📚 课程目录第3章性能剖析工具

3. 性能剖析工具：快速定位瓶颈

性能优化，说白了就是找瓶颈。
你调了半天代码，结果卡在数据库连接池上，那就白忙了。
所以我习惯先拿剖析工具，看看时间到底花在哪。

Python 生态里常用的就三把刀：profile、py-spy、perf。
它们各有所长，选对工具才能一击命中。
今天咱们挨个过一遍，顺便聊聊我在项目里踩过的坑。

核心观点：没有万能的剖析工具，只有匹配场景的选择。先定性，再定量，最后对准代码动刀。

3.1 cProfile：标准库里的可靠老将

cProfile 是 Python 自带的标准库，零依赖。
你只要加个 -m cProfile，就能拿到函数级调用统计。
我个人习惯在开发环境里用它做第一轮扫描。

# 一行命令搞定
python -m cProfile -s cumulative my_script.py

# 输出排序后的结果（前 10 行）
ncalls  tottime  percall  cumtime  percall filename:lineno(function)
   100    0.002    0.000    0.500    0.005 sdk/core.py:45(process_batch)
    20    0.300    0.015    0.300    0.015 sdk/io.py:12(write_data)
   500    0.001    0.000    0.001    0.000 sdk/utils.py:7(calc_checksum)

看到 cumtime 最大的那一行了吗？那就是瓶颈所在。

不过要注意：cProfile 会增加显著的运行时开销，大概 2~5 倍。
我在一次线上压测中挂过 cProfile，结果 QPS 直接腰斩……
从那以后我就只在预发环境用，绝不上生产。

小技巧：用 pstats.Stats 可以交互式过滤排序，比看原始输出高效得多。

3.2 py-spy：生产环境下的无痛采样

py-spy 是第三方的采样剖析器。
它不需要修改代码，更不需要重启进程——直接 attach 到目标 PID。
说白了，它是为生产环境量身定做的。

# 采样当前正在运行的 Python 进程 PID 1234
py-spy record -o profile.svg --pid 1234

# 或者直接交互式查看
py-spy top --pid 1234

你会看到一个类似 top 的界面，实时显示各函数的 CPU 占用。
有一次，我们 SDK 在客户机器上间歇性卡顿，但本地稳定得很。
我远程用 py-spy attach 上去，发现是某个第三方库的网络重试逻辑死循环了——
要是没有 py-spy，这种偶发问题根本复现不了。

核心优势：开销极低（<1% CPU），纯采样，不影响业务逻辑。
短板：只能采样 CPU 活跃的函数，I/O 等待型瓶颈看不到。

警告：py-spy 需要 root 权限才能 attach 非子进程。线上用 sudo 时要小心，别挂到关键进程上。

3.3 perf：深入内核与系统层面

如果瓶颈不在 Python 层，比如在 C 扩展、内核态、或者硬件层面，那就要请出 Linux 大杀器——perf。

perf 是内核自带的性能剖析工具，能采集 CPU 硬件事件（周期数、缓存未命中、分支预测失败等）。
用它来分析带有大量 C 扩展的 SDK，效果拔群。

# 对 PID 1234 进行 CPU 周期采样
perf record -p 1234 -g -- sleep 10

# 生成火焰图
perf script | stackcollapse-perf.pl | flamegraph.pl > perf.svg

拿到火焰图后，你一眼就能看到哪些函数占用了最多的 CPU 周期。
我记得有一次 SDK 的加解密模块性能奇差，Python 层完全看不出问题。
perf 采样后，发现是底层 OpenSSL 的上下文切换太频繁——改完缓存策略，吞吐量直接翻倍。

适用场景：C 扩展、内存重排、锁竞争、系统调用频繁。

3.4 三种工具对比一览

工具	原理	开销	适用场景	能否上生产
cProfile	函数级插桩	高 (2~5x)	开发/预发环境，精准定位	不建议
py-spy	采样	极低 (<1%)	生产环境 CPU 热点	可以
perf	内核硬件事件	低 (~2%)	C 扩展、系统调用、硬件瓶颈	谨慎使用

我的推荐策略：先用 py-spy 看 CPU 热点，如果找不到问题就上 cProfile 做细化定位；遇到 C 扩展或系统级瓶颈，再祭出 perf。三步走，稳准狠。

3.5 三剑客的知识体系

下面这张图，我用它来给团队新人讲清楚：不同层级用不同工具。

图中三个分支对应三种典型场景。你想想看：
如果 CPU 占用率超高但 Python 层看不出谁在跑，那就果断上 py-spy；
如果问题发生在 I/O 或锁等待，cProfile 的 cumtime 能帮你挖到潜在调用栈；
如果怀疑 C 扩展或内核态在捣乱，perf 是唯一的选择。

3.6 避坑指南

别在压测时开 cProfile：我曾经在一次对接 SDK 的压测中忘了关，结果性能数据直接变形，白熬了两个晚上。
py-spy 的采样频率别太高：默认 99 Hz 够用了，设到 999 Hz 反而会因为中断过多影响结果。
perf 火焰图要看宽而不看高：顶部越宽的函数才是真热点，顶部窄但层数多的往往是调用链长。

补充技巧：三个工具的生成结果都可以输出成火焰图格式，统一用 flamegraph.pl 渲染。我习惯把历史火焰图存档起来，做回归对比时特别有用。

好了，工具就位。下一类场景该用什么，你心里应该有个谱了。实际动手时，多试几次，慢慢就会形成直觉——哪个指标对，哪种工具靠谱。