【51CTO.com快译】通常，人们会使用两种速度来衡量某种编程语言的优劣，即：开发速度和执行速度。对于Python而言，大家往往受益的是它能够快速地编写代码，而忽略了它是否能够快速地运行，并及时完成既定的任务。因此，在出现程序运行缓慢时，我们有必要从代码层面上，找出拖慢的位置和原因，并对其进行处理。
好消息是，Python提供了许多不同用途的软件库，可方便我们对应用代码进行分析，并找出导致缓慢运行的部分。它们中，有的是只带有标准库的单行工具，有的是可以从运行程序中收集到统计信息的复杂框架。下面，我将向您介绍其中五个可以在PyPI或Python标准库中轻松获得，且能够跨平台运行的软件库。
1.Time和Timeit
有时候，您可能只想分析两个代码段从前一个结束到下一个开始运行，是需要几秒钟还是几分钟。对于这样的需求，您可能只需要一个秒表就足够了。
Python标准库带有两个可用作秒表的功能函数。其中，Time模块具有perf_counter功能。它可以调用操作系统的高精度定时器，以按需获得时间戳。其基本原理是：我们可以在目标操作开始前，调用一次time.perf_counter，然后在操作完成时，再调用一次，以获得两次的时间差。显然，这是一种非常简便易行的时间获取方式。
而Timeit模块则是会对Python代码进行实质性的审查。它的timeit.timeit功能函数会截取一个代码段，通过运行多次(默认为1百万次)，以获得执行该操作所需的平均时间。我们经常可以用它来确定在某个紧密的循环中，单一操作或函数的调用时长。例如，如果您想判定一个列表解析式(list comprehension)与一个常规列表结构，哪个在执行多次操作时会更快一些(列表解析式通常更快)。
当然，Time的不足之处在于它只是一个秒表，而Timeit的不足之处在于：其主要用例是各个行或代码块上的各个细微标准差(microbenchmarks)。也就是说，仅当这些代码被单独处理时，这种比较才会有意义。因此，这两种方法都不足以对整个程序进行分析。一旦出现数千行的代码，这两种方法都会耗费您大量的时间。
2.cProfile
Python标准库还带有一个整体程序分析器--cProfile。在程序运行时，cProfile会通过跟踪代码中的每个函数的调用，以生成一个包含了最常调用函数、以及平均调用时间的列表。
cProfile具有三大优势：
- 由于它被包含在标准库中，因此现有的Python安装包已经包含了cProfile。
- 它可以分析有关调用行为的许多不同统计信息。例如：它能够将函数调用自己的指令所花费的时间，与该函数所有的其他调用耗时区分开来。据此，您可以判定出到底是该函数本身运行缓慢，还是在其他调用时出现的缓慢。
- 可以实现限定条件的自定义。也就是说，您既可以对整个程序的运行进行采样，又可以仅在指定的函数运行时启用概要分析(toggle profiling)。通过缩小范围和去除分析时产生的“噪声”，您可以更好地关注该函数的功能与调用。
cProfile的不足之处有：
- 默认情况下，它会设置多个采集点，生成大量的统计信息。
- 根据其执行模型，它在捕获每个函数调用时，都会产生大量的流量。因此cProfile不适合通过实时数据的方式，对生产环境中的应用程序进行性能分析。也就是说，它更适合于针对开发过程中的性能分析。
3.Pyinstrument
与cProfile的工作方式类似，Pyinstrument能够通过跟踪目标程序，以报告的形式，反映出那些占用了大部分运行时间的代码。不过，与cProfile相比，Pyinstrument的优点主要体现在如下两个方面：
- Pyinstrument不会去勾连(hook)函数调用的每个实例，而是会以毫秒为间隔，对程序的调用栈进行采样，因此它能够灵敏地检测出程序中最耗费运行时的部分。
- Pyinstrument的报告要简洁得多。它能够通过突出显示程序中占用时间最多的函数，以便您能尽快地发现问题，并专注分析原因。
Pyinstrument同样具有cProfile的各种优点。您可以将它用作应用程序中的对象，来记录所选功能，而不是整个程序的行为。Pyinstrument提供包括HTML格式在内的多种输出形式。当然，您也可以按需查看各个调用的完整时间线。
此外，如下两个方面值得您的注意：
- 某些通过C编译的扩展程序(例如使用Cython创建的程序)，会在通过命令行进行Pyinstrument调用时，可能无法正常工作。不过，如果您在程序本身使用了Pyinstrument，例如：通过使用Pyinstrument分析器的调用包装了main()函数，那么它们还是能够正常工作的。
- Pyinstrument不能很好地处理在多个线程中运行的代码。此时，您可能需要考虑使用下面将要介绍到的Py-spy。
4.Py-spy
与Pyinstrument一样，Py-spy在工作原理上，也是定期采集程序调用栈的状态，而不是记录每一个调用。不过，与PyInstrument不同，Py-spy带有用Rust编写的核心组件(而Pyinstrument使用的是C扩展程序)，运行的是带有分析程序的外进程(out-of-process)，因此它可以安全地与生产环境中的代码协同使用。
Py-spy能够轻松地完成许多其他分析工具无法实现的任务，其中包括：分析多线程或带有子处理(subprocessed)机制的Python程序等。此外，Py-spy也可以分析那些使用符号进行过编译的C扩展程序。而对于使用了Cython编译的扩展程序，Py-spy需要使用对应生成的C文件，以便收集正确的跟踪信息。
我们可以使用如下两种基本方法，来利用Py-spy检查应用程序：
- 使用Py-spy的record命令，并在运行结束后会生成火焰图(flame graph)。
- 使用Py-spy的top命令，通过实时更新，交互式地显示Python应用程序的内部，并以与Unix的top工具相同的方式显示信息。而且那些单线程栈也可以通过命令行被显示出来。
不过，Py-spy的最大缺点之一是：它主要适用于从外部分析整个程序、或是某些组件，不适合对某个特定的功能函数进行采样。
5.Yappi
Yappi是Yet Another Python Profiler(“另一个Python分析工具”)的缩写。它在功能上，较上述讨论过的工具库只多不少。在默认情况下，PyCharm(译者注：一款为专业Python 开发人员准备的IDE)会已安装了Yappi，因此用户在IDE中已经具有了对于Yappi的内置访问权限。
要使用Yappi，您需要用指令来“修饰”目标代码，以便针对分析机制进行调用，启动，停止和生成报告。Yappi允许您根据测试的实际需求，在“经过时间(wall time)”或“CPU时间”之间进行选择。前者只是一个秒表;后者则可以通过系统原生API，记录下CPU在实际执行代码过程中的用时，以便调整I/O的暂停或线程的休眠。可见，CPU时间能够方便您更加精确地了解某些操作(例如：数字代码的执行)的实际用时。
通过Yappi提供的函数--yappi.get_thread_stats()，您可以记录任何一个线程活动，检索出对应的统计信息，并分别对其进行分析。您不但无需“修饰”线程代码，而且可以对统计数据进行过滤和细粒度的排序(类似于cProfile中的此类操作)。
此外，Yappi的独到之处在于，它可以分析greenlet和coroutine(协程)。作为一种分析并发代码的强大工具，它可以被广泛地用来分析异步metaphor。
原文标题：5 great libraries for profiling Python code，作者：Serdar Yegulalp
【51CTO译稿，合作站点转载请注明原文译者和出处为51CTO.com】
