关于 Scalene
Scalene 是一个 Python 的高性能 CPU内存分析器，它可以做到很多其他Python分析器不能做到的事情。它在能提供更多详细信息的同时，比其他的分析器要快几个数量级。
- Scalene 是 很快的。它使用采样的方式而不是直接测量或者依靠Python的追踪工具。它的开销一般不超过10-20% (通常更少)。
- Scalene 是 精确的。和大部分其他的Python分析器不同，Scalene 在 行级别 下执行CPU分析，在你的程序中指出对应代码行的执行时间。和大多数分析器所返回的功能级分析结果相比，这种程度的细节可能会更有用。
- Scalane 可以区分在Python中运行的时间和在native代码(包括库)中花费的时间。大多数的Python程序员并不会去优化native代码(通常在Python实现中或者所依赖的外部库)，所以区分这两种运行时间，有助于开发者能够将优化的工作专注于他们能够实际改善的代码上。
- Scalene 可以 分析内存使用情况。除了追踪CPU使用情况，Scalene还指出对应代码行的内存增长。这是通过指定内存分配器来实现的。
- NEW! Scalene 会生成 每行 的内存分析，以此更容易的追踪内存泄露。
- NEW! Scalene 会分析 内存拷贝量, 从而易于发现意外的内存拷贝。特别是因为跨越Python和底层库的边界导致的意外 (例如：意外的把
numpy数组转化成了Python数组，反之亦然)。
安装
Scalene 通过 pip 包的形式进行分发，可以运行在Mac OS X和Linux平台(包括在Windows WSL2中运行的Ubuntu)。
你可以通过下面的方式安装：
% pip install scalene
或者
% python -m pip install scalene
注意: 现在这样安装Scalene，是不会安装内存分析的库，所以你只能用它来执行CPU的分析。如果要使用它的内存分析能力，你需要下载这个代码仓库。
NEW: 你现在可以通过以下命令，在 Mac OS X 上使用 brew 安装内存分析的部分：
% brew tap emeryberger/scalene
% brew install --head libscalene
这将会安装一个你可以使用的 scalene 脚本（下面会提到）。
使用
下面的命令会让 Scalene 在提供的示例程序上执行 行级别的CPU分析。
% python -m scalene test/testme.py
如果你使用Homebrew安装 Scalene 库，你只需要执行 scalene 就可以执行行级别的CPU和内存分析：
% scalene test/testme.py
否则，你需要运行 make 来先构建一个指定的内存分配器：
% make
在 Mac OS X 系统上进行分析(不使用Homebrew安装)：
% DYLD_INSERT_LIBRARIES=$PWD/libscalene.dylib PYTHONMALLOC=malloc python -m scalene test/testme.py
在Linux系统上分析：
% LD_PRELOAD=$PWD/libscalene.so PYTHONMALLOC=malloc python -m scalene test/testme.py
执行时增加 --help 来查看全部配置：
% 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)
对比其他分析器
性能和功能
下面的表格把 scalene 和不同分析器的性能做了比较。运行的示例程序 (benchmarks/julia1_nopil.py) 来自于 Gorelick 和 Ozsvald 的 《高性能Python编程》。所有的这些结果都是在 2016款 MacBook Pro上运行的。
这个表格是其他分析器 vs. Scalene 的功能比较。
输出
Scalene 打印被分析程序中带注释的源代码，以及程序在同目录和子目录使用到的任何模块。下面是一个来自 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
下面是一个启用了内存分析的示例，运行的是Julia的基准测试。第一行是一个“sparkline”，总结了一段时间内的内存消耗。
Memory usage: ▁▁▄▇█▇▇▇█▇█▇█▇█▇█▇▇▇▇█▇▇█▇█▇▇▇▇▇▇▇▇▇▇▇▇▇▇▇▇▇▇▇█ (max: 105.73MB)
benchmarks/julia1_nopil.py: % of CPU time = 100.00% out of 9.11s.
| CPU % | CPU % | Avg memory | Memory |
Line | (Python) | (native) | growth (MB) | usage (%) | [benchmarks/julia1_nopil.py]
--------------------------------------------------------------------------------
1 | | | | | import sys
[... lines omitted ...]
30 | | | | | def calculate_z_serial_purepython(maxiter, zs, cs):
31 | | | | | """Calculate output list using Julia update rule"""
32 | | | 18 | 0.74% | output = [0] * len(zs)
33 | 0.44% | 0.06% | 16 | 1.32% | for i in range(len(zs)):
34 | | | | | n = 0
35 | 0.22% | 0.04% | -16 | | z = zs[i]
36 | 0.22% | 0.07% | | | c = cs[i]
37 | 26.12% | 5.57% | | | while abs(z) < 2 and n < maxiter:
38 | 36.04% | 7.74% | 16 | 85.09% | z = z * z + c
39 | 12.01% | 2.70% | -16 | 3.96% | n += 1
40 | 0.33% | 0.10% | | | output[i] = n
41 | | | | | return output
42 | | | | |
正的内存数代表内存的分配量(以MB为单位)，负的内存数代表内存的回收量。内存的使用率代表特定行中总内存分配的活动。
致谢
Logo由 Sophia Berger 创作。
原文标题：scalene: a high-performance CPU and memory profiler for Python
原文链接：github.com/emeryberger/
推荐阅读：
▼点击阅读原文 立即秒杀云产品！