如何逐行分析 Python 代码？

小开

最佳答案

我相信这就是 Robert Kern 的 line _ profiler的目的:

File: pystone.py
Function: Proc2 at line 149
Total time: 0.606656 s


Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
149                                           @profile
150                                           def Proc2(IntParIO):
151     50000        82003      1.6     13.5      IntLoc = IntParIO + 10
152     50000        63162      1.3     10.4      while 1:
153     50000        69065      1.4     11.4          if Char1Glob == 'A':
154     50000        66354      1.3     10.9              IntLoc = IntLoc - 1
155     50000        67263      1.3     11.1              IntParIO = IntLoc - IntGlob
156     50000        65494      1.3     10.8              EnumLoc = Ident1
157     50000        68001      1.4     11.2          if EnumLoc == Ident1:
158     50000        63739      1.3     10.5              break
159     50000        61575      1.2     10.1      return IntParIO

小开

你也可以使用侧写(皮皮)。如果要分析整个执行过程，则不需要修改源代码。您还可以通过两种方式分析一个较大程序的子集:

当到达代码中的特定点时切换分析，例如:

import pprofile
profiler = pprofile.Profile()
with profiler:
some_code
# Process profile content: generate a cachegrind file and send it to user.


# You can also write the result to the console:
profiler.print_stats()


# Or to a file:
profiler.dump_stats("/tmp/profiler_stats.txt")

toggle profiling asynchronously from call stack (requires a way to trigger this code in considered application, for example a signal handler or an available worker thread) by using statistical profiling:

import pprofile
profiler = pprofile.StatisticalProfile()
statistical_profiler_thread = pprofile.StatisticalThread(
profiler=profiler,
)
with statistical_profiler_thread:
sleep(n)
# Likewise, process profile content

Code annotation output format is much like line profiler:

$ pprofile --threads 0 demo/threads.py
Command line: ['demo/threads.py']
Total duration: 1.00573s
File: demo/threads.py
File duration: 1.00168s (99.60%)
Line #|      Hits|         Time| Time per hit|      %|Source code
------+----------+-------------+-------------+-------+-----------
1|         2|  3.21865e-05|  1.60933e-05|  0.00%|import threading
2|         1|  5.96046e-06|  5.96046e-06|  0.00%|import time
3|         0|            0|            0|  0.00%|
4|         2|   1.5974e-05|  7.98702e-06|  0.00%|def func():
5|         1|      1.00111|      1.00111| 99.54%|  time.sleep(1)
6|         0|            0|            0|  0.00%|
7|         2|  2.00272e-05|  1.00136e-05|  0.00%|def func2():
8|         1|  1.69277e-05|  1.69277e-05|  0.00%|  pass
9|         0|            0|            0|  0.00%|
10|         1|  1.81198e-05|  1.81198e-05|  0.00%|t1 = threading.Thread(target=func)
(call)|         1|  0.000610828|  0.000610828|  0.06%|# /usr/lib/python2.7/threading.py:436 __init__
11|         1|  1.52588e-05|  1.52588e-05|  0.00%|t2 = threading.Thread(target=func)
(call)|         1|  0.000438929|  0.000438929|  0.04%|# /usr/lib/python2.7/threading.py:436 __init__
12|         1|  4.79221e-05|  4.79221e-05|  0.00%|t1.start()
(call)|         1|  0.000843048|  0.000843048|  0.08%|# /usr/lib/python2.7/threading.py:485 start
13|         1|  6.48499e-05|  6.48499e-05|  0.01%|t2.start()
(call)|         1|   0.00115609|   0.00115609|  0.11%|# /usr/lib/python2.7/threading.py:485 start
14|         1|  0.000205994|  0.000205994|  0.02%|(func(), func2())
(call)|         1|      1.00112|      1.00112| 99.54%|# demo/threads.py:4 func
(call)|         1|  3.09944e-05|  3.09944e-05|  0.00%|# demo/threads.py:7 func2
15|         1|  7.62939e-05|  7.62939e-05|  0.01%|t1.join()
(call)|         1|  0.000423908|  0.000423908|  0.04%|# /usr/lib/python2.7/threading.py:653 join
16|         1|  5.26905e-05|  5.26905e-05|  0.01%|t2.join()
(call)|         1|  0.000320196|  0.000320196|  0.03%|# /usr/lib/python2.7/threading.py:653 join

请注意，由于 pprofile 不依赖于代码修改，因此它可以分析顶级模块语句，允许分析程序启动时间(导入模块、初始化全局变量需要多长时间，...)。

它可以生成缓存格式的输出，因此可以使用克卡什茵轻松浏览大型结果。

披露: 我是个人简介的作者。

小开

PyVmMonitor 有一个实时视图，可以在那里提供帮助(您可以连接到正在运行的程序并从中获得统计信息)。

见: http://www.pyvmmonitor.com/

小开

你可以借助 Line _ profiler软件包的帮助

1.1安装软件包:

    pip install line_profiler

2. 使用魔法命令将软件包加载到 Python/笔记本环境中

    %load_ext line_profiler

3. 如果你想分析一个函数的代码，那么
按以下步骤行事:

    %lprun -f demo_func demo_func(arg1, arg2)

如果按照以下步骤，您将得到一个包含所有细节的格式化输出:)

Line # Hits Time Per Hit % Time Line Contents 1 def demo_func(a,b): 2 1 248.0 248.0 64.8 print(a+b) 3 1 40.0 40.0 10.4 print(a) 4 1 94.0 94.0 24.5 print(a*b) 5 1 1.0 1.0 0.3 return a/b

小开

只是为了提高@Joe Kington 的上述答案。

对于 Python 3. x，使用 Line _ profiler:

安装:

pip install line_profiler

用法:

假设您有一个程序 main.py，在程序内部有希望与时间相关的函数 fun_a()和 fun_b(); 您需要在函数定义之前使用修饰符 @profile。例如:

@profile def fun_a(): #do something @profile def fun_b(): #do something more if __name__ == '__main__': fun_a() fun_b()

程序可以通过执行 shell 命令进行配置:

$ kernprof -l -v main.py

可以使用 $ kernprof -h获取参数

Usage: kernprof [-s setupfile] [-o output_file_path] scriptfile [arg] ... Options: --version show program's version number and exit -h, --help show this help message and exit -l, --line-by-line Use the line-by-line profiler from the line_profiler module instead of Profile. Implies --builtin. -b, --builtin Put 'profile' in the builtins. Use 'profile.enable()' and 'profile.disable()' in your code to turn it on and off, or '@profile' to decorate a single function, or 'with profile:' to profile a single section of code. -o OUTFILE, --outfile=OUTFILE Save stats to <outfile> -s SETUP, --setup=SETUP Code to execute before the code to profile -v, --view View the results of the profile in addition to saving it.

结果将在控制台上打印为:

Total time: 17.6699 s File: main.py Function: fun_a at line 5 Line # Hits Time Per Hit % Time Line Contents ============================================================== 5 @profile 6 def fun_a(): ...

编辑: 分析器的结果可以使用 TAMPPA包进行解析。使用它，我们可以逐行获得所需的图像