Python 對 Linux perf 分析器的支援¶
- 作者:
Pablo Galindo
Linux 性能分析器 (Linux perf profiler) 是一個非常強大的工具，可讓你分析並獲取有關應用程式的性能資訊。perf 還擁有一個非常活躍的工具生態系統，有助於分析其生成的資料。
在 Python 應用程式中使用 perf 分析器的主要問題是 perf 僅獲取有關原生符號的資訊，即用 C 編寫的函式和程式的名稱。這表示程式碼中的 Python 函式名稱和檔案名稱不會出現在 perf 的輸出中。
從 Python 3.12 開始，直譯器可以在特殊模式下執行，該模式允許 Python 函式出現在 perf 分析器的輸出中。啟用此模式後，直譯器將在執行每個 Python 函式之前插入 (interpose) 一小段動態編譯的程式碼，並使用 perf map 檔案來告訴 perf 這段程式碼與相關聯的 Python 函式間的關係。
備註
目前對 perf 分析器的支援僅適用於 Linux 的特定架構上。檢查 configure 建構步驟的輸出或檢查 python -m sysconfig | grep HAVE_PERF_TRAMPOLINE 的輸出來查看你的系統是否支援。
例如，參考以下腳本：
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)
我們可以執行 perf 以 9999 赫茲採樣 CPU 堆疊追蹤 (stack trace)：
$ perf record -F 9999 -g -o perf.data python my_script.py
然後我們可以使用 perf report 來分析資料：
$ 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
...
如你所見，Python 函式未顯示在輸出中，僅顯示 _Py_Eval_EvalFrameDefault （為 Python 位元組碼 (bytecode) 求值的函式）。不幸的是，這不是很有用，因為所有 Python 函式都使用相同的 C 函式來替位元組碼求值，因此我們無法知道哪個 Python 函式是對應於哪個位元組碼計算函式。
作為替代，如果我們在啟用 perf 支援的情況下執行相同的實驗，我們會得到：
$ 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
如何啟用 perf 分析支援¶
要啟用 perf 分析支援，可以在一開始就使用環境變數 PYTHONPERFSUPPORT 或使用 -X perf 選項，也可以使用 sys.activate_stack_trampoline() 和 sys.deactivate_stack_trampoline() 來動態啟用。
sys 函式優先於 -X 選項、-X 選項優先於環境變數。
例如，使用環境變數：
$ PYTHONPERFSUPPORT=1 perf record -F 9999 -g -o perf.data python script.py
$ perf report -g -i perf.data
例如，使用 -X 選項：
$ perf record -F 9999 -g -o perf.data python -X perf script.py
$ perf report -g -i perf.data
例如，在 example.py 檔案中使用 sys API：
import sys
sys.activate_stack_trampoline("perf")
do_profiled_stuff()
sys.deactivate_stack_trampoline()
non_profiled_stuff()
...然後：
$ perf record -F 9999 -g -o perf.data python ./example.py
$ perf report -g -i perf.data
如何獲得最佳結果¶
為了獲得最佳結果，應使用 CFLAGS="-fno-omit-frame-pointer -mno-omit-leaf-frame-pointer" 來進行 Python 編譯，因為這能允許分析器僅使用 frame 指標而不是 DWARF 除錯資訊來解析 (unwind)。這是因為，由於插入以允許 perf 支援的程式碼是動態生成的，因此它沒有任何可用的 DWARF 除錯資訊。
你可以透過執行以下指令來檢查你的系統是否已使用此旗標進行編譯：
$ python -m sysconfig | grep 'no-omit-frame-pointer'
如果你沒有看到任何輸出，則表示你的直譯器尚未使用 frame 指標進行編譯，因此它可能無法在 perf 的輸出中顯示 Python 函式。
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
PYTHON_PERF_JIT_SUPPORT or the -X perf_jit option,
which will enable the JIT mode for the perf profiler.
備註
Due to a bug in the perf tool, only perf versions higher than v6.8
will work with the JIT mode. The fix was also backported to the v6.7.2
version of the tool.
Note that when checking the version of the perf tool (which can be done
by running perf version) you must take into account that some distros
add some custom version numbers including a - character. This means
that perf 6.7-3 is not necessarily perf 6.7.3.
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 -Xperf_jit my_script.py
$ perf inject -i perf.data --jit --output perf.jit.data
$ perf report -g -i perf.jit.data
or using the environment variable:
$ PYTHON_PERF_JIT_SUPPORT=1 perf record -F 9999 -g --call-graph dwarf -o perf.data python my_script.py
$ perf inject -i perf.data --jit --output perf.jit.data
$ perf report -g -i perf.jit.data
perf inject --jit command will read perf.data,
automatically pick up the perf dump file that Python creates (in
/tmp/perf-$PID.dump), and then create perf.jit.data which merges all the
JIT information together. It should also create a lot of jitted-XXXX-N.so
files in the current directory which are ELF images for all the JIT trampolines
that were created by Python.
警告
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. On the other hand, if
the size is too big, then perf won't be able to sample the process as
frequently as it would like as the overhead will be higher.