介绍
应用程序分析是一个分析程序以确定其特征的过程：执行时间不同的代码零件和资源用法。
分析的主要阶段总是或多或少相同的：
测量执行时间。执行不同的代码零件需要多少时间？分析内存使用。程序的不同部分消耗了多少内存？识别瓶颈。代码的哪些部分减慢了程序或使用太多资源？>>性能优化。采取措施根据获得的数据提高执行速度和资源利用效率。有限数量的异步代码的特定瓶颈。让我们将每种类型与代码示例匹配。> –
异步python中的瓶颈的主要类型
阻止操作
import asyncioimport timeasync def main(): print('start') # blocking call time.sleep(3) # this blocks the entire event loop print('end')asyncio.run(main())
顺序调用异步任务
import asyncioimport aiohttpasync def fetch(session, url): async with session.get(url) as response: return await response.text()async def main(): urls = ["http://medium.com"] * 10 async with aiohttp.clientsession() as session: # inefficient: sequential requests for url in urls: await fetch(session, url)asyncio.run(main())
import asyncioimport aiohttpasync def fetch(session, url): async with session.get(url) as response: return await response.text()async def main(): urls = ["http://medium.com"] * 10 async with aiohttp.clientsession() as session: # inefficient: sequential requests for url in urls: await fetch(session, url)asyncio.run(main())
过度上下文切换
import asyncioasync def tiny_task(): await asyncio.sleep(0.0001)async def main(): # excessive context switching due to many small tasks await asyncio.gather(*(tiny_task() for _ in range(100000)))asyncio.run(main())
import asyncioasync def tiny_task(): await asyncio.sleep(0.0001)async def main(): # excessive context switching due to many small tasks await asyncio.gather(*(tiny_task() for _ in range(100000)))asyncio.run(main())
资源饥饿
import asyncioasync def long_running_task(): await asyncio.sleep(10) print("long task executed")async def quick_task(): await asyncio.sleep(1) print("quick task executed")async def main(): await asyncio.gather( long_running_task(), quick_task() # may be delayed excessively )asyncio.run(main())
import asyncioasync def long_running_task(): await asyncio.sleep(10) print("long task executed")async def quick_task(): await asyncio.sleep(1) print("quick task executed")async def main(): await asyncio.gather( long_running_task(), quick_task() # may be delayed excessively )asyncio.run(main())
内存开销
import asyncioasync def large_data_task(): data = "lorep ipsum" * 10**8 # large memory usage await asyncio.sleep(1)async def main(): tasks = [large_data_task() for _ in range(100)] # high memory consumption await asyncio.gather(*tasks)asyncio.run(main())
import asyncioasync def large_data_task(): data = "lorep ipsum" * 10**8 # large memory usage await asyncio.sleep(1)async def main(): tasks = [large_data_task() for _ in range(100)] # high memory consumption await asyncio.gather(*tasks)asyncio.run(main())
–
顺便说一句，探查者一般如何工作？
>单独的文章将专门用于详细的评论，因为现在我们可以将自己限制在基本分类中：
>确定性剖析师
。主要代表是内置的cprofile。该探测器计算每个函数的调用数量以及功能所花费的时间。问题在于，异步呼叫的等待时间没有考虑到。
统计剖面。普通代表是鳞状，py-spy，yappi，pyinsprument，奥斯汀。这样的探索者以某种频率进行了该过程的“快照”，并应用了统计分析的方法来搜索瓶颈。
– 使用鳞片进行分析
为什么要鳞？因为此工具允许分析cpu和内存，因此在github上具有10k 星星，并且该项目正在积极开发。>让我们看看上面列表中每个“有问题”代码的scalene所说的。
>我们将像这样运行斜角：
36277728875
阻止操作
>您可以立即看到问题线，并立即阻止呼叫 – python的2％，在系统呼叫中的98％的时间。
顺序调用异步任务
>这里有点复杂。您可以看到90％的时间用于系统调用，但是该行已更改 – 现在它是本身。最好是记住这种剖面输出的模式。
过度上下文切换
我们看到内存消耗如何在>中增长 – 任务的“拆分”太贪婪了。
> 资源饥饿
再次，系统与python的时间比不支持python操作。
>
内存开销
在这里，斯卡琳为我们做了一切，并立即向我们展示了有问题的代码。>
–
结论
>应该注意的是，对于三种情况 – “
立即学习“Python免费学习笔记（深入）”；
阻止操作
”，“
依次调用异步任务
>”和“
> resource starvation
”相同的图片 – 系统％>> python％。澄清原因实际上需要开发人员。
如果您知道瓶颈的主要类型，并且准备仔细阅读profiler输出，那么python并不是一项艰巨且相当令人愉快的任务。
p.s.
这篇文章最初是在我一年多以前发布的。
>
以上就是分析异步Python的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1355877.html
微信扫一扫 
支付宝扫一扫 
