python性能分析和优化，GIL常考题
什么是Cpython GIL
Cpython解释器的内存管理并不是线程安全的
保护多线程情况下对python对象访问
Cpython使用简单的锁机制避免多个线程同时执行字节码
GIL的影响
限制了程序的多核执行
同一个时间只能有一个线程执行字节码
CPU密集程序难以利用多核优势
IO期间会释放GIL，对IO密集程序影响不大
如何规避GIL影响和IO密集程序
CPU密集可以使用多进程+进程池
IO密集使用多线程/协程
Cpython扩展
为什么有了GIl还要关注线程安全
python中什么操作才是原子的?一步到位执行完
一个操作如果是一个字节码指令可以完成就是原子的
原子的是可以保证线程安全的
使用dis操作来分析字节码
原子操作
import dis
def update_list(l):
l[0] = 1 #原子操作，不用担心线程安全问题
dis.dis(update_list)
"""
6 0 LOAD_CONST 1 (1)
3 LOAD_FAST 0 (L)
6 LOAD_CONST 2 (0)
9 STORE_SUBSCR # 但字节码操作 线程安全
10 LOAD_CONST 0 (None)
13 RETURN_VALUE
"""
非原子操作不是线程安全的
def incr_list(l):
l[0] += 1 #危险!!! 不是原子操作
dis.dis(incr_list)
"""
21 0 LOAD_FAST 0(l)
3 LOAD_CONST 1 (0)
6 DUP_TOPX 2
9 BINARY_SUBSCR
10 LOAD_CONST 2 (1)
13 INPLACE_ADD # 需要多个字节码操作，有可能在线程中切到其他线程
"""
import threading
lock = threading.Lock() # 加锁，保证线程安全
# 加锁操作对性能有一定影响
n = [0]
def foo():
with lock:
n[0] = n[0] + 1
n[0] = n[0] + 1
threads = []
for i in range(5000);
t = threading.Thread(target=foo)
threads.append(t)
for t in threads:
t.start()
print(n)
如何剖析程序性能
使用各种profile工具(内置或第三方)
二八定律,大部分时间耗时在少量代码上
内置的profile/cprofile等工具
使用pyflame(uber开源)的火焰图工具
服务端性能优化措施
web应用一般语言不会成为瓶颈
数据结构与算法优化
数据库层: 索引优化，满查询消除,批量操作减少IO，NoSql
网络IO：批量操作，pipeline操作 减少IO
缓存: 使用内存数据库 redis/memcached
异步; asyncio , celery
并发: gevent/多线程
python生成器与协程
Generator
生成器就是可以生成值的函数
当一个函数里有了yield关键字就成了生成器
生成器可以挂起执行并且保持当前执行的状态
# 生成器
def simple_gen():
yield 'hello'
yield 'world'
gen = simple_gen()
print(type(gen)) # 'generator' object
print(next(gen)) # 'hello'
print(next(gen)) # 'world'
基于生成器的协程(python2)
python3之前没有原生协程，只有基于生成器的协程
pep 342增强生成器功能
生成器可以通过yield暂停执行和产出数据
同时支持send()向生成器发送数据和throw()向生成器抛出异常
def coro():
hello = yield 'hello' # yield关键字在=右边作为表达式， 可以被sengd的值
yield hello
c = cor0()
#输出 ' hello' ,这里调用next产出一个值 'hello'，之后函数暂停
print(next(c))
# 再次调用send发送值， 此时hello变量赋值为'world', 然后yield产出hello变量的值 'world'
print(c.send('world'))
# 之后协程结束，后续再send值会抛出异常StopIteration
python3原生协程
python3.5引入async/await支持原生协程(natice copoutine)
import asyncio
import datetime
import random
async def display_date(num, loop):
end_time = loop.time(0) + 50.0
while True:
print('Loop: {} Time: {}').format(num, datetime.datetime.now())
if (loop.time() + 1.0) >= end_time:
break
await asyncio.sleep(random.randint(0, 5))
loop = asyncio.get_event_loop()
asyncio.ensure_future(display_date(1, loop))
asyncio.ensure_future(display_date(2, loop))
loop.run_forever()
python 单元测试
什么是单元测试
针对程序模式进行正确性检验
一个函数， 一个类进行验证
自底向上保证程序正确性
为什么要写单元测试
三无代码不可取(无文档，无注释，无单测)
保证代码逻辑的正确性(甚至有些采用测试驱动开发TDD)
单测影响设计，易测的代码往往是高内聚低耦合的
回归测试，防止改一处整个服务不可用
单元测试相关的库
nose/pytest 较为常用
mock 模块用来模拟替换网络请求等
coverage 统计测试覆盖率
def test():
"""
如何设计测试用例:(等价类划分)
- 正常功能测试
- 边界值 (比如最大最小，最左最右值)
- 异常值 (比如None， 空值，非法值)
"""
assert binary_search([0,1,2,3,4,5],1) == 1
assert binary_search([0,1,2,3,4,5],6) == -1
python深拷贝与浅拷贝
什么是深拷贝？什么是浅拷贝?
python中如何实现深拷贝?
思考: python中如何正确初始化一个二维数组？
