用一個開源工具實現多線程 Python 程序的可視化

並發是現代編程中必不可少的一部分，因為我們有多個核心，有許多需要協作的任務。然而，當並發程序不按順序運行時，就很難理解它們。對於工程師來說，在這些程序中發現 bug 和性能問題不像在單線程、單任務程序中那麼容易。

在 Python 中，你有多種並發的選擇。最常見的可能是用 threading 模塊的多線程，用subprocess 和 multiprocessing 模塊的多進程，以及最近用 asyncio 模塊提供的 async 語法。在 VizTracer 之前，缺乏分析使用了這些技術程序的工具。

VizTracer 是一個追蹤和可視化 Python 程序的工具，對日誌、調試和剖析很有幫助。儘管它對單線程、單任務程序很好用，但它在並發程序中的實用性是它的獨特之處。

嘗試一個簡單的任務

從一個簡單的練習任務開始：計算出一個數組中的整數是否是質數並返回一個布爾數組。下面是一個簡單的解決方案：

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]

試著用 VizTracer 以單線程方式正常運行它：

if __name__ == "__main__":
    num_arr = [random.randint(100, 10000) for _ in range(6000)]
    get_prime_arr(num_arr)

viztracer my_program.py


調用堆棧報告顯示，耗時約 140ms，大部分時間花在 get_prime_arr 上。


這只是在數組中的元素上一遍又一遍地執行 is_prime 函數。

這是你所期望的，而且它並不有趣（如果你了解 VizTracer 的話）。

試試多線程程序

試著用多線程程序來做：

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()

為了配合單線程程序的工作負載，這就為三個線程使用了一個 2000 元素的數組，模擬了三個線程共享任務的情況。


如果你熟悉 Python 的全局解釋器鎖（GIL），就會想到，它不會再快了。由於開銷太大，花了 140ms 多一點的時間。不過，你可以觀察到多線程的並發性：


當一個線程在工作（執行多個 is_prime 函數）時，另一個線程被凍結了（一個 is_prime 函數）；後來，它們進行了切換。這是由於 GIL 的原因，這也是 Python 沒有真正的多線程的原因。它可以實現並發，但不能實現並行。

用多進程試試

要想實現並行，辦法就是 multiprocessing 庫。下面是另一個使用 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 運行它，你需要一個額外的參數：

viztracer --log_multiprocess my_program.py


整個程序在 50ms 多一點的時間內完成，實際任務在 50ms 之前完成。程序的速度大概提高了三倍。

為了和多線程版本進行比較，這裡是多進程版本：


在沒有 GIL 的情況下，多個進程可以實現並行，也就是多個 is_prime 函數可以並行執行。

不過，Python 的多線程也不是一無是處。例如，對於計算密集型和 I/O 密集型程序，你可以用睡眠來偽造一個 I/O 綁定的任務：

def io_task():
    time.sleep(0.01)

在單線程、單任務程序中試試：

if __name__ == "__main__":
    for _ in range(3):
        io_task()


整個程序用了 30ms 左右，沒什麼特別的。

現在使用多線程：

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()


程序耗時 10ms，很明顯三個線程是並發工作的，這提高了整體性能。

用 asyncio 試試

Python 正在嘗試引入另一個有趣的功能，叫做非同步編程。你可以製作一個非同步版的任務：

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())

由於 asyncio 從字面上看是一個帶有任務的單線程調度器，你可以直接在它上使用 VizTracer：


依然花了 10ms，但顯示的大部分函數都是底層結構，這可能不是用戶感興趣的。為了解決這個問題，可以使用 --log_async 來分離真正的任務：

viztracer --log_async my_program.py


現在，用戶任務更加清晰了。在大部分時間裡，沒有任務在運行（因為它唯一做的事情就是睡覺）。有趣的部分是這裡：


這顯示了任務的創建和執行時間。Task-1 是 main() 協程，創建了其他任務。Task-2、Task-3、Task-4 執行 io_task 和 sleep 然後等待喚醒。如圖所示，因為是單線程程序，所以任務之間沒有重疊，VizTracer 這樣可視化是為了讓它更容易理解。

為了讓它更有趣，可以在任務中添加一個 time.sleep 的調用來阻止非同步循環：

async def io_task():
    time.sleep(0.01)
    await asyncio.sleep(0.01)


程序耗時更長（40ms），任務填補了非同步調度器中的空白。

這個功能對於診斷非同步程序的行為和性能問題非常有幫助。

看看 VizTracer 發生了什麼？

通過 VizTracer，你可以在時間軸上查看程序的進展情況，而不是從複雜的日誌中想像。這有助於你更好地理解你的並發程序。

VizTracer 是開源的，在 Apache 2.0 許可證下發布，支持所有常見的操作系統（Linux、macOS 和 Windows）。你可以在 VizTracer 的 GitHub 倉庫中了解更多關於它的功能和訪問它的源代碼。

via: https://opensource.com/article/21/3/python-viztracer

作者：Tian Gao 選題：lujun9972 譯者：wxy 校對：wxy

本文由 LCTT 原創編譯，Linux中國 榮譽推出

本文轉載來自 Linux 中國: https://github.com/Linux-CN/archive