阅读本文大概需要 5 分钟。
工具可以大大提升效率，节省时间，能自己掌控的时间越多，越自由。Python 也是效率工具，使用的越多，你省下来的时间就越多，你就会越觉得自由，因为一切尽在你的代码掌控中。
但有一种情况，可能会耗费你很多时间，那就是调试和性能分析，说到这里，有人可能会说，调试不就是 print 下变量，性能分析不就是加个耗时统计么，有多耗费时间呢？没错，简单的程序，怎么弄都是简单的，如果是复杂的程序，比如上千行的代码，无限多的调用，你还用简单的方法，我只能说你很有耐心。
今天为大家分享下 Python 标准库自带神器，一个是调试工具 pdb，一个是性能分析工具 cProfile，非常实用，如果不会这两个，真的太遗憾了。
使用 pdb 调试
先说下为什么用 pdb，假如你只会用 pycharm 或 vscode 的调试（debug）功能，现在让你直接在服务器对异常进行调试，没有任何图形界面的 IDE，只有 Python 环境及运行的代码，你怎么办？
此外，不少代码已经挪到了类似 Jupyter 的 Notebook 中，往往就要求开发者使用命令行的形式，来对代码进行调试。
所以，掌握通用技术才能通吃，而命令行的调试工具 pdb 就是通用的，掌握这个，无论什么环境都不影响你 debug。
接下来，我们就一起来看看，pdb 在 Python 中到底应该如何使用。首先，要启动 pdb 调试，我们只需要在程序中，加入“import pdb”和“pdb.set_trace()”这两行代码就行了，比如下面这个简单的例子：
代码语言：javascript复制import pdb
for i in range(10000):
print(i)
if i == 800:
pdb.set_trace()当这个循环进行到 i==800 时，自动停下来进入命令行的调试，输入 i 即可查询变量的值，输入 n 表示执行下一行，输入 ll 查看上下文，输入 help 查看帮助。
代码语言：javascript复制......
799
800
> /Users/aaronbrant/test.py(3)<module>()
-> for i in range(10000):
(Pdb) i
800
(Pdb) n
> /Users/aaronbrant/test.py(4)<module>()
-> print(i)
(Pdb) n
801
> /Users/aaronbrant/test.py(5)<module>()
-> if i == 800:
(Pdb) ll
1 import pdb
2
3 for i in range(10000):
4 print(i)
5 -> if i == 800:
6 pdb.set_trace()
(Pdb) help
Documented commands (type help <topic>):
========================================
EOF c d h list q rv undisplay
a cl debug help ll quit s unt
alias clear disable ignore longlist r source until
args commands display interact n restart step up
b condition down j next return tbreak w
break cont enable jump p retval u whatis
bt continue exit l pp run unalias where如果使用 IDE，是否要点击 800 次呢，我不是很清楚，没试过，如果使用 IDE 来断点定位至循环内的 800 次，我会直接放弃，选用其他方式。
其他命令：
- s 表示 step into，即进入相对应的代码内部。这时，命令行中会显示”--Call--“的字样，当你执行完内部的代码块后，命令行中则会出现”--Return--“的字样。
- r 表示 step out，即继续执行，直到当前的函数完成返回。
- b 可以用来设置断点。比方说，我想要在代码中的第 10 行，再加一个断点，那么在 pdb 模式下输入”b 11“即可。
- c 则表示一直执行程序，直到遇到下一个断点。
当然，除了这些常用命令，还有许多其他的命令可以使用，这里我就不在一一赘述了。你可以参考对应的官方文档（https://docs.python.org/3/library/pdb.html#module-pdb），来熟悉这些用法。
使用 cProfile 进行性能分析
除了要对程序进行调试，性能分析也是每个开发者的必备技能。日常工作中，我们常常会遇到这样的问题：在线上，我发现产品的某个功能模块效率低下，延迟（latency）高，占用的资源多，但却不知道是哪里出了问题。这时，对代码进行 profile 就显得异常重要了。
这里所谓的 profile，是指对代码的每个部分进行动态的分析，比如准确计算出每个模块消耗的时间等。这样你就可以知道程序的瓶颈所在，从而对其进行修正或优化。当然，这并不需要你花费特别大的力气，在 Python 中，这些需求用 cProfile 就可以实现。
举个例子，比如我想计算斐波拉契数列，运用递归思想，我们很容易就能写出下面这样的代码
代码语言：javascript复制def fib(n):
if n == 0:
return 0
elif n == 1:
return 1
else:
return fib(n-1) fib(n-2)
def fib_seq(n):
res = []
if n > 0:
res.extend(fib_seq(n-1))
res.append(fib(n))
return res
print(fib_seq(30))接下来，我想要测试一下这段代码总的效率以及各个部分的效率。那么，我就只需在开头导入 cProfile 这个模块，并且在最后运行 cProfile.run() 就可以了，如下所示：
代码语言：javascript复制import cProfile
def fib(n):
if n == 0:
return 0
elif n == 1:
return 1
else:
return fib(n-1) fib(n-2)
def fib_seq(n):
res = []
if n > 0:
res.extend(fib_seq(n-1))
res.append(fib(n))
return res
cProfile.run('fib_seq(30)')或者更简单一些，直接在运行脚本的命令中，加入选项“-m cProfile”也很方便：
代码语言：javascript复制python -m cProfile test.py运行结果如下:
代码语言：javascript复制(py37env) ➜ ~ python test.py
7049218 function calls (96 primitive calls) in 1.503 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 1.503 1.503 <string>:1(<module>)
31/1 0.000 0.000 1.503 1.503 test.py:10(fib_seq)
7049123/31 1.503 0.000 1.503 0.048 test.py:2(fib)
1 0.000 0.000 1.503 1.503 {built-in method builtins.exec}
31 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}
30 0.000 0.000 0.000 0.000 {method 'extend' of 'list' objects}这里有一些参数你可能比较陌生，我来简单介绍一下：
- ncalls，是指相应代码 / 函数被调用的次数；
- tottime，是指对应代码 / 函数总共执行所需要的时间（注意，并不包括它调用的其他代码 / 函数的执行时间）；
- tottime percall，就是上述两者相除的结果，也就是tottime / ncalls；
- cumtime，则是指对应代码 / 函数总共执行所需要的时间，这里包括了它调用的其他代码 / 函数的执行时间；
- cumtime percall，则是 cumtime 和 ncalls 相除的平均结果。
了解这些参数后，再来看运行结果。我们可以清晰地看到，这段程序执行效率的瓶颈，在于第二行的函数 fib()，它被调用了 700 多万次。
有没有什么办法可以提高改进呢？答案是肯定的。通过观察，我们发现，程序中有很多对 fib() 的调用，其实是重复的，那我们就可以用字典来保存计算过的结果，防止重复。改进后的代码如下所示：
代码语言：javascript复制def memoize(f):
memo = {}
def helper(x):
if x not in memo:
memo[x] = f(x)
return memo[x]
return helper
@memoize
def fib(n):
if n == 0:
return 0
elif n == 1:
return 1
else:
return fib(n-1) fib(n-2)
def fib_seq(n):
res = []
if n > 0:
res.extend(fib_seq(n-1))
res.append(fib(n))
return res
fib_seq(30)上述代码保存为 test2.py，直接在命令行执行，结果如下：
代码语言：javascript复制(py37env) ➜ ~ python -m cProfile test2.py
216 function calls (128 primitive calls) in 0.000 seconds
Ordered by: standard name
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.000 0.000 0.000 0.000 test2.py:1(<module>)
1 0.000 0.000 0.000 0.000 test2.py:1(memoize)
31/1 0.000 0.000 0.000 0.000 test2.py:19(fib_seq)
89/31 0.000 0.000 0.000 0.000 test2.py:3(helper)
31 0.000 0.000 0.000 0.000 test2.py:9(fib)
1 0.000 0.000 0.000 0.000 {built-in method builtins.exec}
31 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}
30 0.000 0.000 0.000 0.000 {method 'extend' of 'list' objects}可以看出效率得到了极大的提升。
这只是个简单的例子，便是 cProfile 的基本用法，当然，cProfile 还有很多其他功能，还可以结合 stats 类来使用，你可以阅读相应的官方文档来了解。
小结
孰能生巧，pdb 是 Python 常用的调试工具，cProfile 是经典的性能分析工具，在 debug 及性能分析方面，可以大大提升你的效率。文章内容整理自极客时间专栏，如果觉得对你有帮助，希望系统的学习 Python 技术，欢迎扫下方二维码订阅，并加我微信好友，可以得到返现哦。
