如何使用python分析CPU使用情况？大概是这样吧

小灰灰 2022-03-19 06:20 275阅读 0赞

**前言**  
现在小编给大家分享一个可以分析CPU使用情况的代码，CPU分析是通过分享CPU执行代码的方式来测量代码的性能，以此来找到代码的不妥之处，然后处理它们，

接下来我们将看看如何跟踪python脚本使用时CPU使用情况，重点关注几个方面 ：

**1、cProfile  
2、line\_profiler  
3、pprofile  
4、vprof**

测量CPU使用率，主要使用与内存分析中使用脚本相同的脚本，具体如下：

import time
    
    def primes(n):
          if n == 2 :
            return [2]
         elif n < 2:
            return []
         s = []
      for i in range(3,n+1) :
          if i % 2 !=0 :
            s.append(i)
      mroot = n ** 0.5
      half = (n+1) / 2 - 1
      i = 0
     m = 3
    while  m <= mroot :
    if s[i]:
        j = (m * m - 3)  / 2
        s[j] = 0
        while j < half :
         s[j] = 0
          j += m
    i =  i + 1
    m = 2 * i + 3
    l  = [2]
     for x in s :
    if x:
    l.append(x)
    return l 
    
    def benckmark():
    start = time.time()
    for _ in xrange(40):
        count = len(primes(1000000))
    end = time.time()
    print "Benchmark   duration : %r secounds" % (end - start)

另外，请记住，在PyPy2中，你需要使用与之配合的pip版本：

并且其他依赖项也将被安装：

cProfile

在讨论CPU分析时，最常用的工具之一是cProfile，主要是因为它内置在CPython2和PyPy2中。这是一个确定性的分析器，意味着在运行程序时会收集一组统计数据，例如我们代码的各个部分的执行次数或执行时间。此外，cProfile在系统上的开销比其他内置的分析器（配置文件）要低。

CPython2的用法很简单：

如果你使用PyPy2：

其输出如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70]  
即使使用这个文本输出，很容易看到我们的脚本多次调用了list.append方法。

如果我们使用gprof2dot，我们可以以图形的方式看到cProfile输出。要使用它，我们必须首先安装graphviz，之后是一些依赖包，最后在Ubuntu上使用如下命令：

再次运行脚本：

我们得到以下output.png文件：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 1][]

> 学习从来不是一个人的事情，要有个相互监督的伙伴，工作需要学习python或者有兴趣学习python的伙伴可以私信回复小编“学习”或者评论，留言，点赞 领取全套免费python学习资料、视频()装包  
> 这样更容易看到一切。我们来仔细看看它的输出。你可以看到脚本中的函数调用如下：

第一行：Python文件名，行号和方法名称

第二行：代码块占用全部时间的百分比

第三行：括号中，方法本身占全部时间的百分比

第四行：调用函数的次数

例如，在顶部的第三个红色方块中，方法primes占用了98.28％的时间，其中65.44％的内容在其中进行，调用了40次。其余的时间花在Python中的list.append（22.33％）和range（11.51％）中。

作为一个简单的脚本，我们只需要重写我们的脚本，具体的如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 2]  
如果我们使用CPython2测量我们脚本的时间，

还有PyPy2：

我们通过使用PyPy2的CPython2和3.1X获得了不错的效果，下面是cProfile的调用流程图：  
![在这里插入图片描述][20190215153927239.png]

你还可以以编程方式使用cProfile，例如：

![20190215153938803.png][]  
这在某些情况下很有用，例如多进程性能测量。

line\_profiler

此分析器在行级提供关于工作负载的信息。它使用Cython在C中实现，并将其与cProfile进行比较时发现其具有较小的开销。

源代码可以在这里找到，也可以在这里找到PyPI页面。与cProfile相比，它具有一样的开销，不过却要花费12倍的时间来获取配置文件。

要使用它，你需要先通过pip添加它：pip install pip install Cython ipython == 5.4.1 line\_profiler（CPython2）。这个分析器的一个主要缺点是它不支持PyPy。

就像使用memory\_profiler一样，你需要在要分析的函数中添加一个装饰器。在我们的例子中，你需要在03.primes-v1.py中定义我们的primes函数之前添加@profile。然后调用它：

你将得到如下输出：  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 3][]  
我们看到，重复调用list.append的两个循环花了最多的时间。

pprofile

根据作者说明，pprofile是一个“线程测量和统计的纯python分析器”。

它受到line\_profiler的启发，修复了很多缺点，但是由于它完全用Python编写，所以它也可以与PyPy成功使用。与cProfile相比，使用CPython时的分析时间要多28倍，而使用PyPy时，分析时间要多10倍，而且细节水平更加细化。

我们也支持PyPy！除此之外，它支持剖析线程，这在各种情况下可能会很方便。

要使用它，你需要先通过pip添加它：pip install pprofile（CPython2）/ pypy -m pip install pprofile（PyPy），然后调用它：

输出与我们以前看到的不同，我们得到如下结果：  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 4][]

我们现在可以更详细地看到一切。让我们来看看输出。你可以获得脚本的整个输出，并且在每行之前，你可以看到对其进行的调用次数，运行时间（秒），每次调用的时间和全局时间的百分比，pprofile为我们的输出添加了额外的行（如第44和50行，以（call）开头）与累积指标。  
再次，我们看到，重复调用list.append的两个循环花了我们脚本中最多的时间。

vprof

vprof是一个Python分析器，为各种Python程序特性（如运行时间和内存使用）提供丰富的交互式可视化。它是一个基于Node.JS的图形化的显示在网页中的结果。

使用它，你可以看到与Python脚本相关的以下一个或全部：

1、CPU使用图

2、代码分析

3、内存图

4、代码热图

要使用它，你需要先通过pip添加它：pip install vprof（CPython2）/ pypy -m pip install vprof（PyPy），然后调用它：

在CPython2上，显示代码散热图（第一个调用如下）和代码分析（下面的第二个调用）：

在PyPy上，显示代码散热图（第一个调用如下）和代码分析（下面的第二个调用）：

在每种情况下，你将看到代码散点图的以下内容  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 5][]  
以及代码分析的以下内容。  
![20190215154048193.png][]

结果以图形方式看到，我们可以悬停鼠标或单击每行以获取更多信息。再次，我们看到，重复调用list.append的两个循环花了我们脚本中最多的时间。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70]: /images/20220319/ab17b61cf8fd417fb1dac17d2f5e8270.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 1]: /images/20220319/a38ffd23ebdd49eea09a98e4840d1943.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 2]: /images/20220319/4a9f5da49816499ba55f8fcf643f3c34.png
[20190215153927239.png]: /images/20220319/1731ec0ee7284e778146e62f711dc457.png
[20190215153938803.png]: /images/20220319/1fe4dbb33da24a868afda05222f8a115.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 3]: /images/20220319/48bdb5c4e23e4a20abc7e2addefb85fa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 4]: /images/20220319/17b38522e94a46eb83afaacaf67716f1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM5MzYzMDIy_size_16_color_FFFFFF_t_70 5]: /images/20220319/7983302974f245f981f6c505c9066f06.png
[20190215154048193.png]: /images/20220319/6c8b0e045082456a86a439e8ad1a171d.png