Профилирование и отладка Django

Профилирование и отладка
Django
Владимир Рудных

Moscow Django MeetUp №13
Обо мне
• технический руководитель
Календаря Mail.Ru
• pythonista
• бывший перловик
• ленивый программист

Cбор характеристик работы программы
с целью их дальнейшей оптимизации.
Профилирование

Что собираем?
• время выполнения строк кода
• количество вызовов функций
• время выполнения функций
• дерево вызовов функций
• “hot spots”
• загрузку CPU, использование памяти
• и т.д.

Project Euler
http://projecteuler.net
Тренируемся

Простые делители числа 13195 — это 5, 7, 13 и 29.
Какой самый большой делитель числа 600851475143,
являющийся простым числом?
Project Euler: задача 3

1 """Project Euler problem 3 solve"""
2
3
4 def is_prime(num):
5 """Checks if num is prime number"""
6 for i in range(2, num):
7 if not num % i:
8 return False
9 return True
10
11
12 def prime_factors(num):
13 """Find prime factors of num"""
14 result = []
15 for i in range(2, num):
16 if is_prime(i) and not num % i:
17 result.append(i)
18 return result
19
20
21 if __name__ == '__main__':
22 print "Answer: %d" % prime_factors(600851475143)[-1]

Профилирование начинается в голове.
Инструменты — всего лишь инструменты.
Искусство профилирования

2 from math import sqrt
3
4
7 for i in range(2, int(sqrt(num)) + 1):
8 if not num % i:
9 return False
10 return True
11
12
15 result = []
18 result.append(i)
19 return result
20
21
22 if __name__ == '__main__':

Подходы к профилированию
• ручное профилирование
• с помощью инструментов

Ручное профилирование

rudnyh@work:~/work/python-profiling (venv: python-profiling) (git: master|✔)
➜ time python max_prime_factor.py
Answer: 6857
python max_prime_factor.py 20,00s user 0,19s system 82% cpu 24,445 total

2 import time
4
5
9 if not num % i:
10 return False
11 return True
12
13
16 result = []
19 result.append(i)
20 return result
21
22
23 if __name__ == '__main__':
24 start = time.time()
26 print "Time: %f s" % (time.time() - start)

➜ python max_prime_factor.py
Answer: 6857
Time: 23.531779 s

Answer: 6857
Time: 21.143574 s
Answer: 6857
Time: 22.638407 s
Answer: 6857
Time: 20.774542 s
Answer: 6857
Time: 22.272329 s
Answer: 6857
Time: 23.562760 s

timeit
http://docs.python.org/2/library/timeit.html

➜ python -m timeit -n 10 -s'from max_prime_factor import prime_factors' 'prime_factors(600851475143)'
10 loops, best of 3: 22.3 sec per loop
timeit

очень простое применение
ограниченно подходит
для продакшена
вставка чужеродного кода в проект
никакой информации о коде
(кроме времени выполнения)
анализ результатов может быть
затруднительным

— Зацени, мой код быстрее твоего!
Применение

Применение

Сбор статистики времени выполнения кода.
Например, в graphite или statsd:
Применение в реальной жизни

1 """Collect profiling statistic into graphite"""
2 import socket
3 import time
4
5
6 CARBON_SERVER = '127.0.0.1'
7 CARBON_PORT = 2003
8
9
10 class Stats(object):
11 """Context manager for send stats to graphite"""
12
13 def __init__(self, name):
14 self.name = name
15
16 def __enter__(self):
17 self.start = time.time()
18 return self
19
20 def __exit__(self, *args):
21 duration = (time.time() - self.start) * 1000 # msec
22 message = '%s %d %dn' % (self.name, duration, time.time())
23
24 sock = socket.socket()
25 sock.connect((CARBON_SERVER, CARBON_PORT))
26 sock.sendall(message)
27 sock.close()
Менеджер контекста

from django.core.mail import send_mail
from profiling.context_managers import Stats
...
with Stats('django_project.profiling.send_email'):
send_mail(
'Subject here',
'Here is the message.',
'from@example.com',
['to@example.com'],
fail_silently=False
)
Пример использования

1 """Collect profiling statistic into graphite"""
2 import socket
3 import time
4
5
6 CARBON_SERVER = '127.0.0.1'
7 CARBON_PORT = 2003
8
9
10 def stats(name):
11 """Decorator for send stats to graphite"""
12 def _timing(func):
13 def _wrapper(*args, **kwargs):
14 start = time.time()
15 result = func(*args, **kwargs)
16 duration = (time.time() - start) * 1000 # msec
17 message = '%s %d %dn' % (name, duration, time.time())
18
19 sock = socket.socket()
20 sock.connect((CARBON_SERVER, CARBON_PORT))
21 sock.sendall(message)
22 sock.close()
23
24 return result
25 return _wrapper
26 return _timing
Декоратор

from django.db import models
from profiling.decorator import stats
...
class Model(model.Model):
...
@stats('django_project.profiling.application.save')
def save(self, *args, **kwargs):
# do some hard work like thumbnail generation
super(Model, self).save(*args, **kwargs)
Пример использования

Статистика профилирования

Профилирование
с помощью инструментов

Инструменты для профилирования
•Deterministic (event-based)
•Statistical

def is_prime(num):
"""Checks if num is prime number"""
for i in range(2, num):
if not num % i:
return False
return True
Deterministic profilers
@profile
def is_prime(num):
if not num % i:
return False
return True

def is_prime(num):
with profile():
if not num % i:
return False
return True
def is_prime(num):
profile.start()
if not num % i:
return False
profile.stop()
return True

def foo()
def bar()
def baz() def ololo()

вся информация о коде
множество инструментов для анализа
очень медленно
непригодно для продакшена
(или крайне ограниченно)

Statistical profilers
def foo() def bar() def baz()
def foo() def bar() def baz()
Timer: 1ms
Timer: 10ms

def foo() def foo() def foo() def foo()def foo()
def foo()

можно пускать в продакшн
(практически не влияет на быстродействие)
не вся информация о коде
мало инструментов для анализа

• profile
• cProfile
• hotshot
• kcachegrind
• RunSnakeRun
• gprof2dot
• pycallgraph
• line_profiler
• memory_profiler
• dowser
• guppy
• muppy
• memprof
• objgraph
“тысячи их”...

cProfile
http://docs.python.org/2/library/profile.html

➜ python -m cProfile -s time max_prime_factor.py
Answer: 6857
2325444 function calls in 21.912 seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
775145 14.240 0.000 21.233 0.000 max_prime_factor.py:5(is_prime)
775146 6.779 0.000 6.779 0.000 {range}
1 0.630 0.630 21.909 21.909 max_prime_factor.py:13(prime_factors)
775146 0.260 0.000 0.260 0.000 {math.sqrt}
1 0.003 0.003 21.912 21.912 max_prime_factor.py:1(<module>)
4 0.000 0.000 0.000 0.000 {method 'append' of 'list' objects}
1 0.000 0.000 0.000 0.000 {method 'disable' of '_lsprof.Profiler' objects}
cProfile

3
4
8 if not num % i:
9 return False
10 return True
11
12
15 result = []
17 if not num % i and is_prime(i):
18 result.append(i)
19 return result
20
21
22 if __name__ == '__main__':

➜ python -m cProfile -s time max_prime_factor.py
Answer: 6857
Ordered by: internal time
8 0.070 0.009 0.070 0.009 {range}
8 0.000 0.000 0.000 0.000 {math.sqrt}
cProfile

Ускорил код в сто раз

import cProfile
def profile(func):
"""Decorator for run function profile"""
def wrapper(*args, **kwargs):
profile_filename = func.__name__ + '.profile'
profiler = cProfile.Profile()
result = profiler.runcall(func, *args, **kwargs)
profiler.dump_stats(profile_filename)
return result
return wrapper
@profile
def foo():
...
cProfile: декоратор

hotshot
http://docs.python.org/2/library/hotshot.html

import hotshot
prof = hotshot.Profile("profile_name.prof")
prof.start()
# your code goes here
prof.stop()
prof.close()
hotshot: использование

import hotshot
def profile(func):
"""Decorator for run function profile"""
def wrapper(*args, **kwargs):
profile_filename = func.__name__ + '.profile'
profiler = hotshot.Profile(profile_filename)
profiler.start()
result = func(*args, **kwargs)
profiler.stop()
profiler.close()
return result
return wrapper
@profile
def foo():
...
hotshot: декоратор

cProfile, hotshot
мощные инструменты
достаточно простые
дерево вызовов функций
сильно влияют на производительность
анализ результатов может быть
затруднительным

Answer: 6857
➜ time python -m cProfile max_prime_factor.py
Answer: 6857
Ordered by: standard name
8 0.000 0.000 0.000 0.000 {math.sqrt}
python -m cProfile max_prime_factor.py 0,23s user 0,09s system 58% cpu 0,541 total
cProfile: производительность

Сохраняем результаты профилирования
в файл для дальнейшего анализа:
➜ python -m cProfile -o max_prime_factor.prof max_prime_factor.py
Answer: 6857
➜ ls
max_prime_factor.prof max_prime_factor.py
cProfile: анализ результатов

➜ ipython
In [1]: import pstats
In [2]: p = pstats.Stats('max_prime_factor.prof')
In [3]: p.sort_stats('calls')
Out[3]: <pstats.Stats instance at 0x10689bf80>
In [4]: p.print_stats(5)
Ordered by: call count
List reduced from 6 to 5 due to restriction <5>
8 0.000 0.000 0.000 0.000 {math.sqrt}
Out[4]: <pstats.Stats instance at 0x10689bf80>
Анализ: pstats

➜ pip install pyprof2calltree
➜ pyprof2calltree -i max_prime_factor.prof -o max_prime_factor.kgrind
➜ pyprof2calltree -i max_prime_factor.prof -k
Анализ: kcachegrind

➜ brew install wxwidgets
➜ pip install SquareMap RunSnakeRun
➜ runsnake max_prime_factor.prof
Анализ: RunSnakeRun

➜ brew install graphviz
➜ pip install gprof2dot
➜ gprof2dot -f pstats max_prime_factor.prof | dot -Tpng -o max_prime_factor.png
Анализ: gprof2dot

Но где же Django?

Профилируем Django
• Устанавливаем модуль:
➜ pip install django-extensions
• Добавляем application в Django:
INSTALLED_APPS += ('django_extensions',)
• Запускаем тестовый сервер:
➜ python manage.py runprofileserver
--use-cprofile
--prof-path=/tmp/prof/

Получаем по одному *.prof файлу на запрос:
➜ ls /tmp/prof/
admin.000276ms.1374075009.prof
admin.account.user.000278ms.1374075014.prof
admin.jsi18n.000185ms.1374075018.prof
favicon.ico.000017ms.1374075001.prof
root.000073ms.1374075004.prof
static.admin.css.base.css.000011ms.1374075010.prof
static.admin.css.forms.css.000013ms.1374075017.prof
static.admin.img.icon-yes.gif.000001ms.1374075015.prof
static.admin.img.sorting-icons.gif.000001ms.1374075015.prof
static.admin.js.core.js.000018ms.1374075014.prof
static.admin.js.jquery.js.000003ms.1374075014.prof
static.css.bootstrap-2.3.2.min.css.000061ms.1374074996.prof
static.img.glyphicons-halflings.png.000001ms.1374075005.prof
static.js.bootstrap-2.3.2.min.js.000004ms.1374074996.prof
static.js.jquery-2.0.2.min.js.000001ms.1374074996.prof
user.login.000187ms.1374075001.prof
А дальшё всё как обычно:
Профилируем Django

➜ ipython
In [1]: import pstats
In [2]: p = pstats.Stats('/tmp/prof/user.login.000187ms.1374075001.prof')
In [3]: p.sort_stats('calls')
Out[3]: <pstats.Stats instance at 0x107efa5f0>
In [4]: p.print_stats(5)
36854 function calls (35710 primitive calls) in 0.187 seconds
Ordered by: call count
List reduced from 774 to 5 due to restriction <5>
3562 0.003 0.000 0.003 0.000 {isinstance}
2456 0.003 0.000 0.003 0.000 {method 'startswith' of 'unicode' objects}
1058/1048 0.002 0.000 0.002 0.000 {getattr}
979/962 0.000 0.000 0.025 0.000 {len}
Out[4]: <pstats.Stats instance at 0x107efa5f0>
Анализ: pstats

➜ pyprof2calltree -i /tmp/prof/user.login.000187ms.1374075001.prof -k

➜ runsnake /tmp/prof/user.login.000187ms.1374075001.prof

➜ gprof2dot -f pstats /tmp/prof/user.login.000187ms.1374075001.prof | dot -Tpng -o login.png

Ещё инструменты

pycallgraph
http://pycallgraph.slowchop.com/

➜ pip install pycallgraph
➜ pycallgraph max_prime_factor.py
Python Call Graph v0.5.1
Starting trace
Answer: 6857
Creating pycallgraph.png
Done!
pycallgraph

import pycallgraph
pycallgraph.start_trace()
# your code goes here
pycallgraph.make_dot_graph('call-graph.png')
pycallgraph

line_profiler
https://bitbucket.org/robertkern/line_profiler

➜ kernprof.py -v -l max_prime_factor.py
Function: is_prime at line 5
Total time: 0.001412 s
Line # Hits Time Per Hit % Time Line Contents
==============================================================
8 366 767 2.1 54.3 for i in range(2, int(sqrt(num)) + 1):
9 362 614 1.7 43.5 if not num % i:
10 3 23 7.7 1.6 return False
11 4 8 2.0 0.6 return True
Function: prime_factors at line 14
Total time: 2.67703 s
Line # Hits Time Per Hit % Time Line Contents
==============================================================
17 1 4 4.0 0.0 result = []
18 775146 1320370 1.7 49.3 for i in range(2, int(sqrt(num)) + 1):
19 775145 1356632 1.8 50.7 if not num % i and is_prime(i):
20 4 16 4.0 0.0 result.append(i)
21 1 10 10.0 0.0 return result
line_profiler

memory_profiler
https://github.com/fabianp/memory_profiler

➜ python -m memory_profiler max_prime_factor.py
Line # Mem usage Increment Line Contents
================================================
7 32.469 MB 0.000 MB """Checks if num is prime number"""
8 57.414 MB 24.945 MB for i in range(2, int(sqrt(num)) + 1):
9 57.414 MB 0.000 MB if not num % i:
10 32.566 MB -24.848 MB return False
11 33.047 MB 0.480 MB return True
================================================
16 8.379 MB 0.000 MB """Find prime factors of num"""
17 8.379 MB 0.000 MB result = []
18 75.332 MB 66.953 MB for i in range(2, int(sqrt(num)) + 1):
19 33.047 MB -42.285 MB if not num % i and is_prime(i):
20 75.332 MB 42.285 MB result.append(i)
21 75.332 MB 0.000 MB return result
memory_profiler

3
4
7 for i in xrange(2, int(sqrt(num)) + 1):
8 if not num % i:
9 return False
10 return True
11
12
15 result = []
18 result.append(i)
19 return result
20
21
22 if __name__ == '__main__':

➜ python -m memory_profiler max_prime_factor.py
================================================
7 8.391 MB 0.000 MB """Checks if num is prime number"""
8 22.605 MB 14.215 MB for i in xrange(2, int(sqrt(num)) + 1):
9 22.605 MB 0.000 MB if not num % i:
10 8.484 MB -14.121 MB return False
11 8.965 MB 0.480 MB return True
================================================
16 8.379 MB 0.000 MB """Find prime factors of num"""
17 8.379 MB 0.000 MB result = []
18 34.141 MB 25.762 MB for i in xrange(2, int(sqrt(num)) + 1):
19 8.965 MB -25.176 MB if not num % i and is_prime(i):
20 34.141 MB 25.176 MB result.append(i)
21 34.141 MB 0.000 MB return result
memory_profiler

И ещё инструменты

Профилирование памяти
Dowser
http://www.aminus.net/wiki/Dowser

guppy
http://guppy-pe.sourceforge.net/

Обнаружение утечек памяти
muppy
http://pythonhosted.org/Pympler/muppy.html

memprof
http://jmdana.github.io/memprof/

Исследование объектов
objgraph
http://mg.pov.lt/objgraph/

• StatProf
• Plop
• New Relic

statprof
https://github.com/bos/statprof.py

➜ pip install statprof
import statprof
statprof.start()
try:
function()
finally:
statprof.stop()
statprof.display()
import statprof
with statprof.profile():
function()
statprof

Answer: 6857
Answer: 6857
% cumulative self
time seconds seconds name
83.03 8.82 8.82 max_prime_factor.py:9:is_prime
2.01 10.62 0.21 max_prime_factor.py:18:prime_factors
0.03 10.62 0.00 max_prime_factor.py:26:<module>
---
Sample count: 3535
Total time: 10.620000 seconds
statprof

statprof
• Устанавливаем zeromq (нужна для работы):
➜ brew install zmq
• Устанавливаем модуль:
➜ pip install statprof django-live-profiler
• Запускаем аггрегатор:
➜ aggregated --host 127.0.0.1 --port 5556

statprof
INSTALLED_APPS += ('profiler',)
• Добавляем middleware:
MIDDLEWARE_CLASSES += (
'profiler.middleware.ProfilerMiddleware',
'profiler.middleware.StatProfMiddleware')
• Добавляем urls:
url(r'^profiler/', include('profiler.urls'))
• Запускаем Django:
➜ python manage.py runserver --noreload --nothreading

statprof

statprof
небольшой оверхед
(если осторожно)
профилирование SQL-запросов
сложная установка, зависимости
мало данных на выходе

plop
https://github.com/bdarnell/plop

➜ pip install plop tornado
➜ python -m plop.collector max_prime_factor.py
Answer: 6857
profile output saved to /tmp/plop.out
overhead was 4.78124272996e-05 per sample (0.00478124272996%)
➜ python -m plop.viewer --datadir=/tmp/
plop

plop

plop
• Устанавливаем модули:
➜ pip install plop django-plop tornado
INSTALLED_APPS += ('django_plop',)
'django_plop.middleware.PlopMiddleware',)
• Указываем путь для сохранения результатов:
PLOP_DIR = os.path.join(ROOT_DIR, 'plop')

plop
• Запускаем Django:
➜ python manage.py runserver --noreload --nothreading
• Запускаем просмотр результатов:
➜ python -m plop.viewer --datadir=plop

plop
минимальный оверхед (около 2%)
сложная установка, зависимости
очень мало данных на выходе

New Relic
http://newrelic.com/

New Relic

New Relic
предназначен для продакшена
огромный функционал
платный (есть бесплатная версия)
данные отправляются на чужие
серверы

Django Debug Toolbar
https://github.com/django-debug-toolbar/django-debug-toolbar

➜ pip install django-debug-toolbar
INSTALLED_APPS += ('debug_toolbar',)
'debug_toolbar.middleware.DebugToolbarMiddleware',)
• Указываем IP для которых показываем тулбар:
INTERNAL_IPS = ('127.0.0.1',)

прост в установке и использовании
огромный функционал
расширяемый (плагины)
не для продакшена (?)
данные никуда не сохраняются
(только просмотр в реальном времени)

Django StatsD
https://github.com/andymckay/django-statsd

Django StatsD
➜ pip install django-statsd-mozilla
INSTALLED_APPS += ('django_statsd',)
'django_statsd.middleware.GraphiteRequestTimingMiddleware',
'django_statsd.middleware.GraphiteMiddleware',)
• Указываем, что хотим получать тайминги БД:
STATSD_PATCHES = ['django_statsd.patches.db']

Django StatsD

Django StatsD
прост в установке и использовании
используется в продакшене
мало информации (количество/время)
Нужен graphite и statsd (must-have)

Обнаружение, локализация
и устранение ошибок.
Отладка

The Python Debugger
http://docs.python.org/2/library/pdb.html
Инструменты для отладки

➜ python -m pdb max_prime_factor.py
> /home/rudnyh/work/python-profiling/max_prime_factor.py(1)<module>()
-> """Project Euler problem 3 solve"""
(Pdb) next
-> from math import sqrt
(Pdb) next
-> def is_prime(num):
(Pdb) next
-> def prime_factors(num):
(Pdb) next
-> if __name__ == '__main__':
(Pdb) next
-> print "Answer: %d" % prime_factors(600851475143)[-1]
(Pdb) next
Answer: 6857
--Return--
> /home/rudnyh/work/python-profiling/max_prime_factor.py(23)<module>()->None
-> print "Answer: %d" % prime_factors(600851475143)[-1]
(Pdb) quit
pdb

3
4
7 import pdb; pdb.set_trace()
9 if not num % i:
10 return False
11 return True
12
13
16 result = []
19 result.append(i)
20 return result
21
22
23 if __name__ == '__main__':
pdb

> /home/rudnyh/work/python-profiling/max_prime_factor.py(8)is_prime()
-> for i in xrange(2, int(sqrt(num)) + 1):
(Pdb) list
3
4
7 import pdb; pdb.set_trace()
8 -> for i in xrange(2, int(sqrt(num)) + 1):
9 if not num % i:
10 return False
11 return True
12
13
(Pdb) next
-> if not num % i:
(Pdb) continue
-> for i in xrange(2, int(sqrt(num)) + 1):
(Pdb)
pdb

pdb
практически неограниченный функционал
не очень удобно

django-pdb
https://github.com/tomchristie/django-pdb

django-pdb
➜ pip install django-pdb
INSTALLED_APPS += ('django_pdb',)
MIDDLEWARE_CLASSES += ('django_pdb.middleware.PdbMiddleware',)

➜ python manage.py runserver
➜ python manage.py runserver --pdb
➜ python manage.py runserver --ipdb
➜ python manage.py runserver --pm
django-pdb

IPython pdb
https://github.com/gotcha/ipdb

ipdb
подсветка кода
автодополнение
лучше traceback и introspection
консоль (спорно)

ipdbplugin
https://github.com/flavioamieiro/nose-ipdb

➜ pip install ipdbplugin
➜ nosetests --ipdb
➜ nosetests --ipdb-failures
ipdbplugin

PyCharm
http://www.jetbrains.com/pycharm/

PyCharm

PyCharm
отладка прямо в редакторе
установка breakpoint кликом мышки
GUI (спорно)

Пожалуй, хватит

Вопросы?

Контакты
•Владимир Рудных
• rudnyh@corp.mail.ru
• github.com/dreadatour
• dreadatour.habrahabr.ru

Профилирование и отладка Django

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Профилирование и отладка Django

Similaire à Профилирование и отладка Django (20)

Профилирование и отладка Django