原文出处： Julia Evans   译文出处：开源中国

你好！ 我作为一名编写Ruby profiler的先驱，我想对现有的Ruby和Python profiler如何工作进行一次调查。 这也有助于回答很多人的问题：“你怎么写一个profiler？”

在这篇文章中，我们只关注CPUprofiler（而不是内存/堆profiler）。 我将解释一些编写profiler的一般基本方法，给出一些代码示例，以及大量流行的Ruby和Pythonprofiler的例子，并告诉你它们是如何工作的。

在这篇文章中可能会有一些错误（为了研究这篇文章，我阅读了14个不同的分析库的代码部分），请让我们开始吧！

2种不同的profilers

有两种基本CPU profilers类型 – sampling profilers和tracing profilers。

tracingprofilers记录您的程序所调用的每个函数，然后在最后打印出报告。 samplingprofilers采用更加统计化的方法 – 他们每隔几毫秒记录程序的堆栈情况，然后报告结果。

使用sampling profilers而不是tracing profilers的主要原因是sampling profilers的开销较低。 如果每秒只抽取20或200个样本，那不会花费多少时间。 而且它们非常有效率 – 如果您遇到严重的性能问题（比如80％的时间花费在1个慢速函数上），那么每秒200个样本通常就足以确定那个函数的问题所在了！

分析器

下边类出了我们这篇文章要讨论的分析器(来源)。我之后将会解释表格中的术语(setitimer, rb_add_event_hook, ptrace)。这里最有趣的是，所有的分析器都是通过一小部分函数的特性实现的。

python分析器

Name

Kind

How it works

cProfile	Tracing	PyEval_SetProfile
line_profiler	Tracing	PyEval_SetTrace
pyflame (blog post)	Sampling	ptrace + custom timing
stacksampler	Sampling	setitimer
statprof	Sampling	setitimer
vmprof	Sampling	setitimer
pyinstrument	Sampling	PyEval_SetProfile
gprof (greenlet)	Tracing	greenlet.settrace
python-flamegraph	Sampling	profiling thread + custom timing
gdb hacks	Sampling	ptrace

“gbd hacks”并不完全是一个Python分析器：它是一个讲述如何实现用脚本包装gdb来实现hacky分析器的链接。由于新版本的gdb事实上会展开Python堆栈，所以也是和Python有关的。一种简化版的pyflame。

Ruby分析器

Name

Kind

How it works

stackprof by tmm1	Sampling	setitimer
perftools.rb by tmm1	Sampling	setitimer
rblineprof by tmm1	Tracing	rb_add_event_hook
ruby-prof	Tracing	rb_add_event_hook
flamegraph	Sampling	stackprof gem

这些分析器中几乎所有的都存在你的进程里面。

在我们开始详细分析这些分析器之前，有一个非常重要的事情需要说明一下：除fyflame外所有的分析器都运行在你的Python/Ruby进程里面。如果你在一个Python/Ruby程序里面，你通常可以很容易的获取该程序的堆栈。例如下边代码中的简单的Python程序答应出每一个运行线程的堆栈：

1 2 3 4 5 6 7 8 9 10 11 12

import sys import traceback def bar(): foo() def foo():     for _, frame in sys._current_frames().items():         for line in traceback.extract_stack(frame):             print line bar()

你可以从下边的输出里面看到堆栈的函数名，行号，文件名等你在做分析的时候需要的所有信息。

1 2 3

(‘test2.py’, 12, ‘<module>’, ‘bar()’) (‘test2.py’, 5, ‘bar’, ‘foo()’) (‘test2.py’, 9, ‘foo’, ‘for line in traceback.extract_stack(frame):’)

在Ruby程序中，获取堆栈也很容易：你只需要通过caoller来获取堆栈。

这些分析器处于性能考虑都是C扩展所有它们有一点不一样，但是Ruby/Python程序的C扩展也可以很容易的获取调用堆栈。

追踪分析器是如何工作的

我调查过上边表格中所有的追踪分析器:rblineprof、ruby-prof和cProfile。它们工作原理基本相同。它们都记录所有的函数调用并且用C语言编写来降低耗时。

它们是如何工作的呢？Ruby和Python都允许指定一个回调函数，当各种解释事件(例如调用一个函数或者执行一行代码)发生的时候调用。当回调函数被调用的时候，会记录堆栈供以后分析。

我认为确切了解在代码中哪里设置这些回调函数是很有用的，所以我连接了所有在github上边的相关代码。

在Python中，可以通过PyEval_SetTrace或者 PyEval_SetProfile设置回调函数。在Python官方文档的分析和追踪里有说明。文档中说道：除了追踪函数会收到line-number事件外“PyEval_SetTrace和PyEval_SetProfile一样。

代码：

line_profiler 使用PyEval_SetTrace设置回调:看line_profiler.pyx的157行

cProfiles 使用PyEval_SetProfile设置回调：看_lsprof.c的693行（cProfile是用Isprof实现的）

在Ruby里，你可以用rb_add_event_hook来设置回调，我找不到任何关于此处是如何调用的文档

1 2 3 4

rb_add_event_hook(prof_event_hook,       RUBY_EVENT_CALL | RUBY_EVENT_RETURN |       RUBY_EVENT_C_CALL | RUBY_EVENT_C_RETURN |       RUBY_EVENT_LINE, self);

prof_event_hook的类型是

1 2	static void prof_event_hook(rb_event_flag_t event, VALUE data, VALUE self, ID mid, VALUE klass)

这看起来像极了Python的PyEval_SetTrace，但是比Python更灵活——您可以选择你关注的事件类型（就像“函数调用”一样）。

代码：

ruby-prof 调用rb_add_event在：ruby-prof.c line 329

rblineprof调用rb_add_event_hook在：rblineprof.c line 649

追踪分析器的缺点

追踪分析器的主要的缺点是它的实现方式是对于每个函数/行代码都执行固定的次数，这样可能使你做出错误的决定。例如，如果你有某个事物的两个实现：一个通过大量的函数调用实现，另一个没有大量函数调用，两个实现耗时相同，有大量函数调用的相比没有大量函数调用的在分析的时候会变得慢。

为了测试这一点，我做了一个包含下边内容的小文件test.py，并且比较了python -mcProfile test.py和python test.py的耗时。python test.py执行需要大约0.6秒，python -mcProfile test.py执行需要大约1秒。对于这个特定的例子cProfile引入了额外的大约60%的开销。

1 2 3 4 5 6 7

def recur(n):     if n == 0: return recur(n–1) for i in range(5000): recur(700)

cProfile文档中说：

Python的解释语言的特性往往会增加执行的开销，对于典型的应用确定性分析仅仅会增加很少运行开销。

这似乎是一个合理的说法：上边的示例(执行350万次函数调用)显然不是个典型的Python程序，并且几乎任何其他程序开销都比该示例小。

我没有测试ruby-prof(一个ruby追踪分析器)的开销，但是它的README说：

大多数程序开分析器耗时将会是原来的两倍，并且高度递归程序(斐波那契数列)耗时将会是原来的三倍。

采样分析器都怎么工作的：setitimer

现在讨论第二种分析器：采样分析器。

大多数Ruby和Python的采样分析器都是通过系统调用setitimer实现的。这是怎么回事呢？

好吧，比方说你想要每秒获取一个程序的堆栈50次，一种方法是：

请求Linux内核每20毫秒给你发送一个信号(使用系统调用setitimer)

注册一个信号处理器在每次获得信号的时候记录堆栈。

当结束分析的时候，请求Linux停止发送信号并且打印输出。

如果你想要看一个实际的用setitimer实现采样分析器的例子的话，我认为stacksampler.py是一个最好的例子，stacksampler.py是一个有用的有效的分析器并且代码只有大约100行，好酷啊！

stacksampler.py只有100多行的一个原因是：当你把一个Python函数注册成信号处理器的时候，该函数被传送到你的Python程序的当前堆栈中。所以stacksampler.py信号处理器注册是非常简单的：

1 2 3 4 5 6 7 8

def _sample(self, signum, frame):    stack = []    while frame is not None: stack.append(self._format_frame(frame))        frame = frame.f_back    stack = ‘;’.join(reversed(stack))    self._stack_counts[stack] += 1

它只是将堆栈从堆栈帧中取出来并且增加堆栈查看计数，非常简单！非常酷！

我们看继续剩下的使用setitimer的分析器并找到它们调用settimer的代码：

stackprof (Ruby): in stackprof.c line 118

perftools.rb (Ruby): in this patch which seems to be applied when the gem is compiled (?)

stacksampler (Python): stacksampler.py line 51

statprof (Python): statprof.py line 239

vmprof (Python): vmprof_unix.c line 294

关于setitimer很重要的一点是，你需要决定如何计算时间。你想要真正的20 ms的“挂钟”时间？你想要20 ms的用户CPU时间？或者20 ms的用户+系统CPU时间？如果你仔细看电话网站上的内容，你就会发现，这些分析器实际上对setitimer做出了不同的选择 — 有时候它是可配置的，有时候却不可。setitimer手册页十分精悍，并且值得去读懂上面所有的观点。

@mgedmin 在推特上指出了一个使用setitimer时出现的有趣的问题，这个问题和这个问题拥有的一系列更多细节。

一个有趣的基于setitimer分析器的问题就是定时器产生的信号！信号有时候能中断系统调用！系统调用有时候需要几毫秒！如果测试太平凡，你会让你的程序永远循环执行系统调用！

不使用setitimer的采样分析器

有些采样分析器不使用setitimer：

pyinstrument使用PyEval_SetProfile(所以它在某种程度上是跟踪分析器)，但是当它的跟踪回调函数被调用时，它并不总是收集堆栈样本。下面是选择何时测试堆栈跟踪的代码。更多信息，请看这篇博客文章。 (真相: setitimer带你了解Python中的主线程)

pyflame简要介绍了Python代码在外部调用ptracesystem的过程。根本上来讲，它只是一个抓取样本，睡眠，重复的循环，这里是sleep调用。

python-flamegraph以类似的方式在你的Python操作中开启一个新的线程并且抓取堆栈跟踪，睡眠，和重复。这里是sleep调用。

所有这3个分析器使用挂钟定时采样。

pyflame 博客

有很多关于pyflame是如何工作的。我不打算在这里进行介绍，但是Evan Klitke写了很多关于它的非常好的博客：

Pyflame:超级工程的Ptracing的Python分析器来介绍pyflame

Pyflame双解析器模式关于如何同时支持Python2和Python3

意想不到的python ABI变动增加了Python3.6的支持

释放多线程Python堆栈

Pyflame打包

在Python中一个关于ptrace+syscalls的有趣的问题

使用ptrace的乐趣和好处，ptrace（续）

还有很多在 https://eklitzke.org/。所有有趣的东西，我会更详细地阅读——也许ptrace是比实现一个Ruby分析器process_vm_readv更好的方法！（process_vm_readv开销低，因为它不会阻断进程，但它也可以给你一个不一致的快照，因为它不会阻断进程：））

先讲解到这里了！

在这篇文章中我没有涉及很多重要的细节 – 比如我基本上说vmprof和stacksampler是一样的（但实际上它们不是 – vmprof支持线性分析和用C语言编写的Python函数分析，我相信这在分析器中引入了更多的复杂性）。 但一些基本原理是一样的，所以我认为这项调查是一个很好的起点。

来源：数盟

精彩活动

福利 · 阅读 | 免费申请读大数据新书 第23期

推荐阅读

2017年数据可视化的七大趋势！ 

全球100款大数据工具汇总（前50款） 

论大数据的十大局限

大数据时代的10个重大变革

大数据七大趋势 第一个趋势是物联网

Q: 你在Python学习使用中都有哪些心得？

欢迎留言与大家分享

请把这篇文章分享给你的朋友

转载 / 投稿请联系：[email protected]

更多精彩文章，请在公众号后台点击“历史文章”查看