4. 性能度量与基准测试：时间复杂度和空间复杂度分析、使用 timeit 和 cProfile 进行基准测试、建立性能基线

性能调优的第一步不是盲目优化代码，而是建立可重复、可量化的度量体系。对于大规模合同版本比对场景，差异检测算法的时间开销和内存占用直接决定了系统能否在生产环境中处理数千份合同。本章将系统讲解复杂度分析理论、Python 基准测试工具链以及性能基线的建立方法。

4.1 时间复杂度与空间复杂度分析

在合同版本比对中，常见的算法操作包括：文本分块、哈希计算、最长公共子序列（LCS）查找、差异合并等。理解这些操作的复杂度是选择优化策略的前提。

4.2 使用 timeit 进行微基准测试

timeit 是 Python 标准库中用于精确测量小段代码执行时间的工具。它通过多次执行代码并取最小值来消除系统噪声，非常适合对合同比对中的关键函数进行微基准测试。

4.2.1 基本用法

import timeit

# 测试哈希分块函数的执行时间
setup_code = """
from contract_diff import hash_chunk
contract_a = "甲方：北京科技有限公司\\n乙方：上海数据服务有限公司\\n..."
"""

test_code = """
hash_chunk(contract_a, chunk_size=64)
"""

# 执行 1000 次，取最优时间
execution_time = timeit.timeit(stmt=test_code, setup=setup_code, number=1000)
print(f"哈希分块函数平均执行时间: {execution_time / 1000:.6f} 秒")

4.2.2 命令行模式

对于快速测试，可以直接在命令行中使用 timeit 模块：

python -m timeit -n 100 -r 5 -s "from contract_diff import hash_chunk; text='A'*10000" "hash_chunk(text, 64)"

4.3 使用 cProfile 进行性能剖析

当需要分析整个合同比对流程的性能瓶颈时，cProfile 是更合适的选择。它能记录每个函数的调用次数、总耗时和累计耗时，帮助定位热点函数。

4.3.1 基本使用

import cProfile
import pstats

def compare_contracts(file_a, file_b):
    """执行完整的合同版本比对流程"""
    chunks_a = split_into_chunks(file_a)
    chunks_b = split_into_chunks(file_b)
    hash_map_a = build_hash_map(chunks_a)
    hash_map_b = build_hash_map(chunks_b)
    diffs = find_differences(hash_map_a, hash_map_b)
    return merge_diffs(diffs)

# 启动性能剖析
profiler = cProfile.Profile()
profiler.enable()

result = compare_contracts("contract_v1.txt", "contract_v2.txt")

profiler.disable()

# 保存统计结果
profiler.dump_stats("contract_diff_profile.prof")

# 分析结果
stats = pstats.Stats("contract_diff_profile.prof")
stats.sort_stats("cumtime")  # 按累计耗时排序
stats.print_stats(20)        # 输出前 20 个最耗时的函数

4.3.2 关键指标解读

4.4 建立性能基线

性能基线是衡量优化效果的基准参照。在合同版本比对系统中，建议建立以下三个维度的基线：

4.4.1 基线指标定义

4.4.2 基线脚本模板

import timeit
import cProfile
import pstats
import tracemalloc
import json
from datetime import datetime

class PerformanceBaseline:
    """合同比对性能基线管理"""
    
    def __init__(self, baseline_file="baseline.json"):
        self.baseline_file = baseline_file
        self.results = {}
    
    def measure_time(self, func, args=(), kwargs={}, number=100):
        """测量函数执行时间"""
        stmt = f"func(*{args}, **{kwargs})"
        setup = f"from __main__ import func"
        times = timeit.repeat(stmt, setup, number=number, repeat=5)
        return {
            "min": min(times) / number,
            "avg": sum(times) / len(times) / number,
            "max": max(times) / number,
            "std": (sum((t - sum(times)/len(times))**2 for t in times) / len(times))**0.5 / number
        }
    
    def measure_memory(self, func, args=(), kwargs={}):
        """测量峰值内存占用"""
        tracemalloc.start()
        result = func(*args, **kwargs)
        current, peak = tracemalloc.get_traced_memory()
        tracemalloc.stop()
        return {"current_mb": current / 1024 / 1024, "peak_mb": peak / 1024 / 1024}
    
    def save_baseline(self, label, time_metrics, memory_metrics):
        """保存基线数据"""
        entry = {
            "timestamp": datetime.now().isoformat(),
            "label": label,
            "time": time_metrics,
            "memory": memory_metrics
        }
        self.results[label] = entry
        with open(self.baseline_file, "w") as f:
            json.dump(self.results, f, indent=2)
        print(f"基线已保存: {label}")
    
    def compare_with_baseline(self, label, new_metrics, threshold=0.1):
        """与历史基线对比，检测性能退化"""
        if label not in self.results:
            print(f"未找到基线: {label}")
            return
        baseline = self.results[label]["time"]["avg"]
        current = new_metrics["avg"]
        change = (current - baseline) / baseline
        if change > threshold:
            print(f"⚠️ 性能退化 {change*100:.1f}%: {label}")
        elif change < -threshold:
            print(f"✅ 性能提升 {abs(change)*100:.1f}%: {label}")
        else:
            print(f"✓ 性能稳定 ({change*100:.1f}%): {label}")

# 使用示例
baseline = PerformanceBaseline()
time_metrics = baseline.measure_time(compare_contracts, args=("v1.txt", "v2.txt"))
memory_metrics = baseline.measure_memory(compare_contracts, args=("v1.txt", "v2.txt"))
baseline.save_baseline("full_comparison_1000lines", time_metrics, memory_metrics)

4.4.3 基线管理最佳实践

• 版本化存储：将基线 JSON 文件纳入 Git 版本管理，每次代码变更后重新生成基线
• 自动化触发：在 CI/CD 流程中集成基线对比脚本，当性能退化超过 10% 时自动告警
• 多维度基线：针对不同规模的合同（100 行、1000 行、10000 行）分别建立基线
• 环境标记：在基线数据中记录 Python 版本、操作系统、硬件配置，便于跨环境对比

4.5 本章小结