Go程序性能优化及pprof使用方法详解
go 程序的性能优化及 pprof 的使用
程序的性能优化无非就是对程序占用资源的优化。对于服务器而言,最重要的两项资源莫过于 cpu 和内存。性能优化,就是在对于不影响程序数据处理能力的情况下,我们通常要求程序的 cpu 的内存占用尽量低。反过来说,也就是当程序 cpu 和内存占用不变的情况下,尽量地提高程序的数据处理能力或者说是吞吐量。
go 的原生工具链中提供了非常多丰富的工具供开发者使用,其中包括 pprof。
对于 pprof 的使用要分成下面两部分来说。
web 程序使用 pprof
先写一个简单的 web 服务程序。程序在 9876 端口上接收请求。
package main import ( "bytes" "io/ioutil" "log" "math/rand" "net/http" _ "net/http/pprof" ) func main() { http.handlefunc("/test", handler) log.fatal(http.listenandserve(":9876", nil)) } func handler(w http.responsewriter, r *http.request) { err := r.parseform() if nil != err { w.write([]byte(err.error())) return } dosomethingone(10000) buff := gensomebytes() b, err := ioutil.readall(buff) if nil != err { w.write([]byte(err.error())) return } w.write(b) } func dosomethingone(times int) { for i := 0; i < times; i++ { for j := 0; j < times; j++ { } } } func gensomebytes() *bytes.buffer { var buff bytes.buffer for i := 1; i < 20000; i++ { buff.write([]byte{'0' + byte(rand.intn(10))}) } return &buff }
可以看到我们只是简单地引入了 net/http/pprof ,并未显示地使用。
启动程序。
我们用 wrk 来简单地模拟请求。
wrk -c 400 -t 8 -d 3m http://localhost:9876/test
这时我们打开 http://localhost:9876/debug/pprof,会显示如下页面:
用户可以点击相应的链接浏览内容。不过这不是我们重点讲述的,而且这些内容看起来并不直观。
我们打开链接 http://localhost:9876/debug/pprof/profile 稍后片刻,可以下载到文件 profile。
使用 go 自带的 pprof 工具打开。go tool pprof test profile。(proof 后跟的 test 为程序编译的可执行文件)
输入 top 命令得到:
可以看到 cpu 占用前 10 的函数,我们可以对此分析进行优化。
只是这样可能还不是很直观。
我们输入命令 web(需要事先安装 graphviz,macos 下可以 brew install graphviz),会在浏览器中打开界面如下:
可以看到 main.dosomethingone 占用了 92.46% 的 cpu 时间,需要对其进行优化。
web 形式的 cpu 时间图对于优化已经完全够用,这边再介绍一下火焰图的生成。macos 推荐使用 go-torch 工具。使用方法和 go tool pprof 相似。
go-torch test profile 会生成 torch.svg 文件。可以用浏览器打开,如图。
刚才只是讲了 cpu 的占用分析文件的生成查看,其实内存快照的生成相似。http://localhost:9876/debug/pprof/heap,会下载得到 heap.gz 文件。
我们同样可以使用 go tool pprof test heap.gz,然后输入 top 或 web 命令查看相关内容。
通用程序使用 pprof
我们写的 go 程序并非都是 web 程序,这时候再使用上面的方法就不行了。
我们仍然可以使用 pprof 工具,但引入的位置为 runtime/pprof 。
这里贴出两个函数,作为示例:
// 生成 cpu 报告 func cpuprofile() { f, err := os.openfile("cpu.prof", os.o_rdwr|os.o_create, 0644) if err != nil { log.fatal(err) } defer f.close() log.println("cpu profile started") pprof.startcpuprofile(f) defer pprof.stopcpuprofile() time.sleep(60 * time.second) fmt.println("cpu profile stopped") } // 生成堆内存报告 func heapprofile() { f, err := os.openfile("heap.prof", os.o_rdwr|os.o_create, 0644) if err != nil { log.fatal(err) } defer f.close() time.sleep(30 * time.second) pprof.writeheapprofile(f) fmt.println("heap profile generated") }
两个函数分别会生成 cpu.prof 和 heap.prof 文件。仍然可以使用 go tool pprof 工具进行分析,在此就不赘述。
trace 报告
直接贴代码:
// 生成追踪报告 func traceprofile() { f, err := os.openfile("trace.out", os.o_rdwr|os.o_create, 0644) if err != nil { log.fatal(err) } defer f.close() log.println("trace started") trace.start(f) defer trace.stop() time.sleep(60 * time.second) fmt.println("trace stopped") }
使用工具 go tool trace 进行分析,会得到非常详细的追踪报告,供更深入的程序分析优化。由于报告内容比较复杂,且使用方法类似,就不继续了。读者可自行尝试。
贴张网上的图给大家大概看一下:
参考:
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
上一篇: OpenAnolis开源社区的萌芽与发展
下一篇: go语言中sort包的实现方法与应用详解