python標準庫提供兩個代碼性能分析相關的模塊，即timeit和cProfile/profile。前者更適合測試簡短的代碼片段，后者則可分析代碼片段乃至整體模塊中各個函數的調用次數、運行耗時等信息。

cProfile是profile的C版本，開銷更小。基于cProfile模塊，可方便地評估程序性能瓶頸(bottleneck)，借以發現程序中值得優化的短板。

根據粒度不同，可將cProfile使用場景分為三類。

1.1分析單條語句

importcProfile,pstats,re,cStringIO

cProfile.run('re.compile("foo|bar")','prfRes')#將cProfile的結果寫入prfRes文件

p=pstats.Stats('prfRes')#pstats讀取cProfile輸出結果

#strip_dirs()剝除模塊名的無關路徑(如C:\Python27\lib\)

#sort_stats('cumtime')或sort_stats('cumulative')按照cumtime對打印項排序

#print_stats(n)打印輸出前10行統計項(不指定n則打印所有項)

p.strip_dirs().sort_stats('cumtime').print_stats(5)

pstats模塊可用多種方式對cProfile性能分析結果進行排序并輸出。運行結果如下：

TueMay2413:56:072016prfRes

195functioncalls(190primitivecalls)in0.001seconds

Orderedby:cumulativetime

Listreducedfrom33to5duetorestriction<5>

ncallstottimepercallcumtimepercallfilename:lineno(function)

10.0000.0000.0010.001:1()

10.0000.0000.0010.001re.py:192(compile)

10.0000.0000.0010.001re.py:230(_compile)

10.0000.0000.0010.001sre_compile.py:567(compile)

10.0000.0000.0000.000sre_compile.py:552(_code)

其中，tottime表示某函數的總計運行時間(不含該函數內調用的子函數運行時間)，cumtime表示某函數及其調用的子函數的累積運行時間。

1.2分析代碼片段

pr=cProfile.Profile()

pr.enable()#以下為待分析代碼段

regMatch=re.match('^([^/]*)/(/|\*)+(.*)$','//*suspicious')

printregMatch.groups()

pr.disable()#以上為待分析代碼段

s=cStringIO.StringIO()

pstats.Stats(pr,stream=s).sort_stats('cumulative').print_stats(10)

prints.getvalue()

運行結果如下：

('','*','suspicious')

536functioncalls(512primitivecalls)in0.011seconds

Orderedby:cumulativetime

Listreducedfrom78to10duetorestriction<10>

ncallstottimepercallcumtimepercallfilename:lineno(function)

20.0000.0000.0090.005C:\Python27\lib\idlelib\PyShell.py:1343(write)

20.0000.0000.0090.005C:\Python27\lib\idlelib\rpc.py:591(__call__)

20.0000.0000.0090.005C:\Python27\lib\idlelib\rpc.py:208(remotecall)

20.0000.0000.0090.004C:\Python27\lib\idlelib\rpc.py:238(asyncreturn)

20.0000.0000.0090.004C:\Python27\lib\idlelib\rpc.py:279(getresponse)

20.0000.0000.0090.004C:\Python27\lib\idlelib\rpc.py:295(_getresponse)

20.0000.0000.0090.004C:\Python27\lib\threading.py:309(wait)

80.0090.0010.0090.001{method'acquire'of'thread.lock'objects}

10.0000.0000.0020.002C:\Python27\lib\re.py:138(match)

10.0000.0000.0020.002C:\Python27\lib\re.py:230(_compile)

1.3分析整個模塊

使用命令行，調用cProfile腳本分析其他腳本文件。命令格式為：

python-mcProfile[-ooutput_file][-ssort_order]myscript.py

注意，-o和-s選項不可同時使用。

以C代碼統計工具為例，運行如下命令：

E:\PyTest>python-mcProfile-stottimeCLineCounter.pysource-d-b>out.txt

截取out.txt文件部分內容如下：

250316245433620.25xtm_mgr.c

1408729374932093169380.26

762068functioncalls(762004primitivecalls)in2.967seconds

Orderedby:internaltime

ncallstottimepercallcumtimepercallfilename:lineno(function)

820.9850.0122.8690.035CLineCounter.py:11(CalcLines)

1176400.6120.0001.3150.000re.py:138(match)

1176500.3810.0000.3810.000{method'match'of'_sre.SRE_Pattern'objects}

1176550.3190.0000.3240.000re.py:230(_compile)

1380500.1980.0000.1980.000{method'isspace'of'str'objects}

1058230.1650.0000.1650.000{method'strip'of'str'objects}

123156/1231410.1540.0000.1540.000{len}

378870.0550.0000.0550.000{method'group'of'_sre.SRE_Match'objects}

820.0410.0000.0410.000{method'readlines'of'file'objects}

820.0160.0000.0160.000{open}

10.0040.0042.9502.950CLineCounter.py:154(CountDir)

由tottime可見，此處的性能瓶頸在于CalcLines()函數和其中的正則表達式處理。而isspace()和strip()方法及len()函數因調用次數較多，總的耗時也頗為可觀。

作為對比，以下給出一種未使用正則表達式的統計實現：

defCalcLines(line,isBlockComment):

lineType,lineLen=0,len(line)

line=line+'\n'#添加一個字符防止iChar+1時越界

iChar,isLineComment=0,False

whileiChar

#行結束符(Windows:\r\n;Mac:\r;Unix:\n)

ifline[iChar]=='\r'orline[iChar]=='\n':

break

elifline[iChar]==''orline[iChar]=='\t':#空白字符

iChar+=1;continue

elifline[iChar]=='/'andline[iChar+1]=='/':#行注釋

isLineComment=True

lineType|=2;iChar+=1#跳過'/'

elifline[iChar]=='/'andline[iChar+1]=='*':#塊注釋開始符

isBlockComment[0]=True

lineType|=2;iChar+=1

elifline[iChar]=='*'andline[iChar+1]=='/':#塊注釋結束符

isBlockComment[0]=False

lineType|=2;iChar+=1

else:

ifisLineCommentorisBlockComment[0]:

lineType|=2

else:

lineType|=1

iChar+=1

returnlineType#Bitmap：0空行，1代碼，2注釋，3代碼和注釋

在CalcLines()函數中。參數line為當前文件行字符串，參數isBlockComment指示當前行是否位于塊注釋內。該函數直接分析句法，而非模式匹配。注意，行結束符可能因操作系統而異，因此應區分CR(回車)和LF(換行)符。此外，也可在讀取文件時采用"rU"(即通用換行模式)，該模式會將行結束符\r\n和\r替換為\n。

基于新的CalcLines()函數，CountFileLines()函數需作如下修改：

defCountFileLines(filePath,isRawReport=True,isShortName=False):

fileExt=os.path.splitext(filePath)

iffileExt[1]!='.c'andfileExt[1]!='.h':

return

isBlockComment=[False]#或定義為全局變量，以保存上次值

lineCountInfo=[0]*4#[代碼總行數,代碼行數,注釋行數,空白行數]

withopen(filePath,'r')asfile:

forlineinfile:

lineType=CalcLines(line,isBlockComment)

lineCountInfo[0]+=1

iflineType==0:lineCountInfo[3]+=1

eliflineType==1:lineCountInfo[1]+=1

eliflineType==2:lineCountInfo[2]+=1

eliflineType==3:lineCountInfo[1]+=1;lineCountInfo[2]+=1

else:

assertFalse,'UnexpectedlineType:%d(0~3)!'%lineType

ifisRawReport:

globalrawCountInfo

rawCountInfo[:-1]=[x+yforx,yinzip(rawCountInfo[:-1],lineCountInfo)]

rawCountInfo[-1]+=1

elifisShortName:

detailCountInfo.append([os.path.basename(filePath),lineCountInfo])

else:

detailCountInfo.append([filePath,lineCountInfo])

將這種統計實現命名為BCLineCounter.py。通過cProfile命令分析其性能，截取out.txt文件部分內容如下：

250316245433620.25xtm_mgr.c

1408729373632106169380.26

286013functioncalls(285979primitivecalls)in3.926seconds

Orderedby:internaltime

ncallstottimepercallcumtimepercallfilename:lineno(function)

1408723.3340.0003.4750.000BCLineCounter.py:15(CalcLines)

830.4090.0053.9030.047BCLineCounter.py:45(CountFileLines)

141593/1415850.1420.0000.1420.000{len}

820.0140.0000.0140.000{open}

10.0040.0040.0040.004collections.py:1()

4160.0030.0000.0040.000ntpath.py:96(splitdrive)

840.0020.0000.0020.000{nt._isdir}

10.0020.0020.0070.007argparse.py:62()

10.0020.0023.9263.926BCLineCounter.py:6()

可見，性能并不如CLineCounter.py。因此，使用標準庫(如re)提供的函數或方法，不失為明智的選擇。

此外，對比BCLineCounter.py和CLineCounter.py的詳細行數報告可知，兩者的統計結果存在細微差異(正負誤差不超過5行)。差異主要體現在有效代碼行和純注釋行統計上，因為總行數和空白行數通常不會出現統計誤差。那么，哪種實現更可靠呢?

作者首先想到挑選存在統計差異的文件，人工或半人工地刪除純注釋行和空白行，從而得到精確的有效代碼行數。之所以不編寫腳本自動刪除上述類型的文件行，是因為作者對于注釋行的解析已經存在誤差，無法作為基準參考。

C語言預處理器可剔除代碼注釋，但同時也會剔除#if0...#endif之類的無效語句，不滿足要求。于是，作者用UEStudio打開源文件，進入【搜索(Search)】|【替換(Replace)】頁，選擇Unix正則表達式引擎，用^\s*/\*.*\*/匹配單行注釋(/*abc*/)并替換為空字符，用^\s*//.*$匹配單行注釋(//abc)并替換為空字符。然后，查找并手工刪除跨行注釋及其他未匹配到的單行注釋。最后，選擇UltraEdit正則表達式引擎，用%[^t]++^p匹配空行并替換為空字符，即可刪除所有空行。注意，UEStudio幫助中提供的正則表達式^p$一次只能刪除一個空行。

按上述方式處理兩個大型文件后，初步發現BCLineCounter.py關于有效代碼行數的統計是正確的。然而，這種半人工處理方式太過低效，因此作者想到讓兩個腳本處理相同的文件，并輸出有效代碼行或純注釋行的內容，將其通過AraxisMerge對比。該工具會高亮差異行，且人工檢查很容易鑒別正誤。此處，作者假定對于給定文件的給定類型行數，BCLineCounter.py和CLineCounter.py必有一者統計正確(可作基準)。當然，也有可能兩者均有誤差。因此，若求保險，也可同時輸出類型和行內容，再行對比。

綜合檢查結果發現，BCLineCounter.py較CLineCounter.py更為健壯。這是因為，模式匹配需要處理的場景繁多，極易疏漏。例如，CLineCounter.py無法正確處理下面的代碼片段：

voidtest(){

/*/multiline,

comment*/

inta=1/2;//comment

//*Assignavalue

}

讀者若有興趣，可修改和調試CLineCounter.py里的正則表達式，使該腳本高效而健壯。

以上內容為大家介紹了Python性能分析，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。

上一篇

Python之推導式

下一篇

Python靜態方法，類方法的使用區別