牛逼了！Python 接口優(yōu)化，性能提升25倍！
背景
我們負(fù)責(zé)的一個業(yè)務(wù)平臺，有次在發(fā)現(xiàn)設(shè)置頁面的加載特別特別地慢，簡直就是令人發(fā)指
讓用戶等待 36s 肯定是不可能的，于是我們就要開啟優(yōu)化之旅了。
投石問路
既然是網(wǎng)站的響應(yīng)問題，可以通過 Chrome 這個強大的工具幫助我們快速找到優(yōu)化方向。
通過 Chrome 的 Network 除了可以看到接口請求耗時之外，還能看到一個時間的分配情況，選擇一個配置沒有那么多的項目，簡單請求看看：
雖然只是一個只有三條記錄的項目，加載項目設(shè)置都需要 17s，通過 Timing, 可以看到總的請求共耗時 17.67s ，但有 17.57s 是在 Waiting(TTFB) 狀態(tài)。
TTFB 是 Time to First Byte 的縮寫，指的是瀏覽器開始收到服務(wù)器響應(yīng)數(shù)據(jù)的時間（后臺處理時間+重定向時間），是反映服務(wù)端響應(yīng)速度的重要指標(biāo)。
Profile 火焰圖 + 代碼調(diào)優(yōu)
那么大概可以知道優(yōu)化的大方向是在后端接口處理上面，后端代碼是 Python + Flask 實現(xiàn)的，先不盲猜，直接上 Profile：
第一波優(yōu)化：功能交互重新設(shè)計
說實話看到這段代碼是絕望的：完全看不出什么？只是看到很多 gevent 和 Threading，因為太多協(xié)程或者線程？
這時候一定要結(jié)合代碼來分析（為了簡短篇幅，參數(shù)部分用 “...” 代替）：
?def get_max_cpus(project_code, gids):
"""
"""
...
# 再定義一個獲取 cpu 的函數(shù)
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)
]
max_val = max(vals) if vals else float('nan')
max_cpus[gid] = max_val
# 啟動線程批量請求
for gid in gids:
t = Thread(target=get_max_cpu, args=(...))
threads.append(t)
t.start()
# 回收線程
for t in threads:
t.join()
return max_cpus
通過代碼可以看到，為了更加快速獲取 gids 所有的 cpu_max 數(shù)據(jù)，為每個 gid 分配一個線程去請求，最終再返回最大值。
這里會出現(xiàn)兩個問題：
在一個 web api 做線程的 創(chuàng)建 和 銷毀 是有很大成本的，因為接口會頻繁被觸發(fā)，線程的操作也會頻繁發(fā)生，應(yīng)該盡可能使用線程池之類的，降低系統(tǒng)花銷； 該請求是加載某個 gid (群組) 下面的機器過去 7 天的 CPU 最大值，可以簡單拍腦袋想下，這個值不是實時值也不是一個均值，而是一個最大值，很多時候可能并沒有想象中那么大價值；
既然知道問題，那就有針對性的方案：
調(diào)整功能設(shè)計，不再默認(rèn)加載 CPU 最大值，換成用戶點擊加載（一來降低并發(fā)的可能，二來不會影響整體）； 因為 1 的調(diào)整，去掉多線程實現(xiàn)；
再看第一波優(yōu)化后的火焰圖：
這次看的火焰圖雖然還有很大的優(yōu)化空間，但起碼看起來有點正常的樣子了。
第二波優(yōu)化：Mysql 操作優(yōu)化處理
我們再從頁面標(biāo)記處（接口邏輯處）放大火焰圖觀察：
看到好大一片操作都是由 utils.py:get_group_profile_settings 這個函數(shù)引起的數(shù)據(jù)庫操作熱點。
同理，也是需要通過代碼分析：
def get_group_profile_settings(project_code, gids):
# 獲取 Mysql ORM 操作對象
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:
result = 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 ，第一個反應(yīng)就是 索引問題，所以優(yōu)先去看看數(shù)據(jù)庫的索引情況，如果有索引的話應(yīng)該不會是瓶頸：
很奇怪這里明明已經(jīng)有了索引了，為什么速度還是這個鬼樣子呢！
正當(dāng)毫無頭緒的時候，突然想起在 第一波優(yōu)化 的時候， 發(fā)現(xiàn) gid（群組）越多的影響越明顯，然后看回上面的代碼，看到那句：
for gid in gids:
...
我仿佛明白了什么。
這里是每個 gid 都去查詢一次數(shù)據(jù)庫，而項目經(jīng)常有 20 ~ 50+ 個群組，那肯定直接爆炸了。
其實 Mysql 是支持單字段多值的查詢，而且每條記錄并沒有太多的數(shù)據(jù)，我可以嘗試下用 Mysql 的 OR 語法，除了避免多次網(wǎng)絡(luò)請求，還能避開那該死的 for
正當(dāng)我想事不宜遲直接搞起的時候，余光瞥見在剛才的代碼還有一個地方可以優(yōu)化，那就是：
看到這里，熟悉的朋友大概會明白是怎么回事。
GetAttr 這個方法是Python 獲取對象的 方法/屬性 時候會用到，雖然不可不用，但是如果在使用太過頻繁也會有一定的性能損耗。
結(jié)合代碼一起來看：
def get_group_profile_settings(project_code, gids):
# 獲取 Mysql ORM 操作對象
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()
...
在這個遍歷很多次的 for 里面，session.query(ProfileSetting) 被反復(fù)無效執(zhí)行了，然后 filter 這個屬性方法也被頻繁讀取和執(zhí)行，所以這里也可以被優(yōu)化。
總結(jié)下的問題就是：
1. 數(shù)據(jù)庫的查詢沒有批量查詢；
2. ORM 的對象太多重復(fù)的生成，導(dǎo)致性能損耗；
3. 屬性讀取后沒有復(fù)用，導(dǎo)致在遍歷次數(shù)較大的循環(huán)體內(nèi)頻繁 getAttr，成本被放大；
那么對癥下藥就是：
def get_group_profile_settings(project_code, gids):
# 獲取 Mysql ORM 操作對象
ProfileSetting = unpurview(sandman.endpoint_class('profile_settings'))
session = get_postman_session()
# 批量查詢 并將 filter 提到循環(huán)之外
query_results = query_instance.filter(
ProfileSetting.name.in_(project_code + ':' + gid for gid in gids)
).all()
# 對全部的查詢結(jié)果再單條處理
profile_settings = {}
for result in query_results:
if not result:
continue
result = 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
優(yōu)化后的火焰圖：
對比下優(yōu)化前的相同位置的火焰圖：
明顯的優(yōu)化點：優(yōu)化前的，最底部的 utils.py:get_group_profile_settings 和 數(shù)據(jù)庫相關(guān)的熱點大大縮減。
優(yōu)化效果
同一個項目的接口的響應(yīng)時長從 37.6 s 優(yōu)化成 1.47s，具體的截圖：
優(yōu)化總結(jié)
如同一句名言：
如果一個數(shù)據(jù)結(jié)構(gòu)足夠優(yōu)秀，那么它是不需要多好的算法。
在優(yōu)化功能的時候，最快的優(yōu)化就是：去掉那個功能！
其次快就是調(diào)整那個功能觸發(fā)的 頻率 或者 復(fù)雜度！
從上到下，從用戶使用場景去考慮這個功能優(yōu)化方式，往往會帶來更加簡單高效的結(jié)果，嘿嘿！
當(dāng)然很多時候我們是無法那么幸運的，如果我們實在無法去掉或者調(diào)整，那么就發(fā)揮做程序猿的價值咯：Profile
針對 Python 可以嘗試：cProflile + gprof2dot
而針對 Go 可以使用: pprof + go-torch
很多時候看到的代碼問題都不一定是真正的性能瓶頸，需要結(jié)合工具來客觀分析，這樣才能有效直擊痛點！
其實這個 1.47s，其實還不是最好的結(jié)果，還可以有更多優(yōu)化的空間，比如：
前端渲染和呈現(xiàn)的方式，因為整個表格是有很多數(shù)據(jù)組裝后再呈現(xiàn)的，響應(yīng)慢的單元格可以默認(rèn)先顯示 菊花，數(shù)據(jù)返回再更新； 火焰圖看到還有挺多細節(jié)可以優(yōu)化，可以替換請求數(shù)據(jù)的外部接口，比如再優(yōu)化徹底 GetAttr 相關(guān)的邏輯； 更極端就是直接 Python 轉(zhuǎn) GO；
但是這些優(yōu)化已經(jīng)不是那么迫切了，因為這個 1.47s 是比較大型項目的優(yōu)化結(jié)果了，絕大部分的項目其實不到 1s 就能返回
再優(yōu)化可能付出更大成本，而結(jié)果可能也只是從 500ms 到 400ms 而已，結(jié)果并不那么高性價比。
所以我們一定要時刻清晰自己優(yōu)化的目標(biāo)，時刻考慮 投入產(chǎn)出比，在有限的時間做出比較高的價值（如果有空閑時間當(dāng)然可以盡情干到底）
