《构建之法》教学笔记——Python中的效能分析与几个问题
《构建之法：现代软件工程》中第2章对效能分析进行了介绍，基于的工具是VSTS。由于我教授的学生中只有部分同学选修了C#，若采用书中例子讲解，学生可能理解起来比较困难。不过所有这些学生都学习过Python，因此我就基于书中对效能分析的介绍，结合Python效能分析工具的文档以及互联网上的博客，准备了一份关于效能分析的讲座，内容如下。
什么是效能分析？
这部分的讲解和书中类似。不过有两个问题：
- 为什么是效能不是效率，两者之间究竟有什么区别？这是学生提出的问题。个人觉得二者之间的差别不大。
- 效能分析是否包括内存优化？也就是程序的运行需要更少的内存。如果不包括的话，是基于什么样的考虑呢？
效能分析的目标
VSTS提供了方便的效能分析工具，让我们能很快地找到程序的效能瓶颈，从而能有的放矢，改进程序。——《构建之法：现代软件工程》
非常赞同这句话，并且认为效能分析的目标其实就是做到 有的放矢 。时间是很宝贵的资源，如果不经过分析立马开始进行程序效能的优化提升，可能花了1天时间所获得的优化效果还抵不上经过效能分析后改动两三行代码代码所获得的优化效果。
效能分析的方法
1. 抽样（Sampling）
根据《构建之法》的描述，抽样是指效能分析工具会时不时看一看这个程序运行在哪个函数内，并记录下来。程序结束后，效能分析工具就能得出一个关于程序运行时间的大致印象。
2. 代码注入（Instrumentation）
根据《构建之法》的描述，代码注入是指将检测代码加入到每一个函数中，检测代码会记录程序运行的一举一动，程序的各个效能数据都可以被精确的测量。
3. 抽样与代码注入的优缺点比较
根据《构建之法》的描述，我总结出如下表格。
| 方法 | 是否需要改动程序 | 运行速度 | 是否可以找到程序瓶颈 | 能否得出精确数据 | 能否准确表示调用关系树 | 是否影响程序运行 |
|---|---|---|---|---|---|---|
| 抽样 | 否 | 较快 | 可以 | 否 | 否 | 否 |
| 代码注入 | 是 | 相对抽样方法较慢 | 可以 | 能 | 能 | 是 |
4. Python中的效能分析方法
一般的做法是，先用抽样方法找到效能瓶颈所在，然后对特定的模块用代码注入的方法进行详细分析。——《构建之法：现代软件工程》
在Python中的效能分析方法和《构建之法》中描述的有些不一样。 在Python中进行效能分析用到的工具是cProfile。在Python自带的关于cProfile的帮助文档中，有一段是介绍确定性效能分析（Deterministic Profiling）的，根据文中所述，个人理解，这应该是指代码注入方法。其中的一段描述非常重要，且给我带来了一个很大的疑惑。
In Python, since there is an interpreter active during execution, the presence of instrumented code is not required to do deterministic profiling. Python automatically provides a hook (optional callback) for each event. In addition, the interpreted nature of Python tends to add so much overhead to execution, that deterministic profiling tends to only add small processing overhead in typical applications. The result is that deterministic profiling is not that expensive, yet provides extensive run time statistics about the execution of a Python program. ——《Python 2.7.5 documentation》
全文大致意思如下（非专业翻译）：
在Python中，由于程序执行期间解释器是处于激活状态的，因此注入程序中的代码是无需进行确定性分析的。Python中的每个事件都自带钩子（可选回调函数）。另外，Python解释性编程语言的本质趋向于给程序添加许多执行开销以致于确定性分析趋向于在典型应用中仅仅添加少量的处理开销。结果就是，确定性分析给Python程序执行提供广泛的运行时统计，却没有那么高昂的代价。
也就是说，在Python中代码注入方法并不会产生太大的开销，原因是因为Python是一种解释型编程语言。解释型的编程语言有一些特性使得代码注入方式的效能分析并不会增加Python程序的运行时间。我的困惑是： 究竟是解释型编程语言的什么特性导致代码注入方式的效能分析不会增加Python程序的运行时间？
鉴于以上情况，在Python中进行效能分析，直接使用代码注入方法即可。使用的工具就是cProfile。
cProfile的使用方法
关于cProfile的基本使用方法，已经有不少博客解释说明，可以参考这个：应用python的性能测量工具cProfile。还有官方文档：26.4. The Python Profilers。
Python中使用cProfile进行效能分析的示例
模仿《构建之法》中统计词频的程序，我用Python写了一个可以进行词频统计的程序（未经过全面测试）。程序代码如下：
from string import punctuation
def process_file(dst):
try:
f = open(dst)
except IOError, s:
print s
return None
try:
bvffer = f.read()
except:
print "Read File Error!"
return None
f.close()
return bvffer
def process_buffer(bvffer):
if bvffer:
word_freq = {}
for item in bvffer.strip().split():
word = item.strip(punctuation+' ')
if word in word_freq.keys():
word_freq[word] += 1
else:
word_freq[word] = 1
return word_freq
def output_result(word_freq):
if word_freq:
sorted_word_freq = sorted(word_freq.items(), key=lambda v: v[1], reverse=True)
for item in sorted_word_freq[:10]:
print item
if __name__ == "__main__":
import argparse
parser = argparse.ArgumentParser()
parser.add_argument('dst')
args = parser.parse_args()
dst = args.dst
bvffer = process_file(dst)
word_freq = process_buffer(bvffer)
output_result(word_freq)
然后进入命令行并进入程序所在目录后输入以下命令：
python -m cProfile word_freq.py semeval-sts/2016/postediting.test.txt
其中 semeval-sts/2016/postediting.test.txt 是一个句子语义相似度计算语料库， 大小775K 。 太小的话看不出优化效果 。之后会得到如下分析结果：
如图1所示， 总共有283304次函数调用，程序总共耗时29.809秒 。如图3所示， 字典的keys方法被调用的次数为136066次，花费的总时间为15.285秒 。仔细观察代码发现函数process_buffer函数中有一行代码：
if word in word_freq.keys():
该代码在for循环中，有多少单词，这个循环就会执行多少遍，每次进行条件判断的时候都要执行一次字典的keys方法，所以耗时很多。于是把keys去除，该行代码变为：
if word in word_freq:
再次进行效能分析，进入命令行，输入如上一样的命令：
python -m cProfile word_freq.py semeval-sts/2016/postediting.test.txt
首先，感觉程序瞬间就结束了，不像上面的程序运行了一段时间才显示结果。其次程序的函数调用次数和总运行时间减少了。如下图：
程序总共有147238次函数调用，耗时0.152秒 。
经过以上过程我们实现了对程序的优化，只需简单的去除一些代码就可以，而且效果非常显著。这就是效能分析的意义！
