Python部落(python.freelycode.com)組織翻譯，禁止轉載，歡迎轉發。

作者：Omer Lachish

最近，我們已經開始使用RQ庫代替Celery庫作為我們的任務運行引擎。第一階段，我們只遷移了那些不直接進行查詢工作的任務。這些任務包括發送電子郵件，確定哪些查詢需要刷新、記錄用戶事件和其他維護工作。

在部署完成之后我們注意到，任務數量相同的情況下，與Celery庫相比，RQ庫需要更多的CPU去執行這些任務。我想我應該分享一下我是如何分析和解決這個問題的。

關于Celery庫和RQ庫的區別

Celery庫和RQ庫都有工作進程的概念，而且都使用分支來允許多種任務并行運行。當你啟動一個Celery工作進程時，它會分到幾個不同的進程，每個進程會自主地處理任務。使用RQ庫，一個主進程將只會實例化一個子進程（稱為“Worker Horse”），該子進程在執行完一個單獨的任務后將會結束。當主進程從隊列中提取另一項任務時，它將會派出一個新的Work Horse。

在RQ庫中，通過使用更多的工作進程，即可實現與Celery相同的并行性。 但是，Celery庫和RQ庫之間存在著細微的區別：Celery進程在啟動時會實例化多個子進程，并將其重用于多個任務。 而使用RQ庫時，你必須給每一個任務分配進程。 兩種方法都有優點和缺點，但這些內容不在本文討論范圍之內。

標桿分析法

在介紹任何內容之前，我想要確定一個基準，即一個工作容器處理1000項任務需要多長時間。我決定把重心放在record_event工作上，因為它是一種頻繁的，輕量級的操作。我使用time命令來衡量性能，這里需要修改一下源代碼：為了得出完成1000項任務所需的時間，我傾向于采用RQ庫的burst模式，該模式在處理完作業后會退出流程。

我想避免測量那些被安排在基準測試時間段的任務。因此，在task/general.py中的record_event聲明上方，通過將@job('default')替換為@job('benchmark')，可以將record_event移至一個名為benchmark的專用隊列。

現在我們可以開始計時了。首先，我想查看一個進程啟動和停止需要多長時間（沒有任何工作）以便之后可以從任何結果中減去該時間：

在我的計算機上，進程初始化需要14.7秒。我會記住這個時間。

然后，我將1000個虛擬的record_event任務添加進benchmark隊列中：

現在，運行相同的命令，看看處理1000項任務需要多長時間：

減去14.7秒的啟動時間，我們看到4個進程處理1000項任務需要102秒。現在，讓我們嘗試找出原因！為此，在進程工作的同時，我們將使用py_spy模塊。

分析

讓我們再增加1000項任務（因為上次的測試已經刪除了所有任務），運行進程并同時監控它們所耗費的時間：

我知道，最后一條命令非常短。 理想情況下，出于可讀性考慮，我會在每個“ &&”上都打斷該命令，但是這些命令應該在同一個docker-compose exec worker bash session中按順序運行。所以，以下是其功能的快速分析：在后臺中，burst模式下，開啟了4個進程。

等待15秒（大致讓它們完成啟動。

安裝py-spy模塊。

運行rq-info命令，并且為其中一個進程進行分層控制。

在該控制過程中記錄10秒中的活動情況并將其保存到profile.svg文件中。

結果如下火焰圖所示：

從火焰圖中，我注意到record_event在sqlalchemy.orm.configure_mappers中花費了很大一部分的執行時間，并且每次處理一項工作時這種情況都會出現。從它們的文檔當中，我知道了：初始化到目前為止已構建的所有映射器的映射器間關系。

的確不需要在每一個分支上都發生這種事情。所以，我們可以在主進程當中一次性地初始化這些關系，避免在多個子進程當中重復性這些工作。

因此，在啟動進程之前，我已經對sqlalchemy.org.configure_mappers()進行了調用，并再次進行了測試：

如果我們減去14.7秒的啟動時間，4個線程處理1000項任務的時間將從102秒減少到24.6秒。 比以前提高了4倍！ 通過修復此程序，我們成功地將RQ生產資源減少了4倍，并保持了相同的吞吐量。

我認為，你應該記住，在單線程和多線程的情況下，應用的行為是有所不同的。如果每一項任務沒有繁重的重復的工作要做，通常最好在分到多個線程之前進行一次。這些事情在測試和開發過程中不會出現，因此請確保您進行充分的測試并挖掘出任何會出現的性能問題。英文原文：https://blog.redash.io/how-we-spotted-and-fixed-a-performance-degradation-in-our-python-code/

譯者：Lyx

總結

以上是生活随笔為你收集整理的python性能解决_我们如何发现并解决Python代码中性能下降的问题的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。