url) as response:         return await response.text()  async def main():     urls = ["http://medium.com"] * 10     async with aiohttp.clientsession() as session:         # inefficient: sequential requests         for url in urls:             await fetch(session, url)  asyncio.run(main()) 

登录后复制

过度上下文切换

import asyncio  async def tiny_task():     await asyncio.sleep(0.0001)  async def main():     # excessive context switching due to many small tasks     await asyncio.gather(*(tiny_task() for _ in range(100000)))  asyncio.run(main()) 

登录后复制

资源饥饿

import asyncio  async def long_running_task():     await asyncio.sleep(10)     print("long task executed")  async def quick_task():  await asyncio.sleep(1)     print("quick task executed")  async def main():     await asyncio.gather(         long_running_task(),         quick_task()  # may be delayed excessively     )  asyncio.run(main()) 

登录后复制

内存开销

import asyncio  async def large_data_task():     data = "lorep ipsum" * 10**8  # large memory usage     await asyncio.sleep(1)  async def main():     tasks = [large_data_task() for _ in range(100)]  # high memory consumption     await asyncio.gather(*tasks)  asyncio.run(main()) 

登录后复制

–

顺便说一句，探查者一般如何工作？

>单独的文章将专门用于详细的评论，因为现在我们可以将自己限制在基本分类中：

>确定性剖析师

。主要代表是内置的cprofile。该探测器计算每个函数的调用数量以及功能所花费的时间。问题在于，异步呼叫的等待时间没有考虑到。

• 统计剖面。普通代表是鳞状，py-spy，yappi，pyinsprument，奥斯汀。这样的探索者以某种频率进行了该过程的“快照”，并应用了统计分析的方法来搜索瓶颈。

  –

• 使用鳞片进行分析

  要鳞？因为此工具允许分析cpu和内存，因此在hub上具有10k 星星，并且该项目正在积极开发。 >让我们看看上面列表中每个“有问题”代码的scalene所说的。

  >

我们将像这样运行斜角：

36277728875

阻止操作

>您可以立即看到问题线，并立即阻止呼叫 – python的2％，在系统呼叫中的98％的时间。

顺序调用异步任务

>这里有点复杂。您可以看到90％的时间用于系统调用，但是该行已更改 – 现在它是本身。最好是记住这种剖面输出的模式。

过度上下文切换

我们看到内存消耗如何在>中增长 – 任务的“拆分”太贪婪了。

> 资源饥饿

再次，系统与python的时间比不支持python操作。>

内存开销

在这里，斯卡琳为我们做了一切，并立即向我们展示了有问题的代码。>

–

结论

>应该注意的是，对于三种情况 – “

立即学习“”；

阻止操作

”，“

依次调用异步任务

>”和“> resource starvation

”相同的图片 – 系统％>> python％。澄清原因实际上需要开发人员。

如果您知道瓶颈的主要类型，并且准备仔细阅读profiler输出，那么python并不是一项艰巨且相当令人愉快的任务。

p.s.

这篇文章最初是在我一年多以前发布的。

>

以上就是分析异步Python的详细内容，更多请关注php中文网其它相关文章！