golang利用pprof与go-torch如何做性能分析

前言

软件开发过程中，项目上线并不是终点。上线后，还要对程序的取样分析运行情况，并重构现有的功能，让程序执行更高效更稳写。 golang的工具包内自带pprof功能，使找出程序中占内存和cpu较多的部分功能方便了不少。加上uber的火焰图，可视化显示，让我们在分析程序时更简单明了。

pprof有两个包用来分析程序一个是net/http/pprof另一个是runtime/pprof，net/http/pprof只是对runtime/pprof包进行封装并用http暴露出来，如下图源码所示：

使用net/http/pprof分析web服务

pprof分析web项目，非常的简单只需要导入包即可。

_ "net/http/pprof"

编写一个小的web服务器

package main

import (
 _ "net/http/pprof"
 "net/http"
 "time"
 "math/rand"
 "fmt"
)

var count int64 = 0
func main() {
 go calcount()

 http.handlefunc("/test", test)
 http.handlefunc("/data", handlerdata)

 err := http.listenandserve(":9909", nil )
 if err != nil {
 panic(err)
 }
}

func handlerdata(w http.responsewriter, r *http.request) {
 qurl := r.url
 fmt.println(qurl)
 fibrev := fib()
 var fib uint64
 for i:= 0; i < 5000; i++ {
 fib = fibrev()
 fmt.println("fib = ", fib)
 }
 str := randomstr(randomint(100, 500))
 str = fmt.sprintf("fib = %d; string = %s", fib, str)
 w.write([]byte(str))
}

func test(w http.responsewriter, r *http.request) {
 fibrev := fib()
 var fib uint64
 index := count
 arr := make([]uint64, index)
 var i int64
 for ; i < index; i++ {
 fib = fibrev()
 arr[i] = fib
 fmt.println("fib = ", fib)
 }
 time.sleep(time.millisecond * 500)
 str := fmt.sprintf("fib = %v", arr)
 w.write([]byte(str))
}

func fib() func() uint64 {
 var x, y uint64 = 0, 1
 return func() uint64 {
 x, y = y, x + y
 return x
 }
}

var letterrunes = []rune("abcdefghijklmnopqrstuvwxyzabcdefghijklmnopqrstuvwxyz1234567890")
func randomstr(num int) string {
 seed := time.now().unixnano()
 if seed <= 0 {
 seed = time.now().unixnano()
 }
 rand.seed(seed)
 b := make([]rune, num)
 for i := range b {
 b[i] = letterrunes[rand.intn(len(letterrunes))]
 }
 return string(b)
}

func randomint(min, max int) int {
 rand.seed(time.now().unixnano())
 return rand.intn(max - min + 1) + min
}

func calcount() {
 timeinterval := time.tick(time.second)

 for {
 select {
 case i := <- timeinterval:
  count = int64(i.second())
 }
 }
}

web服务监听9909端口

web服务器有两个http方法

test： 根据当前的秒数做斐波那契计算

data： 做一个5000的斐波那契计算并返回一个随机的字符串

运行程序,通过访问 http://192.168.3.34:9909/debug/pprof/可以查看web版的profiles相关信息

这几个路径表示的是

/debug/pprof/profile：访问这个链接会自动进行 cpu profiling，持续 30s，并生成一个文件供下载

/debug/pprof/block：goroutine阻塞事件的记录。默认每发生一次阻塞事件时取样一次。

/debug/pprof/goroutines：活跃goroutine的信息的记录。仅在获取时取样一次。

/debug/pprof/heap： 堆内存分配情况的记录。默认每分配512k字节时取样一次。

/debug/pprof/mutex: 查看争用互斥锁的持有者。

/debug/pprof/threadcreate: 系统线程创建情况的记录。 仅在获取时取样一次。

除了这些golang为我提供了更多方便的方法，用于分析，下面我们来用命令去访问详细的信息

我们用wrk来访问我们的两个方法，这样我们的服务会处在高速运行状态，取样的结果会更准确

wrk -c 20 -t 5 -d 3m http://192.168.3.34:9909/data
wrk -c 20 -t 5 -d 3m http://192.168.3.34:9909/test

分析cpu使用情况

使用命令分析cpu使用情况

go tool pprof httpdemo http://192.168.3.34:9909/debug/pprof/profile

在默认情况下，go语言的运行时系统会以100 hz的的频率对cpu使用情况进行取样。也就是说每秒取样100次，即每10毫秒会取样一次。为什么使用这个频率呢？因为100 hz既足够产生有用的数据，又不至于让系统产生停顿。并且100这个数上也很容易做换算，比如把总取样计数换算为每秒的取样数。实际上，这里所说的对cpu使用情况的取样就是对当前的goroutine的堆栈上的程序计数器的取样。

默认的取样时间是30s 你可以通过-seconds 命令来指定取样时间 。取样完成后会进入命令行状态：

可以输入help查看相关的命令.这里说几个常用的命令

top命令，输入top命令默认是返加前10的占用cpu的方法。当然人可以在命令后面加数字指定top数

list命令根据你的正则输出相关的方法.直接跟可选项o 会输出所有的方法。也可以指定方法名

如： handlerdata方法占cpu的74.81%

web命令：以网页的形式展现：更直观的显示cpu的使用情况

分析内存使用情况

和分析cpu差不多使用命令

go tool pprof httpdemo http://192.168.3.34:9909/debug/pprof/heap

默认情况下取样时只取当前内存使用情况，可以加可选命令alloc_objects，将从程序开始时的内存取样

go tool pprof -alloc_objects httpdemo http://192.168.3.34:9909/debug/pprof/heap

和cpu的命令一样，top list web。不同的是这里显示的是内存使用情况而已。这里我就不演示了。

安装go-torch

还有更方便的工具就是uber的了

安装很简单

go get github.com/uber/go-torch
cd $gopath/src/github.com/uber/go-torch
git clone https://github.com/brendangregg/flamegraph.git

然后运行flamegraph下的 拷贝flamegraph.pl 到 /usr/local/bin

火焰图分析cpu

使用命令

go-torch -u http://192.168.3.34:9909 --seconds 60 -f cpu.svg

会在当前目录下生成cpu.svg文件，使用浏览器打开

更直观的看到应用程序的问题。handlerdata方法占用的cpu时间过长。然后就是去代码里分析并优化了。

火焰图分析内存

使用命令

go-torch http://192.168.3.34:9909/debug/pprof/heap --colors mem -f mem.svg

会在当前目录下生成cpu.svg文件，使用浏览器打开

使用runtime/pprof分析项目

如果你的项目不是web服务，比如是rpc服务等，就要使用runtime/pprof。他提供了很多方法，有时间可以看一下源码

我写了一个简单的工具类。用于调用分析

package profapp

import (
 "os"
 "rrnc_im/lib/zaplogger"
 "go.uber.org/zap"
 "runtime/pprof"
 "runtime"
)

func startcpuprof() {
 f, err := os.create("cpu.prof")
 if err != nil {
  zaplogger.error("create cpu profile file error: ", zap.error(err))
  return
 }
 if err := pprof.startcpuprofile(f); err != nil {
  zaplogger.error("can not start cpu profile, error: ", zap.error(err))
  f.close()
 }
}

func stopcpuprof() {
 pprof.stopcpuprofile()
}


//--------mem
func profgc() {
 runtime.gc() // get up-to-date statistics
}

func savememprof() {
 f, err := os.create("mem.prof")
 if err != nil {
  zaplogger.error("create mem profile file error: ", zap.error(err))
  return
 }

 if err := pprof.writeheapprofile(f); err != nil {
  zaplogger.error("could not write memory profile: ", zap.error(err))
 }
 f.close()
}

// goroutine block
func saveblockprofile() {
 f, err := os.create("block.prof")
 if err != nil {
  zaplogger.error("create mem profile file error: ", zap.error(err))
  return
 }

 if err := pprof.lookup("block").writeto(f, 0); err != nil {
  zaplogger.error("could not write block profile: ", zap.error(err))
 }
 f.close()
}

在需要分析的方法内调用这些方法就可以 比如我是用rpc开放了几个方法

type testprof struct {

}

func (*testprof) startcpuproact(context.context, *im_test.testrequest, *im_test.testrequest) error {
 profapp.startcpuprof()
 return nil
}

func (*testprof) stopcpuprofact(context.context, *im_test.testrequest, *im_test.testrequest) error {
 profapp.stopcpuprof()
 return nil
}


func (*testprof) profgcact(context.context, *im_test.testrequest, *im_test.testrequest) error {
 profapp.profgc()
 return nil
}

func (*testprof) savememact(context.context, *im_test.testrequest, *im_test.testrequest) error {
 profapp.savememprof()
 return nil
}

func (*testprof) saveblockprofileact(context.context, *im_test.testrequest, *im_test.testrequest) error {
 profapp.saveblockprofile()
 return nil
}

调用

proftest.startcpuproact(context.todo(), &im_test.testrequest{})

 time.sleep(time.second * 30)
 proftest.stopcpuprofact(context.todo(), &im_test.testrequest{})

 proftest.savememact(context.todo(), &im_test.testrequest{})
 proftest.saveblockprofileact(context.todo(), &im_test.testrequest{})

思想是一样的，会在当前文件夹内导出profile文件。然后用火焰图去分析，就不能指定域名了，要指定文件

 go-torch httpdemo cpu.prof 
 go-torch httpdemo mem.prof

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对的支持。