内容摘要：虽然运行速度慢是 Python 与生俱来的特点，大多数时候我们用 Python 就意味着放弃对性能的追求。但是，就算是用纯 Python 完成同一个任务，老手写出来的代码可能会比菜鸟写的代码块几倍，甚

 虽然运行速度慢是分析 Python 与生俱来的特点，大多数时候我们用 Python 就意味着放弃对性能的大全追求。但是分析，就算是大全用纯 Python 完成同一个任务，老手写出来的分析代码可能会比菜鸟写的代码块几倍，甚至是大全几十倍(这里不考虑算法的因素，只考虑语言方面的分析因素)。很多时候，大全我们将自己的分析代码运行缓慢地原因归结于python本来就很慢，从而心安理得地放弃深入探究。大全

但是分析，事实真的大全是这样吗?面对python代码，你有分析下面这些问题吗：

程序运行的分析速度如何?

程序运行时间的瓶颈在哪里?

能否稍加改进以提高运行速度呢?

为了更好了解python程序，我们需要一套工具，大全能够记录代码运行时间，分析生成一个性能分析报告，方便彻底了解代码，从而进行针对性的高防服务器优化(本篇侧重于代码性能分析，不关注如何优化)。

谁快谁慢

假设有一个字符串，想将里面的空格替换为字符‘-’，用python实现起来很简单，下面是四种方案：

def slowest_replace(): replace_list = [] for i, char in enumerate(orignal_str): c = char if char != " " else "-" replace_list.append(c) return "".join(replace_list) def slow_replace(): replace_str = "" for i, char in enumerate(orignal_str): c = char if char != " " else "-" replace_str += c return replace_str def fast_replace(): return "-".join(orignal_str.split()) def fastest_replace(): return orignal_str.replace(" ", "-") 

这四种方案的效率如何呢，哪种方案比较慢呢?这是一个问题!

时间断点

最直接的想法是在开始 replace 函数之前记录时间，程序结束后再记录时间，计算时间差即为程序运行时间。python提供了模块 time，其中 time.clock() 在Unix/Linux下返回的是CPU时间(浮点数表示的秒数)，Win下返回的是以秒为单位的真实时间(Wall-clock time)。

由于替换函数耗时可能非常短，所以这里考虑分别执行 100000次，然后查看不同函数的效率。我们的性能分析辅助函数如下：

def _time_analyze_(func): from time import clock start = clock() for i in range(exec_times): func() finish = clock() print "{ :<20}{ :10.6} s".format(func.__name__ + ":", finish - start) 

这样就可以了解上面程序的运行时间情况：

***种方案耗时是第四种的 45 倍多，服务器托管大跌眼镜了吧!同样是 python代码，完成一样的功能，耗时可以差这么多。

为了避免每次在程序开始、结束时插入时间断点，然后计算耗时，可以考虑实现一个上下文管理器，具体代码如下：

class Timer(object): def __init__(self, verbose=False): self.verbose = verbose def __enter__(self): self.start = clock() return self def __exit__(self, *args): self.end = clock() self.secs = self.end - self.start self.msecs = self.secs * 1000 # millisecs if self.verbose: print elapsed time: %f ms % self.msecs 

使用时只需要将要测量时间的代码段放进 with 语句即可，具体的使用例子放在 gist上。

timeit

上面手工插断点的方法十分原始，用起来不是那么方便，即使用了上下文管理器实现起来还是略显笨重。还好 Python 提供了timeit模块，用来测试代码块的运行时间。它既提供了命令行接口，又能用于代码文件之中。

命令行接口

命令行接口可以像下面这样使用：

$ python -m timeit -n 1000000 "I like to reading.".replace(" ", "-") 1000000 loops, best of 3: 0.253 usec per loop $ python -m timeit -s orignal_str = "I like to reading." "-".join(orignal_str.split()) 1000000 loops, best of 3: 0.53 usec per loop 

具体参数使用可以用命令 python -m timeit -h 查看帮助。使用较多的是下面的选项：

-s S, –setup=S: 用来初始化statement中的变量，只运行一次;

-n N, –number=N: 执行statement的次数，默认会选择一个合适的源码下载数字;

-r N, –repeat=N: 重复测试的次数，默认为3;

Python 接口

可以用下面的程序测试四种 replace函数的运行情况(完整的测试程序可以在 gist 上找到)：

def _timeit_analyze_(func): from timeit import Timer t1 = Timer("%s()" % func.__name__, "from __main__ import %s" % func.__name__) print "{ :<20}{ :10.6} s".format(func.__name__ + ":", t1.timeit(exec_times)) 

运行结果如下：

Python的timeit提供了 timeit.Timer() 类，类构造方法如下：

Timer(stmt=pass, setup=pass, timer=<timer function>) 

其中：

stmt: 要计时的语句或者函数;

setup: 为stmt语句构建环境的导入语句;

timer: 基于平台的时间函数(timer function);

Timer()类有三个方法：

timeit(number=1000000): 返回stmt执行number次的秒数(float);

repeat(repeat=3, number=1000000): repeat为重复整个测试的次数，number为执行stmt的次数，返回以秒记录的每个测试循环的耗时列表;

print_exc(file=None): 打印stmt的跟踪信息。

此外，timeit 还提供了另外三个函数方便使用，参数和 Timer 差不多。

timeit.timeit(stmt=pass, setup=pass, timer=<default timer>, number=1000000) timeit.repeat(stmt=pass, setup=pass, timer=<default timer>, repeat=3, number=1000000) timeit.default_timer() 

profile

以上方法适用于比较简单的场合，更复杂的情况下，可以用标准库里面的profile或者cProfile，它可以统计程序里每一个函数的运行时间，并且提供了可视化的报表。大多情况下，建议使用cProfile，它是profile的C实现，适用于运行时间长的程序。不过有的系统可能不支持cProfile，此时只好用profile。

可以用下面程序测试 timeit_profile() 函数运行时间分配情况。

import cProfile from time_profile import * cProfile.run("timeit_profile()") 

这样的输出可能会很长，很多时候我们感兴趣的可能只有耗时最多的几个函数，这个时候先将cProfile 的输出保存到诊断文件中，然后用 pstats 定制更加有好的输出(完整代码在 gist 上)。

cProfile.run("timeit_profile()", "timeit") p = pstats.Stats(timeit) p.sort_stats(time) p.print_stats(6) 

输出结果如下：

如果觉得 pstas 使用不方便，还可以使用一些图形化工具，比如 gprof2dot 来可视化分析 cProfile 的诊断结果。

vprof

vprof 也是一个不错的可视化工具，可以用来分析 Python 程序运行时间情况。如下图：

line_profiler

上面的测试最多统计到函数的执行时间，很多时候我们想知道函数里面每一行代码的执行效率，这时候就可以用到 line_profiler 了。

line_profiler 的使用特别简单，在需要监控的函数前面加上 @profile 装饰器。然后用它提供的 kernprof -l -v [source_code.py] 行进行诊断。下面是一个简单的测试程序 line_profile.py：

from time_profile import slow_replace, slowest_replace for i in xrange(10000): slow_replace() slowest_replace() 

运行后结果如下：

输出每列的含义如下：

Line #: 行号

Hits: 当前行执行的次数.

Time: 当前行执行耗费的时间，单位为 “Timer unit:”

Per Hit: 平均执行一次耗费的时间.

% Time: 当前行执行时间占总时间的比例.

Line Contents: 当前行的代码

line_profiler 执行时间的估计不是特别精确，不过可以用来分析当前函数中哪些行是瓶颈。