1.服务器CPU太高的优化

1>在Django项目中使用`line_profiler`进行性能剖析，您需要遵循以下步骤来设置并使用它：

注：此种方式似乎中间件无法启动！！！

要使用Django与`line_profiler`进行特定视图的性能测试，你需要按照以下步骤操作：1. **安装line_profiler**：在命令行中使用pip安装`line_profiler`。```bashpip install line_profiler```2. **配置你的视图**：在你的Django视图中，添加一个`@profile`装饰器来标记你想要剖析的视图。```python@profiledef my_view(request):# 你的视图逻辑return HttpResponse('Hello World!')```注意：`@profile`装饰器在实际运行时不存在。你可以在本地定义它为一个空装饰器，以避免运行时错误，或者只在运行`line_profiler`时才添加该装饰器。3. **创建一个剖析命令**：你需要创建一个自定义的Django管理命令来运行`line_profiler`。在你的应用目录中，创建一个`management/commands`子目录，并在其中创建一个命令文件，例如`profile.py`。```python# myapp/management/commands/profile.pyfrom django.core.management.base import BaseCommandfrom line_profiler import LineProfilerclass Command(BaseCommand):help = 'Run line profiler on specific view function'def handle(self, *args, **options):# 这里根据需要调用你的视图或者从urls.py导入URL配置from my_app.views import my_view profiler = LineProfiler()profiled_view = profiler(my_view)# 你可以模拟一个请求对象，或者从测试数据中获取request = create_request_somehow()# 运行被剖析的视图函数profiled_view(request)# 输出剖析结果profiler.print_stats()```4. **运行你的剖析命令**：在你的Django项目目录中使用manage.py运行刚才创建的命令。```bashpython manage.py profile```5. **分析剖析结果**：查看命令行输出的剖析结果。`line_profiler`会列出每一行代码的执行时间和次数等信息，这样你就可以找到性能瓶颈。确保在部署到生产环境前移除`@profile`装饰器或更改相应的配置，以免引入额外的性能开销。使用`line_profiler`来进行性能剖析是一个非常有力的工具，它可以帮助你理解Django视图中每一行代码的性能表现。

line_profiler跑完结果如下：
Line #      Hits         Time  Per Hit   % Time  Line Contents
==============================================================
    53                                               def wrapped_view(*args, **kwargs):
    54         1        1e+10    1e+10    100.0          return view_func(*args, **kwargs)

   

2>使用 `cProfile` 进行性能剖析的方式，可以按照以下步骤进行：
 

1. **命令行**：可以直接在命令行中使用 `python -m cProfile -o output_file.prof your_script.py` 来运行你的脚本，并将剖析结果输出到 `output_file.prof` 文件中。2. **在代码中使用**：- 导入 `cProfile` 模块。- 使用 `cProfile.run()` 或 `cProfile.runctx()` 在代码中直接剖析特定部分。- 可选使用 `pstats` 模块来读取并分析剖析数据。示例代码：```python
import cProfile
import pstats
import iodef function_to_profile():# 这里放置你想要剖析的代码pass# 创建 Profile 实例
pr = cProfile.Profile()# 开始剖析
pr.enable()# 运行你想要剖析的函数或代码
function_to_profile()# 停止剖析
pr.disable()# 创建数据流以输出剖析结果
s = io.StringIO()# 创建 pstats 对象，并将剖析数据写入 s 数据流中
ps = pstats.Stats(pr, stream=s).sort_stats('cumulative')# 打印剖析结果
ps.print_stats()# 获取打印输出的数据
profiling_result = s.getvalue()# 打印到控制台，或输出到文件等
print(profiling_result)
```如果需要将结果输出到文件并稍后进行分析，可以执行 `ps.dump_stats('profile_stats.prof')`，这会将剖析数据保存到 `profile_stats.prof` 文件。使用参数 `sort_stats()` 可以指定输出结果的排序方式，常见的排序参数有 `cumulative`（累计时间）、`time`（内部时间）等。通过 `print_stats()` 方法的参数可以控制输出详情的数量（例如 `print_stats(10)` 只显示前10行结果）。在使用 `cProfile` 进行性能剖析时，得到的报告中包含了若干列，每列的含义如下：- **ncalls**: 「调用次数」，表示函数被调用的次数。如果报告显示两个数字，如 `3/1`，那么第一个数字表示函数被直接调用的次数，第二个数字表示函数被递归调用的次数。- **tottime**: 「总时间」，表示函数本身在所有调用中消耗的总时间（不包括在其他函数中消耗的时间）。单位通常是秒。- **percall**: 「每次调用平均时间」，它是 `tottime` 列的时间除以 `ncalls` 列的调用次数。如果 `ncalls` 列显示了两个数字，则这个值表示的是除以第一个数字。- **cumtime**: 「累积时间」，表示函数以及它调用的所有函数在所有调用中消耗的总时间。这是一个更全面的性能指标，因为它包含了当前函数调用其他函数的时间。- **percall**: 这个「每次调用平均时间」与前一栏的`percall`相对应，但它是 `cumtime` 列的时间除以递归调用次数（`ncalls`列的第二个数字）。- **filename:lineno(function)**: 「文件名、行号和函数名」，提供了函数所在的位置信息，帮助你准确定位代码。通过这些数据，您可以分析哪些函数耗时最多，哪些函数调用频繁，以及函数调用的性能。这些信息对于优化代码性能非常有用。