python的性能监控的几种方法

前言：

编译型语言，比如C，C++，Go编译出来的二进制，可以使用perf来分析性能。对于编译出来的elf格式，使用dwarf来分析symbol。

对于python这种解释型语言，就会比较麻烦。因为python进程的stack是Cpython的stack，并非对应的py的stack。

分析：

1,cProfile

python的官方提供了profiling工具，https://docs.python.org/2/library/profile.html

用法上，需要修改代码，重新执行。对于线上业务，其实是不太友好的。另外就是如果父进程启动之后，启动子进程执行，就没法工作了。

相比这种方式，作者更倾向旁路的方式，对于一个running的python进程进行profiling，业务进程不需要修改，也无感知（允许一定范围内的性能下降）。像perf一样，不侵入进程的情况下进行性能分析，用起来更舒服一些。

2,cpython的stack

来一段测试代码：

打印的结果是：

python的内置的traceback的结果，也是我们预期的。

实际上，使用gdb得到的结果：

可见，python进程的stack，是解释器的二进制的stack。

3,py-bt

python提供了gdb的能力，但是对gdb的版本有些要求。搭起来环境，发现gdb可以dump出来python的backtrace。

順藤摸瓜，分析libpython.py的代码发现：

a，使用gdb来dump出来cpython的stack

b，过滤掉非python的stack，方法就是判断frame的名字是不是“PyEval_EvalFrameEx”

c，在python的frame中保存了line number和file name。解释出来frame即可。

可见，gdb提供了一个很好的例子，使用旁路的方法，可以获取到python的backtrace。

那么，我们可以使用另外一个进程，每秒抓取1000次backtrace，哪个backtrace命中的更多，就说明CPU更加密集。好吧，这个动作的准确名词是“采样”，当然采样的频率可以调整才是。

4,pstack

pstack和gdb的原理类似，都是使用kernel提供的ptrace这个syscall实现的。

相比于gdb，pstack更加合适。实际上，目前upstream上已经开始支持了python的trace。

改造pstack是一个不错的方法。

5,pyflame

uber开源了pyflame工具，https://github.com/uber/pyflame

也是完全的旁路profiling工具。目前支持的功能基本满足需求，可以分析出来各个backtrace的命中次数，结合flame graph画出热点图。

值得一说的是，pyflame的实现上，和gdb的方式有很大差别：

a，在cpython中，_PyThreadState_Current这个symbol保存着当前正在运行的thread。

b，在_PyThreadState_Current中保存着当前python栈的frame。

c，从当前的frame信息中得到行号和文件名，以及上一级frame的指针。

d，遍历frame得到所有的backtrace。

综上，pyflame是一个不错的旁路profiling工具。