vmprof python Unduh - vmprof python Unduh kode sumber

Paket VMProf Python

Kunjungi https://vmprof.readthedocs.org untuk info lebih lanjut!

Instalasi

 pip install vmprof
python -m vmprof <your program> <your program args>

Sistem pembangunan kami mengirimkan roda ke PyPI (Linux, Mac OS X). Jika Anda membangun dari sumber, Anda perlu menginstal header pengembangan CPython dan header libunwind (hanya di Linux). Di Windows, ini berarti Anda memerlukan Microsoft Visual C++ Compiler untuk versi Python Anda.

Perkembangan

Menyiapkan pengembangan dapat dilakukan dengan menggunakan perintah berikut:

 $ virtualenv -p /usr/bin/python3 vmprof3
$ source vmprof3/bin/activate
$ python setup.py develop

Anda perlu menginstal paket pengembangan python. Misalnya Debian atau Ubuntu, paket yang Anda perlukan adalah python3-dev dan libunwind-dev . Sekarang saatnya menulis tes dan mengimplementasikan fitur Anda. Jika Anda ingin perubahan Anda memengaruhi vmprof.com, kunjungi https://github.com/vmprof/vmprof-server dan ikuti petunjuk penyiapan.

Lihat bagian pengembangan kami di https://vmprof.readthedocs.org untuk informasi lebih lanjut.

pertunjukan vmprof

vmprofshow adalah alat baris perintah yang disertakan dengan VMProf . Itu dapat membaca file profil dan menghasilkan output yang diformat.

Berikut ini contoh cara menggunakan vmprofshow :

Jalankan program bertubuh kecil yang membakar siklus CPU (dengan vmprof diaktifkan):

$ pypy vmprof/test/cpuburn.py # you can find cpuburn.py in the vmprof-python repo

Ini akan menghasilkan file profil vmprof_cpuburn.dat . Sekarang tampilkan profil menggunakan vmprofshow . vmprofshow memiliki beberapa mode menampilkan data. Kita akan mulai dengan mode berbasis pohon.

Keluaran berbasis pohon

$ vmprofshow vmprof_cpuburn.dat tree

Anda akan melihat keluaran (berwarna):

$ vmprofshow vmprof_cpuburn.dat tree
100.0%  <module>  100.0%  tests/cpuburn.py:1
100.0% .. test  100.0%  tests/cpuburn.py:35
100.0% .... burn  100.0%  tests/cpuburn.py:26
 99.2% ...... _iterate  99.2%  tests/cpuburn.py:19
 97.7% ........ _iterate  98.5%  tests/cpuburn.py:19
 22.9% .......... _next_rand  23.5%  tests/cpuburn.py:14
 22.9% ............ JIT code  100.0%  0x7fa7dba57a10
 74.7% .......... JIT code  76.4%  0x7fa7dba57a10
  0.1% .......... JIT code  0.1%  0x7fa7dba583b0
  0.5% ........ _next_rand  0.5%  tests/cpuburn.py:14
  0.0% ........ JIT code  0.0%  0x7fa7dba583b0

Ada juga opsi --html untuk mengeluarkan informasi yang sama seperti HTML untuk dilihat di browser. Dalam hal ini, cabang-cabang pohon dapat diperluas dan diciutkan secara interaktif.

Output berbasis garis

vmprof mendukung mode pembuatan profil garis, yang memungkinkan pengumpulan dan menampilkan statistik untuk garis terpisah di dalam fungsi.

Untuk mengaktifkan pengumpulan statistik garis, tambahkan argumen --lines ke vmprof:

$ python -m vmprof --lines -o < output-file > < your program > < your program args >

Atau berikan argumen lines=True ke fungsi vmprof.enable , saat memanggil vmprof dari kode.

Untuk melihat statistik garis untuk semua fungsi gunakan mode lines vmprofshow :

$ vmprofshow < output-file > lines

Untuk melihat statistik garis untuk fungsi tertentu gunakan argumen --filter dengan nama fungsi:

$ vmprofshow < output-file > lines --filter < function-name >

Anda akan melihat hasilnya:

$ vmprofshow vmprof_cpuburn.dat lines --filter _next_rand
Total hits: 1170 s
File: tests/cpuburn.py
Function: _next_rand at line 14

Line #     Hits   % Hits  Line Contents
=======================================
    14       38      3.2      def _next_rand(self):
    15                            # http://rosettacode.org/wiki/Linear_congruential_generator
    16      835     71.4          self._rand = (1103515245 * self._rand + 12345) & 0x7fffffff
    17      297     25.4          return self._rand

Keluaran "rata".

vmprofshow juga memiliki mode flat .

Meskipun gaya keluaran berbasis pohon dan berbasis garis untuk vmprofshow memberikan gambaran yang baik tentang waktu yang dihabiskan jika dilihat dari 'akar' grafik panggilan, terkadang lebih baik mendapatkan tampilan dari 'daun'. Hal ini sangat berguna ketika ada fungsi yang dipanggil dari beberapa tempat, di mana setiap pemanggilan tidak memakan banyak waktu, namun semua pemanggilan yang dilakukan secara bersamaan memerlukan biaya yang besar.

$ vmprofshow vmprof_cpuburn.dat flat                                                                                                                                                                                                                                                                                                                                                                                   andreask_work@dunkel 15:24
    28.895% - _PyFunction_Vectorcall:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/call.c:389
    18.076% - _iterate:cpuburn.py:20
    17.298% - _next_rand:cpuburn.py:15
     5.863% - <native symbol 0x563a5f4eea51>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/longobject.c:3707
     5.831% - PyObject_SetAttr:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/object.c:1031
     4.924% - <native symbol 0x563a5f43fc01>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:787
     4.762% - PyObject_GetAttr:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/object.c:931
     4.373% - <native symbol 0x563a5f457eb1>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:1071
     3.758% - PyNumber_Add:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:957
     3.110% - <native symbol 0x563a5f47c291>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/longobject.c:4848
     1.587% - PyNumber_Multiply:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:988
     1.166% - _PyObject_GetMethod:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/object.c:1139
     0.356% - <native symbol 0x563a5f4ed8f1>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/longobject.c:3432
     0.000% - <native symbol 0x7f0dce8cca80>:-:0
     0.000% - test:cpuburn.py:36
     0.000% - burn:cpuburn.py:27

Kadang-kadang mungkin diinginkan untuk mengecualikan fungsi "asli":

$ vmprofshow vmprof_cpuburn.dat flat --no-native                                                                                                                                                                                                                                                                                                                                                                       andreask_work@dunkel 15:27
    53.191% - _next_rand:cpuburn.py:15
    46.809% - _iterate:cpuburn.py:20
     0.000% - test:cpuburn.py:36
     0.000% - burn:cpuburn.py:27

Perhatikan bahwa output mewakili waktu yang dihabiskan di setiap fungsi, tidak termasuk fungsi yang dipanggil. (Dalam mode --no-native , orang yang dipanggil dengan kode asli tetap disertakan dalam total.)

Kadang-kadang mungkin juga diinginkan untuk memasukkan pengaturan waktu ke fungsi-fungsi yang dipanggil:

 $ vmprofshow vmprof_cpuburn.dat flat --include-callees                                                                                                                                                                                                                                                                                                                                                                 andreask_work@dunkel 15:31
   100.000% - <native symbol 0x7f0dce8cca80>:-:0
   100.000% - test:cpuburn.py:36
   100.000% - burn:cpuburn.py:27
   100.000% - _iterate:cpuburn.py:20
    53.191% - _next_rand:cpuburn.py:15
    28.895% - _PyFunction_Vectorcall:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/call.c:389
     7.807% - PyNumber_Multiply:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:988
     7.483% - <native symbol 0x563a5f457eb1>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:1071
     6.220% - <native symbol 0x563a5f4eea51>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/longobject.c:3707
     5.831% - PyObject_SetAttr:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/object.c:1031
     4.924% - <native symbol 0x563a5f43fc01>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:787
     4.762% - PyObject_GetAttr:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/object.c:931
     3.758% - PyNumber_Add:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/abstract.c:957
     3.110% - <native symbol 0x563a5f47c291>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/longobject.c:4848
     1.166% - _PyObject_GetMethod:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/object.c:1139
     0.356% - <native symbol 0x563a5f4ed8f1>:/home/conda/feedstock_root/build_artifacts/python-split_1608956461873/work/Objects/longobject.c:3432

Tampilan ini sangat mirip dengan tampilan "pohon", kecuali tampilan sarangnya.

Memperluas