如何理解Python接口优化

这篇文章主要讲解了“如何理解Python接口优化”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“如何理解Python接口优化”吧！

企业建站必须是能够以充分展现企业形象为主要目的，是企业文化与产品对外扩展宣传的重要窗口，一个合格的网站不仅仅能为公司带来巨大的互联网上的收集和信息发布平台，成都创新互联面向各种领域：广告设计等成都网站设计、成都营销网站建设解决方案、网站设计等建站排名服务。

背景

我们负责的一个业务平台，有次在发现设置页面的加载特别特别地慢，简直就是令人发指

让用户等待 36s 肯定是不可能的，于是我们就要开启优化之旅了。

投石问路

既然是网站的响应问题，可以通过 Chrome 这个强大的工具帮助我们快速找到优化方向。

通过 Chrome 的 Network 除了可以看到接口请求耗时之外，还能看到一个时间的分配情况，选择一个配置没有那么多的项目，简单请求看看：

虽然只是一个只有三条记录的项目，加载项目设置都需要 17s，通过 Timing, 可以看到总的请求共耗时 17.67s ，但有 17.57s 是在 Waiting(TTFB) 状态。

TTFB 是 Time to First Byte 的缩写，指的是浏览器开始收到服务器响应数据的时间（后台处理时间+重定向时间），是反映服务端响应速度的重要指标。

Profile 火焰图 + 代码调优

那么大概可以知道优化的大方向是在后端接口处理上面，后端代码是 Python + Flask 实现的，先不盲猜，直接上 Profile：

第一波优化：功能交互重新设计

说实话看到这段代码是绝望的：完全看不出什么？只是看到很多 gevent 和 Threading，因为太多协程或者线程？

这时候一定要结合代码来分析（为了简短篇幅，参数部分用 “...” 代替）：

def get_max_cpus(project_code, gids):      """      """      ...      # 再定义一个获取 cpu 的函数      def get_max_cpu(project_setting, gid, token, headers):          group_with_machines = utils.get_groups(...)          hostnames = get_info_from_machines_info(...)          res = fetchers.MonitorAPIFetcher.get(...)          vals = [              round(100 - val, 4)              for ts, val in res['series'][0]['data']              if not utils.is_nan(val)          ]          maxmax_val = max(vals) if vals else float('nan')          max_cpus[gid] = max_val           #  启动线程批量请求      for gid in gids:          t = Thread(target=get_max_cpu, args=(...))          threads.append(t)          t.start()             # 回收线程      for t in threads:          t.join()      return max_cpus

通过代码可以看到，为了更加快速获取 gids 所有的 cpu_max 数据，为每个 gid 分配一个线程去请求，最终再返回最大值。

这里会出现两个问题：

1.  在一个 web api 做线程的 创建 和 销毁 是有很大成本的，因为接口会频繁被触发，线程的操作也会频繁发生，应该尽可能使用线程池之类的，降低系统花销；

2.  该请求是加载某个 gid (群组) 下面的机器过去 7 天的 CPU 最大值，可以简单拍脑袋想下，这个值不是实时值也不是一个均值，而是一个最大值，很多时候可能并没有想象中那么大价值；

既然知道问题，那就有针对性的方案：

1.  调整功能设计，不再默认加载 CPU 最大值，换成用户点击加载（一来降低并发的可能，二来不会影响整体）；

2.  因为 1 的调整，去掉多线程实现；

再看第一波优化后的火焰图：

这次看的火焰图虽然还有很大的优化空间，但起码看起来有点正常的样子了。

第二波优化：MySQL 操作优化处理

我们再从页面标记处（接口逻辑处）放大火焰图观察：

看到好大一片操作都是由 utils.py:get_group_profile_settings 这个函数引起的数据库操作热点。

同理，也是需要通过代码分析：

def get_group_profile_settings(project_code, gids):          # 获取 Mysql ORM 操作对象      ProfileSetting = unpurview(sandman.endpoint_class('profile_settings'))      session = get_postman_session()          profile_settings = {}      for gid in gids:          compound_name = project_code + ':' + gid          result = session.query(ProfileSetting).filter(              ProfileSetting.name == compound_name          ).first()                if result:              resultresult = result.as_dict()              tag_indexes = result.get('tag_indexes')              profile_settings[gid] = {                  'tag_indexes': tag_indexes,                  'interval': result['interval'],                  'status': result['status'],                  'profile_machines': result['profile_machines'],                  'thread_settings': result['thread_settings']              }              ...(省略)      return profile_settings

看到 Mysql ，第一个反应就是 索引问题，所以优先去看看数据库的索引情况，如果有索引的话应该不会是瓶颈：

很奇怪这里明明已经有了索引了，为什么速度还是这个鬼样子呢！

正当毫无头绪的时候，突然想起在 第一波优化 的时候， 发现 gid（群组）越多的影响越明显，然后看回上面的代码，看到那句：

for gid in gids:       ...

我仿佛明白了什么。

这里是每个 gid 都去查询一次数据库，而项目经常有 20 ~ 50+ 个群组，那肯定直接爆炸了。

其实 Mysql 是支持单字段多值的查询，而且每条记录并没有太多的数据，我可以尝试下用 Mysql 的 OR 语法，除了避免多次网络请求，还能避开那该死的 for

正当我想事不宜迟直接搞起的时候，余光瞥见在刚才的代码还有一个地方可以优化，那就是：

看到这里，熟悉的朋友大概会明白是怎么回事。

GetAttr 这个方法是Python 获取对象的 方法/属性 时候会用到，虽然不可不用，但是如果在使用太过频繁也会有一定的性能损耗。

结合代码一起来看：

def get_group_profile_settings(project_code, gids):        # 获取 Mysql ORM 操作对象      ProfileSetting = unpurview(sandman.endpoint_class('profile_settings'))      session = get_postman_session()         profile_settings = {}      for gid in gids:          compound_name = project_code + ':' + gid          result = session.query(ProfileSetting).filter(              ProfileSetting.name == compound_name          ).first()          ...

在这个遍历很多次的 for 里面，session.query(ProfileSetting) 被反复无效执行了，然后 filter 这个属性方法也被频繁读取和执行，所以这里也可以被优化。

总结下的问题就是：

1. 数据库的查询没有批量查询；  2. ORM 的对象太多重复的生成，导致性能损耗；  3. 属性读取后没有复用，导致在遍历次数较大的循环体内频繁 getAttr，成本被放大；

那么对症下药就是：

def get_group_profile_settings(project_code, gids):          # 获取 Mysql ORM 操作对象      ProfileSetting = unpurview(sandman.endpoint_class('profile_settings'))      session = get_postman_session()            # 批量查询 并将 filter 提到循环之外      query_results = query_instance.filter(          ProfileSetting.name.in_(project_code + ':' + gid for gid in gids)      ).all()      # 对全部的查询结果再单条处理      profile_settings = {}      for result in query_results:          if not result:              continue          resultresult = result.as_dict()          gid = result['name'].split(':')[1]          tag_indexes = result.get('tag_indexes')          profile_settings[gid] = {              'tag_indexes': tag_indexes,              'interval': result['interval'],              'status': result['status'],              'profile_machines': result['profile_machines'],              'thread_settings': result['thread_settings']          }              ...(省略)      return profile_settings

优化后的火焰图：

对比下优化前的相同位置的火焰图：

明显的优化点：优化前的，最底部的 utils.py:get_group_profile_settings 和 数据库相关的热点大大缩减。

优化效果

同一个项目的接口的响应时长从 37.6 s 优化成 1.47s，具体的截图：

优化总结

如同一句名言：

如果一个数据结构足够优秀，那么它是不需要多好的算法。

在优化功能的时候，最快的优化就是：去掉那个功能！

其次快就是调整那个功能触发的 频率 或者 复杂度！

从上到下，从用户使用场景去考虑这个功能优化方式，往往会带来更加简单高效的结果，嘿嘿！

当然很多时候我们是无法那么幸运的，如果我们实在无法去掉或者调整，那么就发挥做程序猿的价值咯：Profile

针对 Python 可以尝试：cProflile + gprof2dot

而针对 Go 可以使用: pprof + go-torch

很多时候看到的代码问题都不一定是真正的性能瓶颈，需要结合工具来客观分析，这样才能有效直击痛点！

其实这个 1.47s，其实还不是最好的结果，还可以有更多优化的空间，比如：

1.  前端渲染和呈现的方式，因为整个表格是有很多数据组装后再呈现的，响应慢的单元格可以默认先显示 菊花，数据返回再更新；

2.  火焰图看到还有挺多细节可以优化，可以替换请求数据的外部接口，比如再优化彻底 GetAttr 相关的逻辑；

3.  更极端就是直接 Python 转 GO；

但是这些优化已经不是那么迫切了，因为这个 1.47s 是比较大型项目的优化结果了，绝大部分的项目其实不到 1s 就能返回

再优化可能付出更大成本，而结果可能也只是从 500ms 到 400ms 而已，结果并不那么高性价比。

所以我们一定要时刻清晰自己优化的目标，时刻考虑 投入产出比，在有限的时间做出比较高的价值（如果有空闲时间当然可以尽情干到底）

感谢各位的阅读，以上就是“如何理解Python接口优化”的内容了，经过本文的学习后，相信大家对如何理解Python接口优化这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！