性能测试，python 内存分析工具

Memray是一个由彭博社开发的、开源内存剖析器；开源一个多月，已经收获了超8.4k的star，是名副其实的明星项目。今天我们就给大家来推荐这款python内存分析神器。

Memray可以跟踪python代码、本机扩展模块和python解释器本身中内存分配，可以生成多种不同类型的报告，帮助大家分析python代码内存使用情况。

工具的主要特点：

跟踪每个函数的调用，能够准确的跟踪调用栈
能跟踪c/c++库的调用
分析速度很快
收集内存数据，输出各种图标
使用python线程
与本地线程一起工作

可以帮助解决的问题：

分析应用程序中内存分配，发现高内存使用率的原因
查找内存泄漏的原因
查找导致内存大量分配的代码热点

memray安装

环境要求：python3.7+以上版本，linux系统（仅支持linux系统）
安装：pip3 install memray

memray使用

memray使用帮助

python3 -m memray --help

参数	作用
run	运行指定的应用程序并跟踪内存使用情况
flamegraph	在html报告中，用火焰图方式，显示内存使用情况
table	在html报告文件中，用表格的方式显示内存分析情况
live	用实时屏幕显示方式，显示各种内存使用情况
tree	在终端中，用树形结构显示内存使用情况
parse	用debug模式，显示每一行的内存使用情况
summary	汇总终端运行期间的内存使用概况
stats	在终端中非常详细的显示内存使用情况

run命令使用

python3 -m memray run --help 获取帮助

参数	作用
-oOUTPU,–output OUTPUT	指定输出结果到哪里
–live	启动实时跟踪会话模式
–live-remote	启动实时跟踪会话并等待客户端连接
–live-port LIVE_PORT,
-p LIVE_PORT	启动实时跟踪时要使用的端口
–native	跟踪C/C++堆栈
–follow-fork	跟踪脚本分叉的子进程中的分配
–trace-python-allocators	记录pymalloc分配器的分配情况
-q, --quiet	运行时不显示任何特定于跟踪的输出
-f, --force	强制复购已有文件
–compress-on-exit	跟踪完成后使用 lz4 压缩生成的文件
–no-compress	运行时不显示任何特定于跟踪的输出
-c	不使用 lz4 压缩生成的文件
-m	将库模块作为脚本运行

python3 -m memray run xxx.py 直接分析某个py文件的内存使用情况，就会在当前路径下生成一个 ‘memray-py文件名.进程id.bin’ 的内存使用记录文件。当然，也可以跟上-o outFiPath 指定输出路径。如果运行的py文件是模块代码，也可以使用-m xxx.py 方式运行。

memray-py文件名.进程id.bin’ 文件，可以通过 python3 -m memray flamegraph memray-py文件名.进程id.bin 转换为一份html-火焰图报告

如上图，从上往下，显示了程序的调用过程，宽度，代表函数占用内存多少。

python3 -m memray run --native xxxx.py 会跟踪分析python代码中调用底层的C/C++函数消耗的内存情况
python3 -m memray run --trace-python-allocators xxx.py 跟踪分析python程序内存分配器pymalloc的情况

这个看上去，和没有加参数，效果差不多，但是，实际上是完全不一样的。这种方式，会深入跟踪内存分配，python常见的内存分配器有四种（malloc、free、realloc、pymalloc），这个参数，在python出现内存溢出时，就非常有用了。但是，加了这个参数，运输速度会变慢，收集的数据生成的文件会更大。