19. 性能分析

pprof 可以找出性能的瓶颈，其包含两部分

• 编译到程序中的runtime/pprof

• 性能剖析工具go tool pprof

  性能分析

  cpu性能分析

  启动 CPU 分析时，运行时(runtime) 将每隔 10ms 中断一次，记录此时正在运行的协程(goroutines) 的堆栈信息。程序运行结束后，可以分析记录的数据找到最热代码路径(hottest code paths)。一个函数在性能分析数据中出现的次数越多，说明执行该函数的代码路径(code path)花费的时间占总运行时间的比重越大。

  内存性能分析

  内存性能分析(Memory profiling) 记录堆内存分配时的堆栈信息，忽略栈内存分配信息。内存性能分析启用时，默认每1000次采样1次，这个比例是可以调整的。因为内存性能分析是基于采样的，因此基于内存分析数据来判断程序所有的内存使用情况是很困难的。

  阻塞性能分析

  阻塞性能分析用来记录一个协程等待一个共享资源花费的时间。在判断程序的并发瓶颈时会很有用。阻塞的场景包括：

• 在没有缓冲区的信道上发送或接收数据。

• 从空的信道上接收数据，或发送数据到满的信道上。
• 尝试获得一个已经被其他协程锁住的排它锁。

一般情况下，当所有的 CPU 和内存瓶颈解决后，才会考虑这一类分析。

锁性能分析

锁性能分析(mutex profiling) 与阻塞分析类似，但专注于因为锁竞争导致的等待或延时。

CPU性能分析

Go 的运行时性能分析接口都位于 runtime/pprof 包中。只需要调用 runtime/pprof 库即可得到我们想要的数据。

func main() {
    f, _ := os.OpenFile("cpu.pprof", os.O_CREATE|os.O_RDWR, 0644)
    defer f.Close()
    pprof.StartCPUProfile(f)
    defer pprof.StopCPUProfile()
    n := 10
    for i := 0; i < 5; i++ {
        nums := generate(n)
        bubbleSort(nums)
        n *= 10
    }
}

这样只需运行 go run main.go 即可。
接下来，可以用 go tool pprof 分析这份数据
go tool pprof -http=:9999 cpu.pprof

需要安装一个图形库apt install graphviz(Ubuntu) 即可

访问 localhost:9999，可以看到这样的页面：

除了在网页中查看分析数据外，我们也可以在命令行中使用交互模式查看。
go tool pprof cpu.pprof

$ go tool pprof cpu.pprof
File: main
Type: cpu
Time: Nov 19, 2020 at 1:43am (CST)
Duration: 16.42s, Total samples = 14.26s (86.83%)
Entering interactive mode (type “help” for commands, “o” for options)
(pprof) top
Showing nodes accounting for 14.14s, 99.16% of 14.26s total
Dropped 34 nodes (cum <= 0.07s)
flat flat% sum% cum cum%
14.14s 99.16% 99.16% 14.17s 99.37% main.bubbleSort
0 0% 99.16% 14.17s 99.37% main.main
0 0% 99.16% 14.17s 99.37% runtime.main

可以看到 main.bubbleSort 是消耗 CPU 最多的函数。
还可以按照 cum (累计消耗)排序：

(pprof) top —cum
Showing nodes accounting for 14.14s, 99.16% of 14.26s total
Dropped 34 nodes (cum <= 0.07s)
flat flat% sum% cum cum%
14.14s 99.16% 99.16% 14.17s 99.37% main.bubbleSort
0 0% 99.16% 14.17s 99.37% main.main
0 0% 99.16% 14.17s 99.37% runtime.main

内存性能分析

假设我们实现了这么一个程序，生成长度为 N 的随机字符串，拼接在一起。

package main
import (
    "github.com/pkg/profile"
    "math/rand"
)
const letterBytes = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ"
func randomString(n int) string {
    b := make([]byte, n)
    for i := range b {
        b[i] = letterBytes[rand.Intn(len(letterBytes))]
    }
    return string(b)
}
func concat(n int) string {
    s := ""
    for i := 0; i < n; i++ {
        s += randomString(n)
    }
    return s
}
func main() {
    defer profile.Start(profile.MemProfile, profile.MemProfileRate(1)).Stop()
    concat(100)
}

接下来，我们使用一个易用性更强的库 pkg/profile 来采集性能数据，pkg/profile 封装了 runtime/pprof 的接口，使用起来更简单。
比如我们想度量 concat() 的 CPU 性能数据，只需要一行代码即可生成 profile 文件。

import (
    "github.com/pkg/profile"
)
func main() {
    defer profile.Start().Stop()
    concat(100)
}

接下来将使用类似的方式，进行采集内存数据，同样地，只需简单地修改 main 函数即可。

func main() {
    defer profile.Start(profile.MemProfile, profile.MemProfileRate(1)).Stop()
    concat(100)
}

接下来，我们在浏览器中分析内存性能数据：
go tool pprof -http=:9999 /tmp/profile215959616/mem.pprof

benchMark生成profile

testing支持生成 CPU、memory 和 block 的 profile 文件。

• -cpuprofile=$FILE
• -memprofile=$FILE, -memprofilerate=N 调整记录速率为原来的 1/N。
• -blockprofile=$FILE ```go func fib(n int) int { if n == 0 || n == 1 {

    return n

  } return fib(n-2) + fib(n-1) }

func BenchmarkFib(b *testing.B) { for n := 0; n < b.N; n++ { fib(30) // run fib(30) b.N times } } `` 只需要在 go test 添加 -cpuprofile 参数即可生成 BenchmarkFib 对应的 CPU profile 文件：<br />go test -bench=”Fib$” -cpuprofile=cpu.pprof .`