当前位置：首页 > 文章列表 > 文章 > python教程 > 分析异步Python

分析异步Python

来源：dev.to 2025-02-01 13:58:44 0浏览收藏

推广推荐

免费电影APP ➜

支持 PC / 移动端，安全直达

最近发现不少小伙伴都对文章很感兴趣，所以今天继续给大家介绍文章相关的知识，本文《分析异步Python》主要内容涉及到等等知识点，希望能帮到你！当然如果阅读本文时存在不同想法，可以在评论中表达，但是请勿使用过激的措辞~

介绍

应用程序分析是一个分析程序以确定其特征的过程：执行时间不同的代码零件和资源用法。

分析的主要阶段总是或多或少相同的：

。执行不同的代码零件需要多少时间？
。程序的不同部分消耗了多少内存？识别瓶颈
> >性能优化
有限数量的异步代码的特定瓶颈。 让我们将每种类型与代码示例匹配。

异步python中的瓶颈的主要类型

阻止操作

import asyncio
import time

async def main():
    print('start')
    # blocking call
    time.sleep(3)  # this blocks the entire event loop
    print('end')

asyncio.run(main())

顺序调用异步任务

import asyncio
import aiohttp

async def fetch(session, url):
    async with session.get(url) as response:
        return await response.text()

async def main():
    urls = ["http://medium.com"] * 10
    async with aiohttp.clientsession() as session:
        # inefficient: sequential requests
        for url in urls:
            await fetch(session, url)

asyncio.run(main())

过度上下文切换

import asyncio

async def tiny_task():
    await asyncio.sleep(0.0001)

async def main():
    # excessive context switching due to many small tasks
    await asyncio.gather(*(tiny_task() for _ in range(100000)))

asyncio.run(main())

资源饥饿

import asyncio

async def long_running_task():
    await asyncio.sleep(10)
    print("long task executed")

async def quick_task():
 await asyncio.sleep(1)
    print("quick task executed")

async def main():
    await asyncio.gather(
        long_running_task(),
        quick_task()  # may be delayed excessively
    )

asyncio.run(main())

内存开销

import asyncio

async def large_data_task():
    data = "lorep ipsum" * 10**8  # large memory usage
    await asyncio.sleep(1)

async def main():
    tasks = [large_data_task() for _ in range(100)]  # high memory consumption
    await asyncio.gather(*tasks)

asyncio.run(main())

顺便说一句，探查者一般如何工作？

>单独的文章将专门用于详细的评论，因为现在我们可以将自己限制在基本分类中：

>确定性剖析师

。主要代表是内置的cprofile。该探测器计算每个函数的调用数量以及功能所花费的时间。问题在于，异步呼叫的等待时间没有考虑到。

统计剖面。普通代表是鳞状，py-spy，yappi，pyinsprument，奥斯汀。这样的探索者以某种频率进行了该过程的“快照”，并应用了统计分析的方法来搜索瓶颈。
-
使用鳞片进行分析
为什么要鳞？因为此工具允许分析cpu和内存，因此在github上具有10k 星星，并且该项目正在积极开发。 >让我们看看上面列表中每个“有问题”代码的scalene所说的。
>

36277728875

阻止操作

>您可以立即看到问题线，并立即阻止呼叫 - python的2％，在系统呼叫中的98％的时间。

顺序调用异步任务

>这里有点复杂。您可以看到90％的时间用于系统调用，但是该行已更改 - 现在它是本身。最好是记住这种剖面输出的模式。

过度上下文切换

calling asynchronous tasks sequentially 我们看到内存消耗如何在>中增长 - 任务的“拆分”太贪婪了。