1. 速盾网络首页
  2. 行业资讯

代码优化指南：人生苦短，我用Python

guozi • • 行业资讯

第一部分请查看从环境设置到内存分析。以下是 Python 代码优化的第二部分，主要从 Python 脚本与 Python 解释器两个方面阐述。在这一部分中我们首先会关注如何追踪 Python 脚本的 CPU 使用情况，并重点讨论 cProfile、line_profiler、pprofile 和 vprof。而后一部分重点介绍了一些可用于在运行 Python 脚本时对解释器进行性能分析的工具和方法，主要讨论了 CPython 和 PyPy 等。

CPU 分析——Python 脚本

在这一节，我将介绍一些有助于我们解决 Python 中分析 CPU 使用的难题的工具。

CPU 性能分析（profiling）的意思是通过分析 CPU 执行代码的方式来分析这些代码的性能。也就是说要找到我们代码中的热点（hot spot），然后看我们可以怎么处理它们。

接下来我们会看看你可以如何追踪你的 Python 脚本的 CPU 使用。我们将关注以下分析器（profiler）：

  • cProfile
  • line_profiler
  • pprofile
  • vprof

测量 CPU 使用

  1. import time
  4. def primes(n):
  5.    if n == 2:
  6.        return [2]
  7.    elif n < 2:
  8.        return []
  9.    s = []
  10.    for i in range(3, n+1):
  11.        if i % 2 != 0:
  12.            s.append(i)
  13.    mroot = n ** 0.5
  14.    half = (n + 1) / 2 - 1
  15.    i = 0
  16.    m = 3
  17.    while m <= mroot:
  18.        if s[i]:
  19.            j = (m * m - 3) / 2
  20.            s[j] = 0
  21.            while j < half:
  22.                s[j] = 0
  23.                j += m
  24.        i = i + 1
  25.        m = 2 * i + 3
  26.    l = [2]
  27.    for x in s:
  28.        if x:
  29.            l.append(x)
  30.    return l
  33. def benchmark():
  34.    start = time.time()
  35.    for _ in xrange(40):
  36.        count = len(primes(1000000))
  37.    end = time.time()
  38.    print "Benchmark duration: %r seconds" % (end-start)
  41. benchmark()

这一节我将使用与前一节基本一样的脚本，你也可以在 GitHub 上查看：https://gist.github.com/apatrascu/8524679175de08a54a95e22001a31d3b

另外，记住在 PyPy2 上，你需要使用一个支持它的 pip 版本：

 

  1. pypy -m ensure pip

其它东西可以通过以下指令安装：

 

  1. pypy -m pip install

cProfile

在 CPU 性能分析上最常用的一个工具是 cProfile，主要是因为它内置于 CPython2 和 PyPy2 中。这是一个确定性的分析器，也就是说它会在运行我们的负载时收集一系列统计数据，比如代码各个部分的执行次数或执行时间。此外，相比于其它内置的分析器（profile 或 hotshot），cProfile 对系统的开销更少。

当使用 CPython2 时，其使用方法是相当简单的：

 

  1. python -m cProfile 03.primes-v1.py

如果你使用的是 PyPy2：

 

  1. pypy -m cProfile 03.primes-v1.py

其输出如下：

 

  1. Benchmark duration: 30.11158514022827 seconds
  2.         23139965 function calls in 30.112 seconds
  4.   Ordered by: standard name
  6.   ncalls  tottime  percall  cumtime  percall filename:lineno(function)
  7.        1    0.000    0.000   30.112   30.112 03.primes.py:1(<module>)
  8.       40   19.760    0.494   29.896    0.747 03.primes.py:3(primes)
  9.        1    0.216    0.216   30.112   30.112 03.primes.py:31(benchmark)
  10.       40    0.000    0.000    0.000    0.000 {len}
  11. 23139840    6.683    0.000    6.683    0.000 {method 'append' of 'list' objects}
  12.        1    0.000    0.000    0.000    0.000 {method 'disable' of '_lsprof.Profiler' objects}
  13.       40    3.453    0.086    3.453    0.086 {range}
  14.        2    0.000    0.000    0.000    0.000 {time.time}

即使是这样的文本输出，我们也可以直接看到我们脚本的大多数时间都在调用 list.append 方法。

如果我们使用 gprof2dot，我们可以用图形化的方式来查看 cProfile 的输出。要使用这个工具，我们首先必须安装 graphviz。在 Ubuntu 上，可以使用以下命令：

 

  1. apt-get install graphviz
  2. pip install gprof2dot

再次运行我们的脚本：

 

  1. python -m cProfile -o output.pstats 03.primes-v1.py
  2. gprof2dot -f pstats output.pstats | dot -Tpng -o output.png

然后我们会得到下面的 output.png 文件：

图片

这样看起来就轻松多了。让我们仔细看看它输出了什么。你可以看到来自脚本的函数调用图（callgraph）。在每个方框中，你可以一行一行地看到：

  • 第一行：Python 文件名、行数和方法名
  • 第二行：这个方框所用的时间占全局时间的比例
  • 第三行：括号中是该方法本身所用时间占全局时间的比例
  • 第四行：调用次数

比如说，在从上到下第三个红色框中，方法 primes 占用了 98.28% 的时间，65.44% 的时间是在该方法之中做什么事情，它被调用了 40 次。剩下的时间被用在了 Python 的 list.append（22.33%）和 range（11.51%）方法中。

这是一个简单的脚本，所以我们只需要重写我们的脚本，让它不用使用那么多的 append 方法，结果如下：

  1. import time
  4. def primes(n):
  5.    if n==2:
  6.        return [2]
  7.    elif n<2:
  8.        return []
  9.    s=range(3,n+1,2)
  10.    mroot = n ** 0.5
  11.    half=(n+1)/2-1
  12.    i=0
  13.    m=3
  14.    while m <= mroot:
  15.        if s[i]:
  16.            j=(m*m-3)/2
  17.            s[j]=0
  18.            while j<half:
  19.                s[j]=0
  20.                j+=m
  21.        i=i+1
  22.        m=2*i+3
  23.    return [2]+[x for x in s if x]
  26. def benchmark():
  27.    start = time.time()
  28.    for _ in xrange(40):
  29.        count = len(primes(1000000))
  30.    end = time.time()
  31.    print "Benchmark duration: %r seconds" % (end-start)
  34. benchmark()

以下测试了脚本在使用前和使用 CPython2 后的运行时间：

  1. python 03.primes-v1.py
  2. Benchmark duration: 15.768115043640137 seconds
  5. python 03.primes-v2.py
  6. Benchmark duration: 6.56312108039856 seconds

用 PyPy2 测量：

 

  1. pypy 03.primes-v1.py
  2. Benchmark duration: 1.4009230136871338 seconds

  4. pypy 03.primes-v2.py
  5. Benchmark duration: 0.4542720317840576 seconds

我们在 CPython2 上得到了 2.4 倍的提升，在 PyPy2 上得到了 3.1 倍的提升。很不错，其 cProfile 调用图为：

图片

你也可以以程序的方式查看 cProfile：

 

  1. import cProfile
  3. pr = cProfile.Profile()
  4. pr.enable()
  6. function_to_measure()
  8. pr.disable()
  9. pr.print_stats(sort='time')

这在一些场景中很有用，比如多进程性能测量。更多详情请参阅：https://docs.python.org/2/library/profile.html#module-cProfile

line_profiler

这个分析器可以提供逐行水平的负载信息。这是通过 C 语言用 Cython 实现的，与 cProfile 相比计算开销更少。

其源代码可在 GitHub 上获取：https://github.com/rkern/line_profiler，PyPI 页面为：https://pypi.python.org/pypi/line_profiler/。和 cProfile 相比，它有相当大的开销，需要多 12 倍的时间才能得到一个分析结果。

要使用这个工具，你首先需要通过 pip 添加：pip install pip install Cython ipython==5.4.1 line_profiler（CPython2）。这个分析器的一个主要缺点是不支持 PyPy。

就像在使用 memory_profiler 时一样，你需要在你想分析的函数上加上一个装饰。在我们的例子中，你需要在 03.primes-v1.py 中的 primes 函数的定义前加上 @profile。然后像这样调用：

 

  1. kernprof -l 03.primes-v1.py
  2. python -m line_profiler 03.primes-v1.py.lprof

你会得到一个这样的输出：

  1. Timer unit: 1e-06 s
  3. Total time: 181.595 s
  4. File: 03.primes-v1.py
  5. Function: primes at line 3
  7. Line #      Hits         Time  Per Hit   % Time  Line Contents
  8. ==============================================================
  9.     3                                           @profile
  10.     4                                           def primes(n):
  11.     5        40          107      2.7      0.0      if n == 2:
  12.     6                                                   return [2]
  13.     7        40           49      1.2      0.0      elif n < 2:
  14.     8                                                   return []
  15.     9        40           44      1.1      0.0      s = []
  16.    10  39999960     34410114      0.9     18.9      for i in range(3, n+1):
  17.    11  39999920     29570173      0.7     16.3          if i % 2 != 0:
  18.    12  19999960     14976433      0.7      8.2              s.append(i)
  19.    13        40          329      8.2      0.0      mroot = n ** 0.5
  20.    14        40           82      2.0      0.0      half = (n + 1) / 2 - 1
  21.    15        40           46      1.1      0.0      i = 0
  22.    16        40           30      0.8      0.0      m = 3
  23.    17     20000        17305      0.9      0.0      while m <= mroot:
  24.    18     19960        16418      0.8      0.0          if s[i]:
  25.    19      6680         6798      1.0      0.0              j = (m * m - 3) / 2
  26.    20      6680         6646      1.0      0.0              s[j] = 0
  27.    21  32449400     22509523      0.7     12.4              while j < half:
  28.    22  32442720     26671867      0.8     14.7                  s[j] = 0
  29.    23  32442720     22913591      0.7     12.6                  j += m
  30.    24     19960        15078      0.8      0.0          i = i + 1
  31.    25     19960        16170      0.8      0.0          m = 2 * i + 3
  32.    26        40           87      2.2      0.0      l = [2]
  33.    27  20000000     14292643      0.7      7.9      for x in s:
  34.    28  19999960     13753547      0.7      7.6          if x:
  35.    29   3139880      2417421      0.8      1.3              l.append(x)
  36.    30        40           33      0.8      0.0      return l

我们可以看到两个循环在反复调用 list.append，占用了脚本的大部分时间。

pprofile

地址：http://github.com/vpelletier/pprofile

据作者介绍，pprofile 是一个「行粒度的、可感知线程的确定性和统计性纯 Python 分析器」。

它的灵感来源于 line_profiler，修复了大量缺陷，但因为其完全是用 Python 写的，所以也可以通过 PyPy 使用。和 cProfile 相比，使用 CPython 时分析的时间会多 28 倍，使用 PyPy 时的分析时间会长 10 倍，但具有粒度更大的细节水平。

而且还支持 PyPy 了！除此之外，它还支持线程分析，这在很多情况下都很有用。

要使用这个工具，你首先需要通过 pip 安装：pip install pprofile（CPython2）/ pypy -m pip install pprofile（PyPy），然后像这样调用：

 

  1. pprofile 03.primes-v1.py

其输出和前面工具的输出不同，如下：

 

  1. 886.8774709701538 seconds
  2. Command line: ['03.primes-v1.py']
  3. Total duration: 886.878s
  4. File: 03.primes-v1.py
  5. File duration: 886.878s (100.00%)
  6. Line #|      Hits|         Time| Time per hit|      %|Source code
  7. ------+----------+-------------+-------------+-------+-----------
  8.     1|         2|  7.10487e-05|  3.55244e-05|  0.00%|import time
  9.     2|         0|            0|            0|  0.00%|
  10.     3|         0|            0|            0|  0.00%|
  11.     4|        41|   0.00029397|     7.17e-06|  0.00%|def primes(n):
  12.     5|        40|  0.000231266|  5.78165e-06|  0.00%|    if n == 2:
  13.     6|         0|            0|            0|  0.00%|        return [2]
  14.     7|        40|  0.000178337|  4.45843e-06|  0.00%|    elif n < 2:
  15.     8|         0|            0|            0|  0.00%|        return []
  16.     9|        40|  0.000188112|  4.70281e-06|  0.00%|    s = []
  17.    10|  39999960|      159.268|  3.98171e-06| 17.96%|    for i in range(3, n+1):
  18.    11|  39999920|      152.924|  3.82312e-06| 17.24%|        if i % 2 != 0:
  19.    12|  19999960|      76.2135|  3.81068e-06|  8.59%|            s.append(i)
  20.    13|        40|   0.00147367|  3.68416e-05|  0.00%|    mroot = n ** 0.5
  21.    14|        40|  0.000319004|   7.9751e-06|  0.00%|    half = (n + 1) / 2 - 1
  22.    15|        40|  0.000220776|  5.51939e-06|  0.00%|    i = 0
  23.    16|        40|  0.000243902|  6.09756e-06|  0.00%|    m = 3
  24.    17|     20000|    0.0777466|  3.88733e-06|  0.01%|    while m <= mroot:
  25.    18|     19960|    0.0774016|  3.87784e-06|  0.01%|        if s[i]:
  26.    19|      6680|    0.0278566|  4.17015e-06|  0.00%|            j = (m * m - 3) / 2
  27.    20|      6680|    0.0275929|  4.13067e-06|  0.00%|            s[j] = 0
  28.    21|  32449400|      114.858|   3.5396e-06| 12.95%|            while j < half:
  29.    22|  32442720|      120.841|  3.72475e-06| 13.63%|                s[j] = 0
  30.    23|  32442720|      114.432|   3.5272e-06| 12.90%|                j += m
  31.    24|     19960|    0.0749919|  3.75711e-06|  0.01%|        i = i + 1
  32.    25|     19960|    0.0765574|  3.83554e-06|  0.01%|        m = 2 * i + 3
  33.    26|        40|  0.000222206|  5.55515e-06|  0.00%|    l = [2]
  34.    27|  20000000|      68.8031|  3.44016e-06|  7.76%|    for x in s:
  35.    28|  19999960|      67.9391|  3.39696e-06|  7.66%|        if x:
  36.    29|   3139880|      10.9989|  3.50295e-06|  1.24%|            l.append(x)
  37.    30|        40|  0.000155687|  3.89218e-06|  0.00%|    return l
  38.    31|         0|            0|            0|  0.00%|
  39.    32|         0|            0|            0|  0.00%|
  40.    33|         2|  8.10623e-06|  4.05312e-06|  0.00%|def benchmark():
  41.    34|         1|  5.00679e-06|  5.00679e-06|  0.00%|  start = time.time()
  42.    35|        41|   0.00101089|   2.4656e-05|  0.00%|  for _ in xrange(40):
  43.    36|        40|     0.232263|   0.00580657|  0.03%|          count = len(primes(1000000))
  44. (call)|        40|      886.644|      22.1661| 99.97%|# 03.primes-v1.py:4 primes
  45.    37|         1|  5.96046e-06|  5.96046e-06|  0.00%|  end = time.time()
  46.    38|         1|  0.000678062|  0.000678062|  0.00%|  print "Benchmark duration: %r seconds" % (end-start)
  47.    39|         0|            0|            0|  0.00%|
  48.    40|         0|            0|            0|  0.00%|
  49.    41|         1|  5.79357e-05|  5.79357e-05|  0.00%|benchmark()
  50. (call)|         1|      886.878|      886.878|100.00%|# 03.primes-v1.py:33 benchmark

 

我们现在可以看到更详细的细节。让我们稍微研究一下这个输出。这是这个脚本的整个输出，每一行你可以看到调用的次数、运行它所用的时间（秒）、每次调用的时间和占全局时间的比例。此外，pprofile 还为我们的输出增加了额外的行（比如 44 和 50 行，行前面写着 (call）)，这是累积指标。

同样，我们可以看到有两个循环在反复调用 list.append，占用了脚本的大部分时间。

vprof

地址：https://github.com/nvdv/vprof

vprof 是一个 Python 分析器，为各种 Python 程序特点提供了丰富的交互式可视化，比如运行时间和内存使用。这是一个图形化工具，基于 Node.JS，可在网页上展示结果。

使用这个工具，你可以针对相关 Python 脚本查看下面的一项或多项内容：

  • CPU flame graph
  • 代码分析（code profiling）
  • 内存图（memory graph）
  • 代码热图（code heatmap）

要使用这个工具，你首先需要通过 pip 安装：pip install vprof（CPython2）/ pypy -m pip install vprof（PyPy），然后像这样调用：

在 CPython2 上，要显示代码热图（下面的第一行调用）和代码分析（下面的第二行调用）：

 

  1. vprof -c h 03.primes-v1.py
  2. vprof -c p 03.primes-v1.py

在 PyPy 上，要显示代码热图（下面的第一行调用）和代码分析（下面的第二行调用）：

 

  1. pypy -m vprof -c h 03.primes-v1.py
  2. pypy -m vprof -c p 03.primes-v1.py

在上面的两个例子中，你都会看到如下的代码热图：

图片

以及如下的代码分析：

图片

结果是以图形化的方式展示的，你可以将鼠标悬浮或点击每一行，从而查看更多信息。同样，我们可以看到有两个循环在反复调用 list.append 方法，占用了脚本的大部分时间。

CPU 分析——Python 解释器

在这一节，我将介绍一些可用于在运行 Python 脚本时对解释器进行性能分析的工具和方法。

正如前几节提到的，CPU 性能分析的意义是一样的，但现在我们的目标不是 Python 脚本。我们现在想要知道 Python 解释器的工作方式，以及 Python 脚本运行时在哪里消耗的时间最多。

接下来我们将看到你可以怎样跟踪 CPU 使用情况以及找到解释器中的热点。

测量 CPU 使用情况

这一节所使用的脚本基本上和前面内存分析和脚本 CPU 使用情况分析时使用的脚本一样，你也可以在这里查阅代码：https://gist.github.com/apatrascu/44f0c6427e2df96951034b759e16946f

 

  1. import time
  4. def primes(n):
  5.    if n == 2:
  6.        return [2]
  7.    elif n < 2:
  8.        return []
  9.    s = []
  10.    for i in range(3, n+1):
  11.        if i % 2 != 0:
  12.            s.append(i)
  13.    mroot = n ** 0.5
  14.    half = (n + 1) / 2 - 1
  15.    i = 0
  16.    m = 3
  17.    while m <= mroot:
  18.        if s[i]:
  19.            j = (m * m - 3) / 2
  20.            s[j] = 0
  21.            while j < half:
  22.                s[j] = 0
  23.                j += m
  24.        i = i + 1
  25.        m = 2 * i + 3
  26.    l = [2]
  27.    for x in s:
  28.        if x:
  29.            l.append(x)
  30.    return l
  33. def benchmark():
  34.        start = time.time()
  35.        for _ in xrange(40):
  36.                count = len(primes(1000000))
  37.        end = time.time()
  38.        print "Benchmark duration: %r seconds" % (end-start)
  41. benchmark()

优化后的版本见下面或访问：https://gist.github.com/apatrascu/ee660bf95469a55e5947a0066e930a69

  1. import time
  4. def primes(n):
  5.    if n==2:
  6.        return [2]
  7.    elif n<2:
  8.        return []
  9.    s=range(3,n+1,2)
  10.    mroot = n ** 0.5
  11.    half=(n+1)/2-1
  12.    i=0
  13.    m=3
  14.    while m <= mroot:
  15.        if s[i]:
  16.            j=(m*m-3)/2
  17.            s[j]=0
  18.            while j<half:
  19.                s[j]=0
  20.                j+=m
  21.        i=i+1
  22.        m=2*i+3
  23.    return [2]+[x for x in s if x]
  26. def benchmark():
  27.        start = time.time()
  28.        for _ in xrange(40):
  29.                count = len(primes(1000000))
  30.        end = time.time()
  31.        print "Benchmark duration: %r seconds" % (end-start)
  34. benchmark()

CPython

CPython 的功能很多，这是完全用 C 语言写的，因此在测量和/或性能分析上可以更加容易。你可以找到托管在 GitHub 上的 CPython 资源：https://github.com/python/cpython。默认情况下，你会看到最新的分支，在本文写作时是 3.7+ 版本，但向前一直到 2.7 版本的分支都能找到。

在这篇文章中，我们的重点是 CPython 2，但最新的第 3 版也可成功应用同样的步骤。

1. 代码覆盖工具（Code coverage tool）

要查看正在运行的 C 语言代码是哪一部分，最简单的方法是使用代码覆盖工具。

首先我们克隆这个代码库：

  1. git clone https://github.com/python/cpython/
  2. cd cpython
  3. git checkout 2.7
  4. ./configure

复制该目录中的脚本并运行以下命令：

 

  1. make coverage
  2. ./python 04.primes-v1.py
  3. make coverage-lcov

第一行代码将会使用 GCOV 支持（https://gcc.gnu.org/onlinedocs/gcc/Gcov.html）编译该解释器，第二行将运行负载并收集在 .gcda 文件中的分析数据，第三行代码将解析包含这些分析数据的文件并在名为 lcov-report 的文件夹中创建一些 HTML 文件。

如果我们在浏览器中打开 index.html，我们会看到为了运行我们的 Python 脚本而执行的解释器源代码的位置。你会看到类似下面的东西：

图片

在上面一层，我们可以看到构成该源代码的每个目录以及被覆盖的代码的量。举个例子，让我们从 Objects 目录打开 listobject.c.gcov.html 文件。尽管我们不会完全看完这些文件，但我们会分析其中一部分。看下面这部分。

图片

怎么读懂其中的信息？在黄色一列，你可以看到 C 语言文件代码的行数。接下来一列是特定一行代码执行的次数。最右边一列是实际的 C 语言源代码。

在这个例子中，listiter_next 方法被调用了 6000 万次。

我们怎么找到这个函数？如果我们仔细看看我们的 Python 脚本，我们可以看到它使用了大量的列表迭代和 append。（这是另一个可以一开始就做脚本优化的地方。）

让我们继续看看其它一些专用工具。在 Linux 系统上，如果我们想要更多信息，我们可以使用 perf。官方文档可参阅：https://perf.wiki.kernel.org/index.php/Main_Page

我们使用下面的代码重建了 CPython 解释器。你应该将这个 Python 脚本下载到同一个目录。另外，要确保你的系统安装了 perf。

 

  1. make clean
  2. ./configure --with-pydebug
  3. make

如下运行 perf。使用 perf 的更多方式可以看 Brendan Gregg 写的这个：http://www.brendangregg.com/perf.html

 

  1. sudo perf record ./python 04.primes-v1.py

 

运行脚本后，你会看到下述内容：

 

  1. Benchmark duration: 32.03910684585571 seconds
  2. [21868 refs]
  3. perf record: Woken up 20 times to write data ]
  4. [ perf record: Captured and wrote 4.914 MB perf.data (125364 samples) ]

要查看结果，运行 sudo perf report 获取指标。

图片

只有最相关的调用会被保留。在上面的截图中，我们可以看到占用时间最多的是 PyEval_EvalFrameEx。这是其中的主解释器循环，在这个例子中，我们对此并不关心。我们感兴趣的是下一个耗时的函数 listiter_next，它占用了 10.70% 的时间。

在运行了优化的版本之后，我们可以看到以下结果：

图片

在我们优化之后，listiter_next 函数的时间占用降至了 2.11%。读者还可以探索对该解释器进行进一步的优化。

2. Valgrind/Callgrind

另一个可用于寻找瓶颈的工具是 Valgrind，它有一个被称为 callgrind 的插件。更多细节请参阅：http://valgrind.org/docs/manual/cl-manual.html

我们使用下面的代码重建了 CPython 解释器。你应该将这个 Python 脚本下载到同一个目录。另外，确保你的系统安装了 valgrind。

 

  1. make clean
  2. ./configure --with-pydebug
  3. make

按下面方法运行 valgrind：

 

  1. valgrind --tool=callgrind --dump-instr=yes
  2. --collect-jumps=yes --collect-systime=yes
  3. --callgrind-out-file=callgrind-%p.out -- ./python 04.primes-v1.py

结果如下：

 

  1. Benchmark duration: 1109.4096319675446 seconds
  2. [21868 refs]
  3. ==24152==
  4. ==24152== Events : Ir sysCount sysTime
  5. ==24152== Collected : 115949791666 942 208
  6. ==24152==
  7. ==24152== I refs: 115,949,791,666

我们使用 KCacheGrind 进行了可视化：http://kcachegrind.sourceforge.net/html/Home.html

 

  1. kcachegrind callgrind-2327.out

PyPy

在 PyPy 上，可以成功使用的分析器是非常有限的。PyPy 的开发者为此开发了工具 vmprof：https://vmprof.readthedocs.io/en/latest/

首先，你要下载 PyPy：https://pypy.org/download.html。在此之后，为其启用 pip 支持。

 

  1. bin/pypy -m ensurepip

安装 vmprof 的方式很简单，运行以下代码即可：

 

  1. bin/pypy -m pip install vmprof

按以下方式运行工作负载：

 

  1. bin/pypy -m vmprof --web 04.primes-v1.py

 

原创文章，作者：guozi，如若转载，请注明出处：https://www.sudun.com/ask/89435.html

赞 (0)
guozi's avatarguozi
0 0
上一篇 2024年6月4日 下午3:36
下一篇 2024年6月4日 下午3:38

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注