本文讲解 Python 性能剖析工具包括 cProfile、line_profiler、py-spy、memory_profiler、tracemalloc并给出优化案例。正文1. 性能剖析思路先测量再优化。找到瓶颈CPU、内存、IO、锁。避免过早优化。2. cProfilebash复制下载python -m cProfile -s cumtime script.py代码中python复制下载import cProfile cProfile.run(main(), sortcumtime)输出字段ncalls调用次数。tottime函数自身耗时。cumtime累计耗时。3. pstats 分析python复制下载import cProfile, pstats cProfile.run(main(), profile.out) p pstats.Stats(profile.out) p.sort_stats(cumtime).print_stats(20)4. line_profiler逐行分析bash复制下载pip install line_profilerpython复制下载profile def slow_func(): total 0 for i in range(1000000): total i return totalbash复制下载kernprof -l -v script.py5. py-spy无需修改代码采样分析bash复制下载pip install py-spy py-spy top --pid 12345 py-spy record -o profile.svg --pid 12345生成火焰图适合生产环境。6. memory_profilerbash复制下载pip install memory_profilerpython复制下载from memory_profiler import profile profile def use_memory(): a [i for i in range(1000000)] return abash复制下载python -m memory_profiler script.py7. tracemallocpython复制下载import tracemalloc tracemalloc.start() # 执行代码 snapshot tracemalloc.take_snapshot() for stat in snapshot.statistics(lineno)[:10]: print(stat)8. 实战接口慢查询某接口 2 秒cProfile 发现 80% 时间在数据库查询。优化加索引。批量查询替代循环。缓存热点数据。耗时降到 200ms。9. 常见瓶颈循环中查询数据库。大量字符串拼接。未使用向量化。频繁创建对象。序列化开销。10. 优化手段算法优化。缓存。向量化NumPy、Pandas。异步 IO。多进程。Cython、Numba。11. 常见坑只测一次结果不稳定。忽略 IO 等待。优化后未回归测试。过早优化。12. 总结性能剖析要数据驱动。cProfile 找函数瓶颈line_profiler 找行瓶颈py-spy 看生产memory_profiler 查内存。
