155 lines
4.8 KiB
ReStructuredText
155 lines
4.8 KiB
ReStructuredText
==============================
|
||
14.13 给你的程序做性能测试
|
||
==============================
|
||
|
||
----------
|
||
问题
|
||
----------
|
||
|
||
你想测试你的程序运行所花费的时间并做性能测试。
|
||
|
||
----------
|
||
解决方案
|
||
----------
|
||
如果你只是简单的想测试下你的程序整体花费的时间，
|
||
通常使用Unix时间函数就行了，比如：
|
||
|
||
::
|
||
|
||
bash % time python3 someprogram.py
|
||
real 0m13.937s
|
||
user 0m12.162s
|
||
sys 0m0.098s
|
||
bash %
|
||
|
||
如果你还需要一个程序各个细节的详细报告，可以使用 ``cProfile`` 模块：
|
||
|
||
::
|
||
|
||
bash % python3 -m cProfile someprogram.py
|
||
859647 function calls in 16.016 CPU seconds
|
||
|
||
Ordered by: standard name
|
||
|
||
ncalls tottime percall cumtime percall filename:lineno(function)
|
||
263169 0.080 0.000 0.080 0.000 someprogram.py:16(frange)
|
||
513 0.001 0.000 0.002 0.000 someprogram.py:30(generate_mandel)
|
||
262656 0.194 0.000 15.295 0.000 someprogram.py:32(<genexpr>)
|
||
1 0.036 0.036 16.077 16.077 someprogram.py:4(<module>)
|
||
262144 15.021 0.000 15.021 0.000 someprogram.py:4(in_mandelbrot)
|
||
1 0.000 0.000 0.000 0.000 os.py:746(urandom)
|
||
1 0.000 0.000 0.000 0.000 png.py:1056(_readable)
|
||
1 0.000 0.000 0.000 0.000 png.py:1073(Reader)
|
||
1 0.227 0.227 0.438 0.438 png.py:163(<module>)
|
||
512 0.010 0.000 0.010 0.000 png.py:200(group)
|
||
...
|
||
bash %
|
||
|
||
不过通常情况是介于这两个极端之间。比如你已经知道代码运行时在少数几个函数中花费了绝大部分时间。
|
||
对于这些函数的性能测试，可以使用一个简单的装饰器：
|
||
|
||
.. code-block:: python
|
||
|
||
# timethis.py
|
||
|
||
import time
|
||
from functools import wraps
|
||
|
||
def timethis(func):
|
||
@wraps(func)
|
||
def wrapper(*args, **kwargs):
|
||
start = time.perf_counter()
|
||
r = func(*args, **kwargs)
|
||
end = time.perf_counter()
|
||
print('{}.{} : {}'.format(func.__module__, func.__name__, end - start))
|
||
return r
|
||
return wrapper
|
||
|
||
要使用这个装饰器，只需要将其放置在你要进行性能测试的函数定义前即可，比如：
|
||
|
||
::
|
||
|
||
>>> @timethis
|
||
... def countdown(n):
|
||
... while n > 0:
|
||
... n -= 1
|
||
...
|
||
>>> countdown(10000000)
|
||
__main__.countdown : 0.803001880645752
|
||
>>>
|
||
|
||
要测试某个代码块运行时间，你可以定义一个上下文管理器，例如：
|
||
|
||
.. code-block:: python
|
||
|
||
from contextlib import contextmanager
|
||
|
||
@contextmanager
|
||
def timeblock(label):
|
||
start = time.perf_counter()
|
||
try:
|
||
yield
|
||
finally:
|
||
end = time.perf_counter()
|
||
print('{} : {}'.format(label, end - start))
|
||
|
||
下面是使用这个上下文管理器的例子：
|
||
|
||
::
|
||
|
||
>>> with timeblock('counting'):
|
||
... n = 10000000
|
||
... while n > 0:
|
||
... n -= 1
|
||
...
|
||
counting : 1.5551159381866455
|
||
>>>
|
||
|
||
对于测试很小的代码片段运行性能，使用 ``timeit`` 模块会很方便，例如：
|
||
|
||
::
|
||
|
||
>>> from timeit import timeit
|
||
>>> timeit('math.sqrt(2)', 'import math')
|
||
0.1432319980012835
|
||
>>> timeit('sqrt(2)', 'from math import sqrt')
|
||
0.10836604500218527
|
||
>>>
|
||
|
||
``timeit`` 会执行第一个参数中语句100万次并计算运行时间。
|
||
第二个参数是运行测试之前配置环境。如果你想改变循环执行次数，
|
||
可以像下面这样设置 ``number`` 参数的值：
|
||
|
||
::
|
||
|
||
>>> timeit('math.sqrt(2)', 'import math', number=10000000)
|
||
1.434852126003534
|
||
>>> timeit('sqrt(2)', 'from math import sqrt', number=10000000)
|
||
1.0270336690009572
|
||
>>>
|
||
|
||
----------
|
||
讨论
|
||
----------
|
||
当执行性能测试的时候，需要注意的是你获取的结果都是近似值。
|
||
``time.perf_counter()`` 函数会在给定平台上获取最高精度的计时值。
|
||
不过，它仍然还是基于时钟时间，很多因素会影响到它的精确度，比如机器负载。
|
||
如果你对于执行时间更感兴趣，使用 ``time.process_time()`` 来代替它。例如：
|
||
|
||
.. code-block:: python
|
||
|
||
from functools import wraps
|
||
def timethis(func):
|
||
@wraps(func)
|
||
def wrapper(*args, **kwargs):
|
||
start = time.process_time()
|
||
r = func(*args, **kwargs)
|
||
end = time.process_time()
|
||
print('{}.{} : {}'.format(func.__module__, func.__name__, end - start))
|
||
return r
|
||
return wrapper
|
||
|
||
最后，如果你想进行更深入的性能分析，那么你需要详细阅读 ``time`` 、``timeit`` 和其他相关模块的文档。
|
||
这样你可以理解和平台相关的差异以及一些其他陷阱。
|
||
还可以参考13.13小节中相关的一个创建计时器类的例子。
|