Soporte de Python para el perfilador perf de Linux¶
- autor:
Pablo Galindo
El perfilador perf de Linux es una herramienta muy poderosa que le permite crear perfiles y obtener información sobre el rendimiento de su aplicación. perf también tiene un ecosistema muy vibrante de herramientas que ayudan con el análisis de los datos que produce.
El principal problema con el uso del perfilador perf con aplicaciones Python es que perf sólo obtiene información sobre símbolos nativos, es decir, los nombres de funciones y procedimientos escritos en C. Esto significa que los nombres y nombres de archivos de las funciones de Python en su código no aparecerán en la salida de perf.
Desde Python 3.12, el intérprete puede ejecutarse en un modo especial que permite que las funciones de Python aparezcan en la salida del perfilador perf. Cuando este modo está habilitado, el intérprete interpondrá un pequeño fragmento de código compilado sobre la marcha antes de la ejecución de cada función de Python y enseñará a perf la relación entre este fragmento de código y la función de Python asociada usando perf map files.
Nota
Actualmente, el soporte para el perfilador perf solo está disponible para Linux en arquitecturas seleccionadas. Verifique el resultado del paso de compilación configure o verifique el resultado de python -m sysconfig | grep HAVE_PERF_TRAMPOLINE para ver si su sistema es compatible.
Por ejemplo, considere el siguiente script:
def foo(n):
result = 0
for _ in range(n):
result += 1
return result
def bar(n):
foo(n)
def baz(n):
bar(n)
if __name__ == "__main__":
baz(1000000)
Podemos ejecutar perf para obtener un registro de los seguimientos de la pila de CPU a 9999 hercios:
$ perf record -F 9999 -g -o perf.data python my_script.py
Luego podemos usar perf report para analizar los datos:
$ perf report --stdio -n -g
# Children Self Samples Command Shared Object Symbol
# ........ ........ ............ .......... .................. ..........................................
#
91.08% 0.00% 0 python.exe python.exe [.] _start
|
---_start
|
--90.71%--__libc_start_main
Py_BytesMain
|
|--56.88%--pymain_run_python.constprop.0
| |
| |--56.13%--_PyRun_AnyFileObject
| | _PyRun_SimpleFileObject
| | |
| | |--55.02%--run_mod
| | | |
| | | --54.65%--PyEval_EvalCode
| | | _PyEval_EvalFrameDefault
| | | PyObject_Vectorcall
| | | _PyEval_Vector
| | | _PyEval_EvalFrameDefault
| | | PyObject_Vectorcall
| | | _PyEval_Vector
| | | _PyEval_EvalFrameDefault
| | | PyObject_Vectorcall
| | | _PyEval_Vector
| | | |
| | | |--51.67%--_PyEval_EvalFrameDefault
| | | | |
| | | | |--11.52%--_PyLong_Add
| | | | | |
| | | | | |--2.97%--_PyObject_Malloc
...
As you can see, the Python functions are not shown in the output, only _PyEval_EvalFrameDefault
(the function that evaluates the Python bytecode) shows up. Unfortunately that’s not very useful because all Python
functions use the same C function to evaluate bytecode so we cannot know which Python function corresponds to which
bytecode-evaluating function.
En cambio, si ejecutamos el mismo experimento con el soporte perf habilitado obtenemos:
$ perf report --stdio -n -g
# Children Self Samples Command Shared Object Symbol
# ........ ........ ............ .......... .................. .....................................................................
#
90.58% 0.36% 1 python.exe python.exe [.] _start
|
---_start
|
--89.86%--__libc_start_main
Py_BytesMain
|
|--55.43%--pymain_run_python.constprop.0
| |
| |--54.71%--_PyRun_AnyFileObject
| | _PyRun_SimpleFileObject
| | |
| | |--53.62%--run_mod
| | | |
| | | --53.26%--PyEval_EvalCode
| | | py::<module>:/src/script.py
| | | _PyEval_EvalFrameDefault
| | | PyObject_Vectorcall
| | | _PyEval_Vector
| | | py::baz:/src/script.py
| | | _PyEval_EvalFrameDefault
| | | PyObject_Vectorcall
| | | _PyEval_Vector
| | | py::bar:/src/script.py
| | | _PyEval_EvalFrameDefault
| | | PyObject_Vectorcall
| | | _PyEval_Vector
| | | py::foo:/src/script.py
| | | |
| | | |--51.81%--_PyEval_EvalFrameDefault
| | | | |
| | | | |--13.77%--_PyLong_Add
| | | | | |
| | | | | |--3.26%--_PyObject_Malloc
Cómo habilitar el soporte de creación de perfiles perf¶
El soporte de creación de perfiles perf se puede habilitar desde el principio usando la variable de entorno PYTHONPERFSUPPORT o la opción -X perf, o dinámicamente usando sys.activate_stack_trampoline() y sys.deactivate_stack_trampoline().
Las funciones sys tienen prioridad sobre la opción -X, la opción -X tiene prioridad sobre la variable de entorno.
Ejemplo, usando la variable de entorno:
$ PYTHONPERFSUPPORT=1 python script.py
$ perf report -g -i perf.data
Ejemplo, usando la opción -X:
$ python -X perf script.py
$ perf report -g -i perf.data
Ejemplo, usando las API sys en el archivo example.py:
import sys
sys.activate_stack_trampoline("perf")
do_profiled_stuff()
sys.deactivate_stack_trampoline()
non_profiled_stuff()
…entonces:
$ python ./example.py
$ perf report -g -i perf.data
Cómo obtener los mejores resultados¶
Para obtener mejores resultados, Python debe compilarse con CFLAGS="-fno-omit-frame-pointer -mno-omit-leaf-frame-pointer" ya que esto permite a los perfiladores desenrollarse usando solo el puntero del marco y no en la información de depuración de DWARF. Esto se debe a que como el código que se interpone para permitir el soporte perf se genera dinámicamente, no tiene ninguna información de depuración DWARF disponible.
Puede verificar si su sistema ha sido compilado con este indicador ejecutando:
$ python -m sysconfig | grep 'no-omit-frame-pointer'
Si no ve ningún resultado, significa que su intérprete no ha sido compilado con punteros de marco y, por lo tanto, es posible que no pueda mostrar funciones de Python en el resultado de perf.
How to work without frame pointers¶
If you are working with a Python interpreter that has been compiled without frame pointers
you can still use the perf profiler but the overhead will be a bit higher because Python
needs to generate unwinding information for every Python function call on the fly. Additionally,
perf will take more time to process the data because it will need to use the DWARF debugging
information to unwind the stack and this is a slow process.
To enable this mode, you can use the environment variable PYTHONPERFJITSUPPORT or the
-X perfjit option, which will enable the JIT mode for the perf profiler.
When using the perf JIT mode, you need an extra step before you can run perf report. You need to
call the perf inject command to inject the JIT information into the perf.data file.
$ perf record -F 9999 -g –call-graph dwarf -o perf.data python -Xperfjit my_script.py $ perf inject -i perf.data –jit $ perf report -g -i perf.data
or using the environment variable:
$ PYTHONPERFJITSUPPORT=1 perf record -F 9999 -g --call-graph dwarf -o perf.data python my_script.py
$ perf inject -i perf.data --jit
$ perf report -g -i perf.data
Notice that when using --call-graph dwarf the perf tool will take snapshots of the stack of
the process being profiled and save the information in the perf.data file. By default the size of
the stack dump is 8192 bytes but the user can change the size by passing the size after comma like
--call-graph dwarf,4096. The size of the stack dump is important because if the size is too small
perf will not be able to unwind the stack and the output will be incomplete.