Py-Spy介紹
引用官方的介紹：
Py-Spy是Python程序的抽樣分析器。 它允許您可視化查看Python程序在哪些地方花了更多時間，整個監控方式無需重新啟動程序或以任何方式修改工程代碼。 Py-Spy的開銷非常低：它是用Rust編寫的，速度與編譯的Python程序不在同一個進程中運行。 這意味着Py-Spy可以安全地用於生成生產環境中的Python應用調優分析。
github：https://github.com/benfred/py-spy
安裝
pip install py-spy
安裝后使用py-spy - h可以驗證安裝，並查看使用幫助。
py-spy從命令行工作，並獲取要從中采樣的程序的PID或要運行的python程序的命令行。py-spy具有三個子命令record， top和dump：
- record生成火焰圖
- top實時查看每個函數運行時間並統計
- dump顯示每個python線程的當前調用堆棧
使用py-spy 生成火焰圖
py-spy是一個非常好用而且簡單的庫，看完他的readme 介紹文檔基本就可以入手使用spy。這個工具一是可以生成profile 火焰圖，二是可以定位到程序中最耗時間的代碼的位置。它的優點在於完全不用修改代碼，相比較其他的一些性能調查工具，py-spy這一點非常棒，當你debug 一個線上正在運行的程序的時候，只需要提供進程id，py-spy 就可以直接生成火焰圖。
py-spy record -o profile.svg --pid 12345
或者
py-spy record -o profile.svg-python myprogram.py
"12345" 為程序運行的pid，當運行這行命令的時候，py-spy 開始抽樣的程序simlple 並且生成火焰圖，我們可以等待1分鍾左右 ctrl+c 結束，這時候會在運行這行命令的當前目錄下生成 profile.svg 火焰圖, 如下圖:
火焰圖的分析非常簡單直觀，主要是看"平頂"，看圖中最下方那個峰頂是平的，那么程序的性能問題就可以從這里入手去解決，這里不詳細介紹火焰圖看法，不明白的同學可以自行百度。 通過生成火焰圖分析程序瓶頸大概率可以找到並解決80%的程序性能問題，但是還有一種問題，如果我的火焰圖沒有平頂，但是程序依舊很慢，該如何定位問題？
沒有平頂情況下，定位程序中耗時最多函數/代碼
如下圖，通過火焰圖並沒有發現程序中的平頂
Top功能
這時候要用到py-spy 提供的 top 命令，Top顯示了在python程序中花費最多時間的功能的實時視圖，類似於unix top命令。
py-spy top --pid 12345
或
py-spy top-python myprogram.py
輸入上述命令后，在控制台會顯示程序實時的運行狀態，這里可以介紹一下圖中4個參數的含義, 然后可以通過按1，2，3，4 四個按鍵，讓程序按照下圖所述排序。
1按％Own排序（當前在該函數中花費的時間的百分比）
2按％Total排序（函數及其子級中當前的時間百分比）
3按OwnTime排序（函數中花費的總時間）
4按TotalTime排序（該函數及其子項花費的總時間）
比較直觀的 使用3 , 可以比較直接的看出程序運行中，所占比消耗時間最多的函數，然后從函數如圖進行分析，如下圖，可以看出 是wrap 裝飾器函數消耗的時間最長，我們用wrapt 這個c寫的裝飾器進行替換后效率有了明顯的提升。
總結 ： 使用py-spy 相對於其他一些python性能分析工具，優勢在於使用非常簡單，而且無須對代碼做任何改動，並且可以在保護現場情況下，直接生成火焰圖，還可查看實時程序運行狀態。
火焰圖怎么看
首先你需要知道：
X方向是采樣時間。
Y方向是函數調用棧。
如果給你一個這樣的火焰圖，你應該得出什么信息：
1.a()是開始的執行函數，但沒有消耗cpu，在這個函數里執行了b(),h()。
2.a()的兩個分支b()和h()，這表明a()里面可能有一個條件語句，繼續可以看到b()分支消耗的 CPU 大大高於h()。
3.h()函數沒有消耗cpu，cpu全被i()函數占有。
4.b()函數這條支路繼續往上，一直到d()，由d()函數的子函數e()消耗一部分cpu,f()下的g()消耗一部分cpu,你會發現d()的最右邊往上缺了一塊，這塊就是d()執行消耗的cpu。
結論：
消耗cpu的函數為e(),g(),d(),i()。
因此，如果要調查性能問題，首先應該調查g()，其次是i()。
Scalene
Scalene 是一個 Python 的高性能 CPU內存分析器，它可以做到很多其他Python分析器不能做到的事情。它在能提供更多詳細信息的同時，比其他的分析器要快幾個數量級。
-
Scalene 是 很快的。它使用采樣的方式而不是直接測量或者依靠Python的追蹤工具。它的開銷一般不超過10-20% (通常更少)。
-
Scalene 是 精確的。和大部分其他的Python分析器不同，Scalene 在 行級別 下執行CPU分析，在你的程序中指出對應代碼行的執行時間。和大多數分析器所返回的功能級分析結果相比，這種程度的細節可能會更有用。
-
Scalane 可以區分在Python中運行的時間和在native代碼(包括庫)中花費的時間。大多數的Python程序員並不會去優化native代碼(通常在Python實現中或者所依賴的外部庫)，所以區分這兩種運行時間，有助於開發者能夠將優化的工作專注於他們能夠實際改善的代碼上。
-
Scalene 可以 分析內存使用情況。除了追蹤CPU使用情況，Scalene還指出對應代碼行的內存增長。這是通過指定內存分配器來實現的。
-
NEW! Scalene 會生成 每行 的內存分析，以此更容易的追蹤內存泄露。
-
NEW! Scalene 會分析 內存拷貝量, 從而易於發現意外的內存拷貝。特別是因為跨越Python和底層庫的邊界導致的意外 (例如：意外的把
numpy數組轉化成了Python數組，反之亦然)。
安裝
Scalene 通過 pip 包的形式進行分發，可以運行在Mac OS X和Linux平台(包括在Windows WSL2中運行的Ubuntu)。
你可以通過下面的方式安裝：
% pip install scalene或者
% python -m pip install scalene注意: 現在這樣安裝Scalene，是不會安裝內存分析的庫，所以你只能用它來執行CPU的分析。如果要使用它的內存分析能力，你需要下載這個代碼倉庫。
NEW: 你現在可以通過以下命令，在 Mac OS X 上使用 brew 安裝內存分析的部分：
% brew tap emeryberger/scalene
% brew install --head libscalene這將會安裝一個你可以使用的 scalene 腳本（下面會提到）。
使用
下面的命令會讓 Scalene 在提供的示例程序上執行 行級別的CPU分析。
% python -m scalene test/testme.py如果你使用Homebrew安裝 Scalene 庫，你只需要執行 scalene 就可以執行行級別的CPU和內存分析：
% scalene test/testme.py否則，你需要運行 make 來先構建一個指定的內存分配器：
% make在 Mac OS X 系統上進行分析(不使用Homebrew安裝)：
% DYLD_INSERT_LIBRARIES=$PWD/libscalene.dylib PYTHONMALLOC=malloc python -m scalene test/testme.py在Linux系統上分析：
% LD_PRELOAD=$PWD/libscalene.so PYTHONMALLOC=malloc python -m scalene test/testme.py執行時增加 --help 來查看全部配置：
% python3 -m scalene --help
usage: scalene [-h] [-o OUTFILE] [--profile-interval PROFILE_INTERVAL]
[--wallclock]
prog
Scalene: a high-precision CPU and memory profiler.
https://github.com/emeryberger/Scalene
for CPU profiling only:
% python -m scalene yourprogram.py
for CPU and memory profiling (Mac OS X):
% DYLD_INSERT_LIBRARIES=$PWD/libscalene.dylib PYTHONMALLOC=malloc python -m scalene yourprogram.py
for CPU and memory profiling (Linux):
% LD_PRELOAD=$PWD/libscalene.so PYTHONMALLOC=malloc python -m scalene yourprogram.py
positional arguments:
prog program to be profiled
optional arguments:
-h, --help show this help message and exit
-o OUTFILE, --outfile OUTFILE
file to hold profiler output (default: stdout)
--profile-interval PROFILE_INTERVAL
output profiles every so many seconds.
--wallclock use wall clock time (default: virtual time)對比其他分析器
性能和功能
下面的表格把 scalene 和不同分析器的性能做了比較。運行的示例程序 (benchmarks/julia1_nopil.py) 來自於 Gorelick 和 Ozsvald 的 《高性能Python編程》。所有的這些結果都是在 2016款 MacBook Pro上運行的。
這個表格是其他分析器 vs. Scalene 的功能比較。
輸出
Scalene 打印被分析程序中帶注釋的源代碼，以及程序在同目錄和子目錄使用到的任何模塊。下面是一個來自 pystone.py pystone.py 的片段，只使用了CPU分析：
benchmarks/pystone.py: % of CPU time = 100.00% out of 3.66s.
| CPU % | CPU % |
Line | (Python) | (native) | [benchmarks/pystone.py]
--------------------------------------------------------------------------------
[... lines omitted ...]
137 | 0.27% | 0.14% | def Proc1(PtrParIn):
138 | 1.37% | 0.11% | PtrParIn.PtrComp = NextRecord = PtrGlb.copy()
139 | 0.27% | 0.22% | PtrParIn.IntComp = 5
140 | 1.37% | 0.77% | NextRecord.IntComp = PtrParIn.IntComp
141 | 2.47% | 0.93% | NextRecord.PtrComp = PtrParIn.PtrComp
142 | 1.92% | 0.78% | NextRecord.PtrComp = Proc3(NextRecord.PtrComp)
143 | 0.27% | 0.17% | if NextRecord.Discr == Ident1:
144 | 0.82% | 0.30% | NextRecord.IntComp = 6
145 | 2.19% | 0.79% | NextRecord.EnumComp = Proc6(PtrParIn.EnumComp)
146 | 1.10% | 0.39% | NextRecord.PtrComp = PtrGlb.PtrComp
147 | 0.82% | 0.06% | NextRecord.IntComp = Proc7(NextRecord.IntComp, 10)
148 | | | else:
149 | | | PtrParIn = NextRecord.copy()
150 | 0.82% | 0.32% | NextRecord.PtrComp = None
151 | | | return PtrParIn
refer：