性能剖析是优化代码、识别瓶颈的重要步骤，装饰器为此提供了一种便捷途径。本章聚焦于如何运用Python标准库cProfile进行性能监控 ，并结合可视化工具进行深入分析。
10.1 使用cProfile的装饰器
利用cProfile模块，可以轻松创建一个性能剖析装饰器，记录函数执行的详细时间花费。
import cProfile
def profile_decorator(func):
def wrapper(*args, **kwargs):
profiler = Profile.Profile()
profiler.enable()
result = func(*args, **kwargs)
profiler.disable()
profiler.print_stats()
return result
return wrapper
@profile_decorator
def example_function(n):
sum = 0
for i in range(n):
sum += i
return sum
example_function(100000000)这段代码中，example_function执行时，会自动开启性能剖析 ，并在结束时打印函数内部各部分的耗时统计。
10.2 热函数快速定位
性能剖析的目的是快速识别代码中的热区（hotspot），即耗时最多的地方。结合装饰器使用，可直接定位到具体函数或代码段。
from functools import wraps
import cProfile
def line_by_line_profile(func):
@wraps(func)
def wrapper(*args, **kwargs):
profiler = cProfile()
profiler.runctx('func(*args, **kwargs)', globals(), locals())
profiler.print_stats(sort='cumulative')
return wrapper
return wrapper
@line_by_line_profile
def heavy_computation(x):
result = []
for i in range(x):
result.append(i**2)
return result
heavy_computation(10000000)通过cProfile.runctx，我们按行级统计执行时间 ，sort='cumulative'确保按累积时间排序 ，便于找到耗时最多的行。
10.3 结合可视化工具分析
尽管cProfile自带打印统计信息 ，但结合图形界面或Web工具如SnakeViz、PyCharm能让分析更直观。
from snakeviz import Profiler, SnakeViz
def visualize_profiling(func):
@wraps(func)
def wrapper(*args, **kwargs):
profiler = Profiler()
profiler.start()
result = func(*args, **kwargs)
profiler.stop()
profiler.export_chrome_cprofile()
SnakeViz(profiler.results).render()
return wrapper
@visualize_profiling
def complex_calculation(numbers):
return [num*2 for num in numbers if num % 2 == 0]
complex_calculation(range(1000000))这里，SnakeViz将性能数据导出为Chrome浏览器可查看的文件，便于交互式探索函数调用时分布，直观识别瓶颈所在。
通过这些步骤，性能剖析装饰器不仅提供了快速、无侵入式的性能监测方式 ，还借助可视化工具深化了理解，有效指导性能优化决策。
