在这篇文章中，我将讨论一个工具来分析Python中的CPU使用情况。CPU分析通过分析CPU如何执行代码来衡量代码的性能，找出代码的问题并加以处理。接下来我们看看如何在使用Python脚本时跟踪CPU使用率，重点关注以下几个方面：1.cProfile2.line_profiler3.pprofile4.vprof测量CPU使用率对于本文，我将主要使用与内存相同的脚本在分析中使用，如下所示：另外，请记住，在PyPy2中，您需要使用适用于：的pip版本，并且还将安装其他依赖项：cProfile是讨论CPU分析时最常用的之一tools是cProfile，主要是因为它内置于CPython2和PyPy2中。这是一个确定性分析器，意味着在程序运行时收集一组统计数据，例如我们代码各个部分的执行次数或执行时间。此外，cProfile的系统开销低于其他内置分析器（配置文件）。CPython2的用法很简单：如果你使用PyPy2：它的输出如下：即使有这个文本输出，也很容易看出我们的脚本多次调用了list.append方法。如果我们使用gprof2dot，我们可以以图形方式看到cProfile输出。要使用它，我们必须先安装graphviz，然后安装一些依赖包，***在Ubuntu上使用以下命令：再次运行脚本：我们得到以下output.png文件：这使得查看所有内容变得更容易。让我们仔细看看它的输出。可以看到脚本中的函数调用如下：1.第一行：Python文件名、行号和方法名2.第二行：代码块占用总时间的百分比3.第三行行：括号中，方法本身占总时间的百分比4.第四行：函数被调用的次数。剩下的时间花在了Python中的list.append（22.33%）和range（11.51%）上。作为一个简单的脚本，我们只需要按如下方式重写我们的脚本：如果我们使用CPython2来测量我们脚本的时间，以及PyPy2：我们使用CPython2和3.1X使用PyPy2获得了很好的结果，下面是cProfile的调用流程图：你也可以通过编程方式使用cProfile，例如：这在某些情况下很有用，比如多进程性能测量line_profiler这个profiler提供关于行级工作负载的信息。它使用Cython在C中实现，与cProfile相比开销较小。可以在此处找到源代码，在此处可以找到PyPI页面。与cProfile相比，它具有相同的开销，但获取配置文件的时间要长12倍。要使用它，需要先通过pip添加：pipinstallpipinstallCythonipython==5.4.1line_profiler(CPython2)。这个分析器的一个主要缺点是它不支持PyPy。就像使用memory_profiler一样，您需要为要分析的函数添加装饰器。在我们的例子中，您需要在03.primes-v1.py中定义我们的primes函数之前添加@profile。然后调用它：你会得到这样的输出：我们看到重复调用list.append的两个循环花费的时间最多。pprofile根据作者的说法，pprofile是“用于线程测量和统计的纯Python分析器”。它受到line_profiler的启发并修复了很多缺点，但由于它完全用Python编写，因此它也可以成功地与PyPy一起使用。与cProfile相比，使用CPython时的分析时间长28倍，使用PyPy时长10倍，并且详细程度更精细。我们也支持PyPy！除此之外，它还支持分析线程，这在各种情况下都可以派上用场。要使用它，需要先通过pip添加：pipinstallpprofile(CPython2)/pypy-mpipinstallpprofile(PyPy)，然后调用它：输出和我们之前看到的不一样，我们得到如下结果:我们现在可以更详细地查看所有内容。让我们看看输出。您可以获得脚本的整个输出，并且在每一行之前您可以看到对其的调用次数、经过的时间（以秒为单位）、每次调用的时间和全局时间的百分比，pprofile在我们的输出中添加了额外的行（例如如第44和50行，以(call))开始，带有累积指标。同样，我们看到重复调用list.append的两个循环在我们的脚本中花费的时间最多。vprofvprof是一个Python分析器，它提供各种Python程序特征（例如运行时和内存使用情况）的丰富交互式可视化。它是基于Node.JS的网页结果图形显示。使用它，您可以看到以下与您的Python脚本相关的一项或全部：1.CPU使用率图2.代码分析3.内存图4.代码热图要使用它，您需要先通过pip添加它：pipinstallvprof(CPython2)/pypy-mpipinstallvprof(PyPy)，然后调用它：在CPython2上，显示代码热图（下面第一次调用）和代码分析（下面第二次调用）：在PyPy上，显示代码散点图（下面第一次调用）和代码分析（下面的第二次调用）：在每种情况下，您将看到以下代码散点图和以下代码分析。结果以图形方式显示，我们可以将鼠标悬停或单击每一行以获取更多信息。同样，我们看到重复调用list.append的两个循环在我们的脚本中花费的时间最多。
