用一个开源工具实现多线程 Python 程序的可视化
| 2021-03-30 23:04
VizTracer 可以跟踪并发的 Python 程序,以帮助记录、调试和剖析。
并发是现代编程中必不可少的一部分,因为我们有多个核心,有许多需要协作的任务。然而,当并发程序不按顺序运行时,就很难理解它们。对于工程师来说,在这些程序中发现 bug 和性能问题不像在单线程、单任务程序中那么容易。
在 Python 中,你有多种并发的选择。最常见的可能是用 threading
模块的多线程,用subprocess
和 multiprocessing
模块的多进程,以及最近用 asyncio
模块提供的 async
语法。在 VizTracer 之前,缺乏分析使用了这些技术程序的工具。
VizTracer 是一个追踪和可视化 Python 程序的工具,对日志、调试和剖析很有帮助。尽管它对单线程、单任务程序很好用,但它在并发程序中的实用性是它的独特之处。
尝试一个简单的任务
从一个简单的练习任务开始:计算出一个数组中的整数是否是质数并返回一个布尔数组。下面是一个简单的解决方案:
def is_prime(n):
for i in range(2, n):
if n % i == 0:
return False
return True
def get_prime_arr(arr):
return [is_prime(elem) for elem in arr]
试着用 VizTracer 以单线程方式正常运行它:
if __name__ == "__main__":
num_arr = [random.randint(100, 10000) for _ in range(6000)]
get_prime_arr(num_arr)
viztracer my_program.py
调用堆栈报告显示,耗时约 140ms,大部分时间花在 get_prime_arr
上。
这只是在数组中的元素上一遍又一遍地执行 is_prime
函数。
这是你所期望的,而且它并不有趣(如果你了解 VizTracer 的话)。
试试多线程程序
试着用多线程程序来做:
if __name__ == "__main__":
num_arr = [random.randint(100, 10000) for i in range(2000)]
thread1 = Thread(target=get_prime_arr, args=(num_arr,))
thread2 = Thread(target=get_prime_arr, args=(num_arr,))
thread3 = Thread(target=get_prime_arr, args=(num_arr,))
thread1.start()
thread2.start()
thread3.start()
thread1.join()
thread2.join()
thread3.join()
为了配合单线程程序的工作负载,这就为三个线程使用了一个 2000 元素的数组,模拟了三个线程共享任务的情况。
如果你熟悉 Python 的全局解释器锁(GIL),就会想到,它不会再快了。由于开销太大,花了 140ms 多一点的时间。不过,你可以观察到多线程的并发性:
当一个线程在工作(执行多个 is_prime
函数)时,另一个线程被冻结了(一个 is_prime
函数);后来,它们进行了切换。这是由于 GIL 的原因,这也是 Python 没有真正的多线程的原因。它可以实现并发,但不能实现并行。
用多进程试试
要想实现并行,办法就是 multiprocessing
库。下面是另一个使用 multiprocessing
的版本:
if __name__ == "__main__":
num_arr = [random.randint(100, 10000) for _ in range(2000)]
p1 = Process(target=get_prime_arr, args=(num_arr,))
p2 = Process(target=get_prime_arr, args=(num_arr,))
p3 = Process(target=get_prime_arr, args=(num_arr,))
p1.start()
p2.start()
p3.start()
p1.join()
p2.join()
p3.join()
要使用 VizTracer 运行它,你需要一个额外的参数:
viztracer --log_multiprocess my_program.py
整个程序在 50ms 多一点的时间内完成,实际任务在 50ms 之前完成。程序的速度大概提高了三倍。
为了和多线程版本进行比较,这里是多进程版本:
在没有 GIL 的情况下,多个进程可以实现并行,也就是多个 is_prime
函数可以并行执行。
不过,Python 的多线程也不是一无是处。例如,对于计算密集型和 I/O 密集型程序,你可以用睡眠来伪造一个 I/O 绑定的任务:
def io_task():
time.sleep(0.01)
在单线程、单任务程序中试试:
if __name__ == "__main__":
for _ in range(3):
io_task()
整个程序用了 30ms 左右,没什么特别的。
现在使用多线程:
if __name__ == "__main__":
thread1 = Thread(target=io_task)
thread2 = Thread(target=io_task)
thread3 = Thread(target=io_task)
thread1.start()
thread2.start()
thread3.start()
thread1.join()
thread2.join()
thread3.join()
程序耗时 10ms,很明显三个线程是并发工作的,这提高了整体性能。
用 asyncio 试试
Python 正在尝试引入另一个有趣的功能,叫做异步编程。你可以制作一个异步版的任务:
import asyncio
async def io_task():
await asyncio.sleep(0.01)
async def main():
t1 = asyncio.create_task(io_task())
t2 = asyncio.create_task(io_task())
t3 = asyncio.create_task(io_task())
await t1
await t2
await t3
if __name__ == "__main__":
asyncio.run(main())
由于 asyncio
从字面上看是一个带有任务的单线程调度器,你可以直接在它上使用 VizTracer:
依然花了 10ms,但显示的大部分函数都是底层结构,这可能不是用户感兴趣的。为了解决这个问题,可以使用 --log_async
来分离真正的任务:
viztracer --log_async my_program.py
现在,用户任务更加清晰了。在大部分时间里,没有任务在运行(因为它唯一做的事情就是睡觉)。有趣的部分是这里:
这显示了任务的创建和执行时间。Task-1 是 main()
协程,创建了其他任务。Task-2、Task-3、Task-4 执行 io_task
和 sleep
然后等待唤醒。如图所示,因为是单线程程序,所以任务之间没有重叠,VizTracer 这样可视化是为了让它更容易理解。
为了让它更有趣,可以在任务中添加一个 time.sleep
的调用来阻止异步循环:
async def io_task():
time.sleep(0.01)
await asyncio.sleep(0.01)
程序耗时更长(40ms),任务填补了异步调度器中的空白。
这个功能对于诊断异步程序的行为和性能问题非常有帮助。
看看 VizTracer 发生了什么?
通过 VizTracer,你可以在时间轴上查看程序的进展情况,而不是从复杂的日志中想象。这有助于你更好地理解你的并发程序。
VizTracer 是开源的,在 Apache 2.0 许可证下发布,支持所有常见的操作系统(Linux、macOS 和 Windows)。你可以在 VizTracer 的 GitHub 仓库中了解更多关于它的功能和访问它的源代码。
via: https://opensource.com/article/21/3/python-viztracer