在做性能测试平台的优化过程中，由于启动任务相对其他测试任务比较频繁，而目前30次两个包的交叉对比(30次)测试需要耗时30分钟整，因此打算优先对测试流程做一次优化，将测试时间消耗降低到20分钟。

由于一开始估计乐观，认为启动时间，一台设备理论上启动顶多1s，1*2*30也就60s，加上其他开销，5分钟都够了，能减少到20分钟应该小半天就能做完了。

于是就来到了第一步：

1.review代码流程

（1）把启动流程里相关的sleep全部review一遍

确实有一点效果，因为有一部分sleep在启动任务执行阶段，60倍杠杆放大后很可怕，因此去掉部分sleep，居然就减少到了23分钟了。

第二步一时想不出了，方法耦合嵌套相当多，而且适配多个版本的产品，迁一发动全身，第二步想到的就是将可疑方法监控起来

2.将可疑方法的耗时监控起来

为了方便监控，增加了两个个装饰器来统计耗时

def costs(fn):
    def _wrapper(*args, **kwargs):
        start = time.time()
        fn(*args, **kwargs)
        print "%s 函数cost %s 秒" % (fn.__name__, time.time() - start)

    return _wrapper


def costs_with_info(info):
    def _wrapper(fn):
        print "info: " + info
        return costs(fn)
    return _wrapper

当方法需要监控时，则加入@costs或者@costs_with_info("some infomation")

    @costs
    def configureQuickStart(self, pkg_name):
        if self.config.allow_quick_start == "1":
            self.logger.info("Disable quick start: %s" % pkg_name)
            self.disableQuickStartSnapShot(pkg_name)
        else:
            self.logger.info("Quick start is enabled: %s" % pkg_name)

推荐大家不要用这样的方法，真心耗时耗力，而且效果差。花了半天优化了一分钟。

于是想到了Android里的traceview，traceview有方法能拿到整个调用栈的性能消耗，包括耗时，python应该也有这样的方法才对，然后我找到了cProfile，于是便愉快地进入了第三步

3.使用cProfile进行分析

（1）直接将入口加入监控，输出result.prof文件，并在log区打印出tottime（不包含子方法的耗时统计）

import cProfile
import pstats
cProfile.run(‘main()‘, filename=‘result.prof‘, sort="tottime")
p = pstats.Stats(‘result.prof‘)
p.sort_stats(‘time‘).print_stats()

log区打印出的日志如下

一部分是系统方法，一部分是自己的方法，不是很直观，于是又找到了另一个神器graphviz。

首先需要安装：

sudo apt-get install graphviz

然后下载Gprof2Dot，接着运行

python gprof2dot.py -f pstats result.out | dot -Tpng -o result.png

终于我得到了一张启动测试的方法耗时统计图

局部展示如下：

这样就可以很清晰看到各个函数具体消耗的时间了，但令我震惊的是，启动测试中，30分钟里居然有95.29%的时间是在sleep！但是没关系，因为我知道是哪个方法开始引入的sleep,并且可以知道哪些是可以优化的。

性能测试平台效率优化的一次经验（python版）