147

我一直在使用 cProfile 来分析我的代码，并且效果很好。我还使用gprof2dot.py来可视化结果（让它更清晰一点）。

但是，cProfile（以及迄今为止我见过的大多数其他 Python 分析器）似乎只在函数调用级别进行分析。当从不同的地方调用某些函数时，这会导致混淆——我不知道调用 #1 还是调用 #2 占用了大部分时间。当所讨论的函数有六层深，从其他七个地方调用时，情况会变得更糟。

如何获得逐行分析？

而不是这个：

function #12, total time: 2.0s

我想看到这样的东西：

function #12 (called from somefile.py:102) 0.5s
function #12 (called from main.py:12) 1.5s

cProfile 确实显示了有多少总时间“转移”到了父级，但是当你有一堆层和互连的调用时，这个连接再次丢失。

理想情况下，我希望有一个可以解析数据的 GUI，然后向我展示我的源文件，并为每一行提供总时间。像这样的东西：

main.py:

a = 1 # 0.0s
result = func(a) # 0.4s
c = 1000 # 0.0s
result = func(c) # 5.0s

然后我就可以单击第二个“func(c)”调用来查看该调用中占用时间的内容，与“func(a)”调用分开。那有意义吗？

4

5 回答 5

134

我相信这就是Robert Kern 的 line_profiler的用途。从链接：

File: pystone.py
Function: Proc2 at line 149
Total time: 0.606656 s

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
   149                                           @profile
   150                                           def Proc2(IntParIO):
   151     50000        82003      1.6     13.5      IntLoc = IntParIO + 10
   152     50000        63162      1.3     10.4      while 1:
   153     50000        69065      1.4     11.4          if Char1Glob == 'A':
   154     50000        66354      1.3     10.9              IntLoc = IntLoc - 1
   155     50000        67263      1.3     11.1              IntParIO = IntLoc - IntGlob
   156     50000        65494      1.3     10.8              EnumLoc = Ident1
   157     50000        68001      1.4     11.2          if EnumLoc == Ident1:
   158     50000        63739      1.3     10.5              break
   159     50000        61575      1.2     10.1      return IntParIO
于 2010-10-13T20:19:45.917 回答
62

您也可以使用pprofile ( pypi )。如果要对整个执行进行概要分析，则不需要修改源代码。您还可以通过两种方式分析较大程序的子集：

  • 到达代码中的特定点时切换分析，例如：

    import pprofile
profiler = pprofile.Profile()
with profiler:
    some_code
# Process profile content: generate a cachegrind file and send it to user.

# You can also write the result to the console:
profiler.print_stats()

# Or to a file:
profiler.dump_stats("/tmp/profiler_stats.txt")

  • 通过使用统计分析从调用堆栈异步切换分析（需要一种在考虑的应用程序中触发此代码的方法，例如信号处理程序或可用的工作线程）：

    import pprofile
profiler = pprofile.StatisticalProfile()
statistical_profiler_thread = pprofile.StatisticalThread(
    profiler=profiler,
)
with statistical_profiler_thread:
    sleep(n)
# Likewise, process profile content

代码注释输出格式很像 line profiler：

$ pprofile --threads 0 demo/threads.py
Command line: ['demo/threads.py']
Total duration: 1.00573s
File: demo/threads.py
File duration: 1.00168s (99.60%)
Line #|      Hits|         Time| Time per hit|      %|Source code
------+----------+-------------+-------------+-------+-----------
     1|         2|  3.21865e-05|  1.60933e-05|  0.00%|import threading
     2|         1|  5.96046e-06|  5.96046e-06|  0.00%|import time
     3|         0|            0|            0|  0.00%|
     4|         2|   1.5974e-05|  7.98702e-06|  0.00%|def func():
     5|         1|      1.00111|      1.00111| 99.54%|  time.sleep(1)
     6|         0|            0|            0|  0.00%|
     7|         2|  2.00272e-05|  1.00136e-05|  0.00%|def func2():
     8|         1|  1.69277e-05|  1.69277e-05|  0.00%|  pass
     9|         0|            0|            0|  0.00%|
    10|         1|  1.81198e-05|  1.81198e-05|  0.00%|t1 = threading.Thread(target=func)
(call)|         1|  0.000610828|  0.000610828|  0.06%|# /usr/lib/python2.7/threading.py:436 __init__
    11|         1|  1.52588e-05|  1.52588e-05|  0.00%|t2 = threading.Thread(target=func)
(call)|         1|  0.000438929|  0.000438929|  0.04%|# /usr/lib/python2.7/threading.py:436 __init__
    12|         1|  4.79221e-05|  4.79221e-05|  0.00%|t1.start()
(call)|         1|  0.000843048|  0.000843048|  0.08%|# /usr/lib/python2.7/threading.py:485 start
    13|         1|  6.48499e-05|  6.48499e-05|  0.01%|t2.start()
(call)|         1|   0.00115609|   0.00115609|  0.11%|# /usr/lib/python2.7/threading.py:485 start
    14|         1|  0.000205994|  0.000205994|  0.02%|(func(), func2())
(call)|         1|      1.00112|      1.00112| 99.54%|# demo/threads.py:4 func
(call)|         1|  3.09944e-05|  3.09944e-05|  0.00%|# demo/threads.py:7 func2
    15|         1|  7.62939e-05|  7.62939e-05|  0.01%|t1.join()
(call)|         1|  0.000423908|  0.000423908|  0.04%|# /usr/lib/python2.7/threading.py:653 join
    16|         1|  5.26905e-05|  5.26905e-05|  0.01%|t2.join()
(call)|         1|  0.000320196|  0.000320196|  0.03%|# /usr/lib/python2.7/threading.py:653 join

请注意，因为 pprofile 不依赖于代码修改，它可以分析顶级模块语句，允许分析程序启动时间（导入模块、初始化全局变量等需要多长时间）。

它可以生成 cachegrind 格式的输出，因此您可以使用kcachegrind轻松浏览大型结果。

披露：我是 pprofile 作者。

于 2015-02-02T08:10:29.080 回答
12

只是为了改进@Joe Kington 的上述答案。

对于Python 3.x，使用line_profiler：

安装：

pip install line_profiler

用法：

假设您有程序main.py及其内部的功能fun_a()，fun_b()并且您希望根据时间进行分析；您将需要@profile在函数定义之前使用装饰器。例如，

@profile
def fun_a():
    #do something

@profile
def fun_b():
    #do something more

if __name__ == '__main__':
    fun_a()
    fun_b()

可以通过执行 shell 命令来分析程序：

$ kernprof -l -v main.py

可以使用获取参数$ kernprof -h

Usage: kernprof [-s setupfile] [-o output_file_path] scriptfile [arg] ...

Options:
  --version             show program's version number and exit
  -h, --help            show this help message and exit
  -l, --line-by-line    Use the line-by-line profiler from the line_profiler
                        module instead of Profile. Implies --builtin.
  -b, --builtin         Put 'profile' in the builtins. Use 'profile.enable()'
                        and 'profile.disable()' in your code to turn it on and
                        off, or '@profile' to decorate a single function, or
                        'with profile:' to profile a single section of code.
  -o OUTFILE, --outfile=OUTFILE
                        Save stats to <outfile>
  -s SETUP, --setup=SETUP
                        Code to execute before the code to profile
  -v, --view            View the results of the profile in addition to saving
                        it.

结果将在控制台上打印为：

Total time: 17.6699 s
File: main.py
Function: fun_a at line 5

Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
    5                                           @profile
    6                                           def fun_a():
...

编辑：分析器的结果可以使用TAMPPA包进行解析。使用它，我们可以获得逐行所需的图 阴谋

于 2020-06-15T07:02:09.630 回答
8

您可以为此使用line_profiler包

1.第一次安装包： 

    pip install line_profiler

2.使用magic命令将包加载到你的python/notebook环境

    %load_ext line_profiler

3. 如果要分析函数的代码，
请执行以下操作：

    %lprun -f demo_func demo_func(arg1, arg2)

如果您按照以下步骤操作，您将获得包含所有详细信息的格式化输出：)

Line #      Hits      Time    Per Hit   % Time  Line Contents
 1                                           def demo_func(a,b):
 2         1        248.0    248.0     64.8      print(a+b)
 3         1         40.0     40.0     10.4      print(a)
 4         1         94.0     94.0     24.5      print(a*b)
 5         1          1.0      1.0      0.3      return a/b
于 2019-06-28T06:03:40.333 回答
1

PyVmMonitor 有一个实时视图，可以帮助您（您可以连接到正在运行的程序并从中获取统计信息）。

见： http: //www.pyvmmonitor.com/

于 2015-04-28T23:12:07.343 回答