vmprof python下載 - vmprof python原始碼下載

VMProf Python 套件

請造訪 https://vmprof.readthedocs.org 以了解更多資訊！

安裝

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

我們的建置系統將輪子運送到 PyPI（Linux、Mac OS X）。如果從原始程式碼構建，則需要安裝 CPython 開發標頭和 libunwind 標頭（僅限 Linux）。在 Windows 上，這表示您的 Python 版本需要 Microsoft Visual C++ 編譯器。

發展

可以使用以下命令來完成開發設定：

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

需要安裝python開發包。例如，對於 Debian 或 Ubuntu，您需要的軟體包是python3-dev和libunwind-dev 。現在是時候編寫測試並實現您的功能了。如果您希望所做的變更影響 vmprof.com，請造訪 https://github.com/vmprof/vmprof-server 並依照設定說明進行操作。

有關更多信息，請參閱 https://vmprof.readthedocs.org 上的開發部分。

vmprofshow

vmprofshow是VMProf隨附的命令列工具。它可以讀取配置檔案並產生格式化的輸出。

以下是如何使用vmprofshow的範例：

運行那個會消耗 CPU 週期的小程式（啟用 vmprof）：

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

這將產生一個設定檔vmprof_cpuburn.dat 。現在使用vmprofshow顯示設定檔。 vmprofshow有多種顯示資料的模式。我們將從基於樹的模式開始。

基於樹的輸出

$ vmprofshow vmprof_cpuburn.dat tree

您將看到（彩色）輸出：

$ 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

還有一個選項--html可以發出與 HTML 相同的資訊以在瀏覽器中查看。在這種情況下，樹枝可以互動地展開和折疊。

基於行的輸出

vmprof 支援行分析模式，該模式可以收集和顯示函數內單獨行的統計資料。

若要啟用行統計資訊的收集，請將--lines參數新增至 vmprof：

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

或從程式碼呼叫 vmprof 時，將lines=True參數傳遞給vmprof.enable函數。

要查看所有函數的行統計信息，請使用vmprofshow的lines模式：

$ vmprofshow < output-file > lines

要查看特定函數的行統計信息，請使用--filter參數和函數名稱：

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

您將看到結果：

$ 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

“扁平化”輸出

vmprofshow還具有flat模式。

雖然vmprofshow的基於樹和基於行的輸出樣式可以很好地了解從調用圖的“根”查看時花費在何處的時間，但有時需要從“葉子”獲取視圖。當存在從多個位置呼叫的函數時，這特別有用，其中每次呼叫不會消耗太多時間，但所有呼叫加在一起確實會產生巨大的成本。

$ 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

有時可能需要排除“本機”函數：

$ 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

請注意，輸出表示每個函數花費的時間，不包括呼叫的函數。（在--no-native模式下，本機程式碼被呼叫者仍包含在總數中。）

有時，可能還需要取得包含被呼叫函數的計時：

 $ 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

該視圖與“樹”視圖非常相似，只是沒有嵌套。

展開