在开发中，不免会遇到一种场景：某天，某某同事向你反馈某个接口最近耗时比较久，针对此类问题，通常需要先定位慢在什么地方，只有清楚了源头，才能从本质上优化程序。
进行性能分析的工具统称性能分析器，主要分为两类：
- 基于事件的性能分析(event-based profiling)
- 统计式的性能分析(statistical profiling)
基于事件的性能分析器会记录所有的事件，而统计式的性能分析器通过抽样方式记录，故而前者往往比后者更准确。
Python标准库提供了基于事件的性能分析工具cProfile供开发者对Python程序进行性能分析，本文以cProfile为例，简述性能分析的常见路子。
性能分析
引用官方文档上的例子：
import cProfile
import re
cProfile.run('re.compile("foo|bar")')
程序输出格式如下：
197 function calls (192 primitive calls) in 0.002 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.001 0.001 <string>:1(<module>)
1 0.000 0.000 0.001 0.001 re.py:212(compile)
1 0.000 0.000 0.001 0.001 re.py:268(_compile)
1 0.000 0.000 0.000 0.000 sre_compile.py:172(_compile_charset)
1 0.000 0.000 0.000 0.000 sre_compile.py:201(_optimize_charset)
4 0.000 0.000 0.000 0.000 sre_compile.py:25(_identityfunction)
3/1 0.000 0.000 0.000 0.000 sre_compile.py:33(_compile)
从输出中可看出，总共有197次函数调用，其中192次原生调用（即不涉及递归调用），调用耗时0.002s。
各个指标说明：
ncalls: 格式为a/b，其中a为总共调用次数，b为原生调用次数，大多数情况下，a与b相等，故而简写tottime:函数调用时间（不包含子函数调用时间）percall:tottime除以ncallscumtime: 函数调用时间（包含子函数调用时间）percall:cumtime除以原生调用次数
另外，从最后一列中也可看出，cProfile的最小统计粒度为函数。
简单使用
Python中进行性能分析会涉及cProfile模块中的Profile类和pstats模块中的Stats类，前者收集数据，后者对收集数据进行加工。
Profile常用接口：
enable():开始收集性能分析数据disable():停止收集性能分析数据create_stats():停止收集性能分析数据并内部记录结果dump_stats(filename)：当前结果写入指定文件runcall(func, *args, **kwargs): Profilefunc(*args, **kwargs)
比如将收集性能分析数据写入文件：
import cProfile
def fib(n):
if n <= 1:
return n
return fib(n - 1) + fib(n - 2)
pr = cProfile.Profile()
pr.runcall(fib, 20)
pr.dump_stats('fib.pstat')
数据源已经有了，还需要对数据源进行进一步加工，这便是Stats类做的事情，Stats类常见接口：
dump_stats(filename): 当前结果写入文件print_stats(*restrictions):输出当前结果sort_stats(*keys):指定排序列
Stats(*filenames or profile, stream=sys.stdout)支持文件名或profile对象为入参，并可通过指定stream参数来更改print_XXX函数输出流，例将输出流更换为BytesIO:
import cProfile
import io
import pstats
def fib(n):
if n <= 1:
return n
return fib(n - 1) + fib(n - 2)
pr = cProfile.Profile()
pr.runcall(fib, 20)
stream = io.BytesIO()
ps = pstats.Stats(pr, stream=stream)
ps.print_stats()
print "BytesIO content is:"
print stream.getvalue()
可视化
虽然我们可以通过在命令行查看函数调用关系及耗时，不过始终感觉还是没有可视化工具方便（看个人喜好）。
平时以PyCharm为开发工具，而PyCharm中刚好又内置了cProfile可视化工具，编写如下程序：
import cProfile
import time
def fib(n):
if n <= 1:
return n
return fib(n - 1) + fib(n - 2)
def delay(n):
time.sleep(n)
def say():
print "Welcome to test visual tool."
def test():
fib(20)
delay(5)
say()
pr = cProfile.Profile()
pr.runcall(test)
pr.dump_stats('demo.pstat')
在PyCharm菜单栏中选择Tools下的Open CProfile snapshot，打开当前目录下demo.pstat文件，得到如下图：
