最近發現項目API請求比較慢，通過抓包發現主要是response時間太長，于是就開始進行優化工作。優化工作的關鍵一步是定位出問題的瓶頸，對于優化速度來說，從優化函數執行時間這個維度去切入是一個不錯的選擇。

本文側重分析，不展開如何優化

利器

工欲善其事，必先利其器，我們需要一套方便高效的工具記錄函數運行時間。說是一套工具，但對于一個簡單項目或者日常開發來說，實現一個工具類足矣，由于實現比較簡單，直接上代碼：

from functools import wraps

import cProfile

from line_profiler import LineProfiler

import time

def func_time(f):

"""

簡單記錄執行時間

:param f:

:return:

"""

@wraps(f)

def wrapper(*args, **kwargs):

start = time.time()

result = f(*args, **kwargs)

end = time.time()

print f.__name__, 'took', end - start, 'seconds'

return result

return wrapper

def func_cprofile(f):

"""

內建分析器

"""

@wraps(f)

def wrapper(*args, **kwargs):

profile = cProfile.Profile()

try:

profile.enable()

result = f(*args, **kwargs)

profile.disable()

return result

finally:

profile.print_stats(sort='time')

return wrapper

try:

from line_profiler import LineProfiler

def func_line_time(follow=[]):

"""

每行代碼執行時間詳細報告

:param follow: 內部調用方法

:return:

"""

def decorate(func):

@wraps(func)

def profiled_func(*args, **kwargs):

try:

profiler = LineProfiler()

profiler.add_function(func)

for f in follow:

profiler.add_function(f)

profiler.enable_by_count()

return func(*args, **kwargs)

finally:

profiler.print_stats()

return profiled_func

return decorate

except ImportError:

def func_line_time(follow=[]):

"Helpful if you accidentally leave in production!"

def decorate(func):

@wraps(func)

def nothing(*args, **kwargs):

return func(*args, **kwargs)

return nothing

return decorate

原始代碼可以參考gist

如下，實現了3個裝飾器函數func_time,func_cprofile,func_line_time,分別對應

簡單輸出函數的執行時間

利用python自帶的內置分析包cProfile 分析，它主要統計函數調用以及每個函數所占的cpu時間

利用line_profiler開源項目,它可以統計每行代碼的執行次數和執行時間。

使用說明

我們以一個簡單的循環例子來說明一下,

def test():

for x in range(10000000):

print x

func_time

關于func_time我覺得沒什么好說的，就是簡單輸出下函數調用時間，這個在我們粗略統計函數執行時間的時候可以使用

如下：

@func_time

def test():

for x in range(10000000):

print x

# 輸出

test took 6.10190296173 seconds

func_cprofile

cProfile是python內置包，基于lsprof的用C語言實現的擴展應用，運行開銷比較合理，沒有外部依賴，適合做快速的概要測試

@func_cprofile

def test():

for x in range(10000000):

print x

# 輸出

3 function calls in 6.249 seconds

Ordered by: internal time

ncalls tottime percall cumtime percall filename:lineno(function)

1 6.022 6.022 6.249 6.249 test.py:41(test)

1 0.227 0.227 0.227 0.227 {range}

1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}

輸出說明：

單位為秒

第一行告訴我們一共有3個函數被調用。

正常開發過程，第一行更多是輸出類似194 function calls (189 primiive calls) in 0.249 seconds，(189 primiive calls)表示189個是原生(primitive)調用，表明這些調用不涉及遞歸

ncalls表示函數的調用次數，如果這一列有兩個數值，表示有遞歸調用，第一個是總調用次數，第二個是原生調用次數。

tottime是函數內部消耗的總時間(不包括調用其他函數的時間)。

percall是tottime除以ncalls，表示每次調用平均消耗時間。

cumtime是之前所有子函數消耗時間的累積和。

percall是cumtime除以原生調用的數量，表示該函數調用時，每個原生調用的平均消耗時間。

filename:lineno(function)為被分析函數所在文件名、行號、函數名。

func_line_time

line_profiler可以生成非常直接和詳細的報告，但它系統開銷很大，會比實際執行時間慢一個數量級

@func_line_time()

def test():

for x in range(10000000):

print x

# 輸出

Timer unit: 1e-06 s

Total time: 14.4183 s

File: /xx/test.py

Function: test at line 41

Line # Hits Time Per Hit % Time Line Contents

==============================================================

41 @func_line_time()

42 def test():

43 10000001 4031936.0 0.4 28.0 for x in range(10000000):

44 10000000 10386347.0 1.0 72.0 print x

輸出說明：

單位為微秒

Total Time：測試代碼的總運行時間

Line:代碼行號

Hits：表示每行代碼運行的次數

Time：每行代碼運行的總時間

Per Hits：每行代碼運行一次的時間

% Time：每行代碼運行時間的百分比

總結

日常開發中，可以使用func_time,func_cprofile做基本檢查，定位大致問題，使用func_line_time進行更細致的深入檢查。

注：func_line_time 還可以檢查函數內部調用的函數執行時間，通過follow參數指定對應的內部調用的函數聲明即可，該參數是個數組，也就是說可以檢查多個內部調用的函數

總結

以上是生活随笔為你收集整理的python性能优化之函数执行时间分析_python性能优化之函数执行时间分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。