最近发现项目API请求比较慢，通过抓包发现主要是response时间太长，于是就开始进行优化工作。优化工作的关键一步是定位出问题的瓶颈，对于优化速度来说，从优化函数执行时间这个维度去切入是一个不错的选择。
本文侧重分析，不展开如何优化
利器
工欲善其事，必先利其器，我们需要一套方便高效的工具记录函数运行时间。说是一套工具，但对于一个简单项目或者日常开发来说，实现一个工具类足矣，由于实现比较简单，直接上代码：
from functools import wrapsimport cProfilefrom line_profiler import LineProfilerimport timedef func_time(f): """ 简单记录执行时间 :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 wrapperdef func_cprofile(f): """ 内建分析器 """ @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 wrappertry: from line_profiler import LineProfiler def func_line_time(follow=[]): """ 每行代码执行时间详细报告 :param follow: 内部调用方法 :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 decorateexcept 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复制代码
原始代码可以参考
如下，实现了3个装饰器函数func_time,func_cprofile,func_line_time,分别对应
- 简单输出函数的执行时间
- 利用python自带的内置分析包
cProfile分析，它主要统计函数调用以及每个函数所占的cpu时间 - 利用开源项目,它可以统计每行代码的执行次数和执行时间。
使用说明
我们以一个简单的循环例子来说明一下,
def test(): for x in range(10000000): print x复制代码
func_time
关于func_time我觉得没什么好说的，就是简单输出下函数调用时间，这个在我们粗略统计函数执行时间的时候可以使用
如下：
@func_timedef test(): for x in range(10000000): print x# 输出test took 6.10190296173 seconds复制代码
func_cprofile
cProfile是python内置包，基于lsprof的用C语言实现的扩展应用，运行开销比较合理，没有外部依赖，适合做快速的概要测试
@func_cprofiledef test(): for x in range(10000000): print x# 输出 3 function calls in 6.249 secondsOrdered by: internal timencalls 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}复制代码 输出说明：
单位为秒
-
第一行告诉我们一共有3个函数被调用。
正常开发过程，第一行更多是输出类似
194 function calls (189 primiive calls) in 0.249 seconds，(189 primiive calls)表示189个是原生（primitive）调用，表明这些调用不涉及递归 -
ncalls表示函数的调用次数，如果这一列有两个数值，表示有递归调用，第一个是总调用次数，第二个是原生调用次数。
-
tottime是函数内部消耗的总时间（不包括调用其他函数的时间）。
-
percall是tottime除以ncalls，表示每次调用平均消耗时间。
-
cumtime是之前所有子函数消耗时间的累积和。
-
percall是cumtime除以原生调用的数量，表示该函数调用时，每个原生调用的平均消耗时间。
-
filename:lineno(function)为被分析函数所在文件名、行号、函数名。
func_line_time
可以生成非常直接和详细的报告，但它系统开销很大，会比实际执行时间慢一个数量级
@func_line_time()def test(): for x in range(10000000): print x# 输出Timer unit: 1e-06 sTotal time: 14.4183 sFile: /xx/test.pyFunction: test at line 41Line # 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复制代码
输出说明：
单位为微秒
-
Total Time：测试代码的总运行时间
-
Line:代码行号
-
Hits：表示每行代码运行的次数
-
Time：每行代码运行的总时间
-
Per Hits：每行代码运行一次的时间
-
% Time：每行代码运行时间的百分比
总结
日常开发中，可以使用func_time,func_cprofile做基本检查，定位大致问题，使用func_line_time进行更细致的深入检查。
注：
func_line_time还可以检查函数内部调用的函数执行时间，通过follow参数指定对应的内部调用的函数声明即可，该参数是个数组，也就是说可以检查多个内部调用的函数