在 2015 年前后，我负责的一个千万级用户数据接口服务并没有采用当时最流行的 .net 和 Java 技术栈，而是基于 Python 2.x 实现数据接口和数据更新服务。性能优化相关要点如下。

测试繁琐但必要

多写单元测试，尽可能覆盖所有对外服务接口。

除了测试 RESTful 接口外，还可以使用 Selenium 模拟用户访问网页测试页面。

变量作用域

 1class RankItem(object):
 2    def __init__(self, name, idx):
 3        self.name = name
 4        self.idx = rank
 5
 6
 7rank_list = [
 8    RankItem('a', 1),
 9    RankItem('b', 2),
10    RankItem('c', 3),
11]
12
13for rank_obj in rank_list:
14    _ = [rank_obj.idx for rank_obj in rank_list]
15    rank_obj.idx = 10
16    break

14 行 列表表达式里面的 rank_obj 变量会覆盖外层 for 循环的变量， 15 行期望修改 rank_list[0].idx ，实际会修改 rank_list[2].idx 。

解决方法是, 列表表达式里面使用简短、和外层不一样变量名避免覆盖污染：_ = [obj.idx for obj in rank_list]

或使用生成器代替列表表达式：_ = (rank_obj.idx for rank_obj in rank_list)

另见

Short Description of Python Scoping Rules http://stackoverflow.com/questions/291978/short-description-of-python-scoping-rules

Python 2.7.12 documentation - 4. Execution model https://docs.python.org/2.7/reference/executionmodel.html

性能瓶颈定位和优化

Python 中各个 Web 框架 profiler 功能大多数是基于 profiler/cProfile 模块实现。

Flask、Django 中可以使用 中间件(Middleware) 方式，通过非入侵式代码启用 profiler 功能。Flask ProfilerMiddleware 示例 见 https://werkzeug.palletsprojects.com/en/2.0.x/middleware/profiler/

注意： µs 是 microsecond (微秒)简写, ms 是 millisecond (毫秒)， 1 second (秒) = 100_0000 µs(微秒)， 1 second (秒) = 1000 ms(毫秒)。

在生产环境，通常有多台 Web 机器，只需要在一台机器上设置随机 dump profiler 文件即可，然后下载到本地分析

$ python -m pstats samples/POST.api.v1.foo.1277ms.1450101273.prof
% sort time calls
% stats 15

输出

Mon Dec 14 21:54:34 2015    samples/POST.api.v1.foo.1277ms.1450101273.prof

         6962 function calls (5876 primitive calls) in 1.277 seconds

   Ordered by: internal time, call count
   List reduced from 492 to 15 due to restriction <15>

   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
        1    0.249    0.249    0.249    0.249 /usr/lib/python2.7/json/decoder.py:372(raw_decode)
     1278    0.209    0.000    0.209    0.000 {isinstance}
       15    0.187    0.012    0.189    0.013 ./champion/models.py:52(get_by_name_en)
    574/1    0.159    0.000    0.371    0.371 ./client_msg_parser.py:17(lower_keys)
        5    0.141    0.028    0.141    0.028 {_codecs.utf_8_decode}
        2    0.120    0.060    0.312    0.156 ./client_msg_parser.py:211(parse_team)
        2    0.096    0.048    0.096    0.048 /usr/local/lib/python2.7/dist-packages/kombu/utils/__init__.py:143(uuid4)
        1    0.052    0.052    0.054    0.054 /usr/local/lib/python2.7/dist-packages/flask_restful/reqparse.py:85(source)
        2    0.043    0.021    0.043    0.021 {method 'recv' of '_socket.socket' objects}
     1505    0.002    0.000    0.002    0.000 {method 'lower' of 'unicode' objects}
    504/9    0.002    0.000    0.371    0.041 ./client_msg_parser.py:21(<genexpr>)
      920    0.001    0.000    0.001    0.000 {method 'lower' of 'str' objects}
        1    0.001    0.001    1.275    1.275 /usr/local/lib/python2.7/dist-packages/flask_restful/__init__.py:569(dispatch_request)
      411    0.001    0.000    0.001    0.000 {method 'find' of 'unicode' objects}
       22    0.001    0.000    0.001    0.000 {method 'split' of 'str' objects}

从上向下阅读； tottime(total time) 0.249 是指 decoder.py 文件 372 行中 raw_decode 函数调用（不包括里面子函数调用）耗时 0.249 秒(second)； 方括号{} 表示 Python 内置模块/内置函数，不能直接优化，只能通过优化业务逻辑减少调用优化； 上面的例子中，需要优化的地方是 ./champion/models.py 文件 52 行，get_by_name_en 函数。

另外，如果有大量 {method 'recv' of '_socket.socket' objects} 慢日志， 要特别注意存储(数据库缓存没有命中或命中率特别低，数据库冗余 I/O 过多？）是否遇到瓶颈。

dict 和 list 中查找

在一个大 list 中查找特定元素，比 dict 中通过 key 获取，慢接近 100 倍：

 1import timeit
 2
 3import sample_item_list
 4import sample_item_dict
 5
 6
 7TARGET_ITEM_ID = 3086
 8
 9def test_list():
10    for item in sample_item_list.items:
11        if int(item['id']) == TARGET_ITEM_ID:
12            return item
13
14def test_dict():
15    return sample_item_dict.items.get(TARGET_ITEM_ID)
16
17
18if __name__ == '__main__':
19    print('list length %s' % len(sample_item_list.items))
20    eta_dict = timeit.timeit("test_dict()", setup="from __main__ import test_dict", number=10000)
21    print('test_dict %f' % eta_dict)
22    eta_list = timeit.timeit("test_list()", setup="from __main__ import test_list", number=10000)
23    print('test_list %f' % eta_list)
24    print('dict faster than list %s times' % int((eta_list / eta_dict)))

输出结果

list length 225
test_dict 0.004473
test_list 0.421391
dict faster than list 94 times

dict 的实现是 hash，时间复杂度是 O(1)，而 list 是 O(n)，list 越长越慢。

核心关键模块改用 POSIX C 实现

通常 POSIX C 改写模块要符合以下条件

  • 频繁调用
  • 重计算(非 I/O)

某业务核心解密纯 Python 实现和 POSIX C 实现模块调用评测

python2 ./benchmarks/benchmark_x_encryption.py
test_x_decrypt_py 131.605892
test_x_decrypt_c 8.931102

近 14 倍的性能提升。

影响性能的几个重要因素

  • 存储 I/O —— Web 一般应用中九成瓶颈跟存储相关，使用队列+连接池+内存缓存可以缓解
  • 字符串高频创建/复制 —— 有可能导致内存碎片
  • 重计算型 —— 可以使用 C 实现模块或改用 pypy 解释器