如何可以逐行configurationpython代码？
我一直在使用cProfile来分析我的代码，它一直在很好的工作。 我也使用gprof2dot.py来可视化结果（使其更清晰一些）。
但是，cProfile（以及我迄今为止所见过的大多数其他Pythonconfiguration器）似乎只在函数调用级别进行configuration。 当从不同的地方调用某些function时，这会造成混乱 – 我不知道1号或2号呼叫是否占用大部分时间。 当有问题的function是6个层次，从其他7个地方调用时，情况会变得更糟。
所以我的问题是：如何获得一行一行的分析？ 而不是这个：
function #12, total time: 2.0s 我想看到这样的事情：
function #12 (called from somefile.py:102) 0.5s function #12 (called from main.py:12) 1.5s
cProfile确实显示总共有多less时间“传输”给父节点，但是当你有一堆图层和相互连接的调用时，这个连接又会丢失。
理想情况下，我很想拥有一个可以parsing数据的graphics用户界面，然后向我显示我的源文件，并给出每行的总时间。 像这样的东西：
main.py: a = 1 # 0.0s result = func(a) # 0.4s c = 1000 # 0.0s result = func(c) # 5.0s
然后，我可以点击第二个“func（c）”调用来查看该调用中需要花费的时间，与“func（a）”调用分开。
那有意义吗？ 是否有任何分析库收集这种types的信息？ 有没有我错过了一些真棒工具？ 任何反馈意见。 谢谢！！
我相信这就是Robert Kern的line_profiler的意图。 从链接：
File: pystone.py Function: Proc2 at line 149 Total time: 0.606656 s Line # Hits Time Per Hit % Time Line Contents ============================================================== 149 @profile 150 def Proc2(IntParIO): 151 50000 82003 1.6 13.5 IntLoc = IntParIO + 10 152 50000 63162 1.3 10.4 while 1: 153 50000 69065 1.4 11.4 if Char1Glob == 'A': 154 50000 66354 1.3 10.9 IntLoc = IntLoc - 1 155 50000 67263 1.3 11.1 IntParIO = IntLoc - IntGlob 156 50000 65494 1.3 10.8 EnumLoc = Ident1 157 50000 68001 1.4 11.2 if EnumLoc == Ident1: 158 50000 63739 1.3 10.5 break 159 50000 61575 1.2 10.1 return IntParIO
希望有所帮助！
你也可以使用pprofile （ pypi ）。 如果你想分析整个执行，它不需要修改源代码。 您还可以通过两种方式来分析较大程序的子集：
-
在达到代码中的特定点时切换分析，例如：
import pprofile profiler = pprofile.Profile() with profiler: some_code # Process profile content: generate a cachegrind file and send it to user. -
通过使用统计分析，从调用堆栈asynchronous调用剖析（需要在所考虑的应用程序中触发此代码的方法，例如信号处理程序或可用的工作线程）：
import pprofile profiler = pprofile.StatisticalProfile() statistical_profiler_thread = pprofile.StatisticalThread( profiler=profiler, ) with statistical_profiler_thread: sleep(n) # Likewise, process profile content
代码注释输出格式非常类似于线剖析器：
$ pprofile --threads 0 demo/threads.py Command line: ['demo/threads.py'] Total duration: 1.00573s File: demo/threads.py File duration: 1.00168s (99.60%) Line #| Hits| Time| Time per hit| %|Source code ------+----------+-------------+-------------+-------+----------- 1| 2| 3.21865e-05| 1.60933e-05| 0.00%|import threading 2| 1| 5.96046e-06| 5.96046e-06| 0.00%|import time 3| 0| 0| 0| 0.00%| 4| 2| 1.5974e-05| 7.98702e-06| 0.00%|def func(): 5| 1| 1.00111| 1.00111| 99.54%| time.sleep(1) 6| 0| 0| 0| 0.00%| 7| 2| 2.00272e-05| 1.00136e-05| 0.00%|def func2(): 8| 1| 1.69277e-05| 1.69277e-05| 0.00%| pass 9| 0| 0| 0| 0.00%| 10| 1| 1.81198e-05| 1.81198e-05| 0.00%|t1 = threading.Thread(target=func) (call)| 1| 0.000610828| 0.000610828| 0.06%|# /usr/lib/python2.7/threading.py:436 __init__ 11| 1| 1.52588e-05| 1.52588e-05| 0.00%|t2 = threading.Thread(target=func) (call)| 1| 0.000438929| 0.000438929| 0.04%|# /usr/lib/python2.7/threading.py:436 __init__ 12| 1| 4.79221e-05| 4.79221e-05| 0.00%|t1.start() (call)| 1| 0.000843048| 0.000843048| 0.08%|# /usr/lib/python2.7/threading.py:485 start 13| 1| 6.48499e-05| 6.48499e-05| 0.01%|t2.start() (call)| 1| 0.00115609| 0.00115609| 0.11%|# /usr/lib/python2.7/threading.py:485 start 14| 1| 0.000205994| 0.000205994| 0.02%|(func(), func2()) (call)| 1| 1.00112| 1.00112| 99.54%|# demo/threads.py:4 func (call)| 1| 3.09944e-05| 3.09944e-05| 0.00%|# demo/threads.py:7 func2 15| 1| 7.62939e-05| 7.62939e-05| 0.01%|t1.join() (call)| 1| 0.000423908| 0.000423908| 0.04%|# /usr/lib/python2.7/threading.py:653 join 16| 1| 5.26905e-05| 5.26905e-05| 0.01%|t2.join() (call)| 1| 0.000320196| 0.000320196| 0.03%|# /usr/lib/python2.7/threading.py:653 join
请注意，由于pprofile不依赖代码修改，因此它可以configuration顶层模块语句，允许configuration程序启动时间（导入模块需要多长时间，初始化全局…）。
它可以生成cachegrind格式的输出，所以你可以使用kcachegrind轻松地浏览大量的结果。
披露：我是pprofile作者。
PyVmMonitor有一个实时视图，可以帮助你在那里（你可以连接到正在运行的程序，并从中获取统计信息）。
请参阅： http : //www.pyvmmonitor.com/
