किसी release के बाद धीमी हुई Python सर्विस को आप कैसे profile करेंगे?

कोड छूने से पहले यह संकरा करें कि समय जा कहां रहा है। release का diff देखें, tracing या timing metrics से धीमा endpoint ढूंढें, फिर उस path को cProfile या py-spy से profile करें, जो चलती हुई process को बिना restart किए sample कर सकता है। cumulative time देखकर जिम्मेदार कॉल ढूंढें, एक परिकल्पना बनाएं, एक चीज बदलें, और दोबारा मापें।

पहला सवाल यही है कि असल में बदला क्या, क्योंकि एक release मुझे संदिग्धों की छोटी सूची दे देता है। फिर मुझे राय नहीं, आंकड़े चाहिए, तो tracing spans या हर endpoint की timing बताती है कि कौन सा route बिगड़ा और समय डेटाबेस में जा रहा है, किसी upstream कॉल में, या खुद process में। अगर process में है तो py-spy पहली पसंद है क्योंकि वह चलते हुए container से जुड़कर बिना restart के sample करता है, तो मैं किसी बनावटी नहीं, असली प्रोडक्शन workload को profile कर सकता हूं। flame graph आम तौर पर बात साफ कर देता है। लोकल पर दोहराने लायक मामले के लिए मैं cProfile लेता हूं और cumulative time से सॉर्ट करता हूं, क्योंकि self time उस caller को छिपा देता है जो असल में जिम्मेदार है। एक चेतावनी: profiling खुद timing बदल देती है, इसलिए मैं उसके निरपेक्ष आंकड़ों पर कभी भरोसा नहीं करता, सिर्फ सापेक्ष आकार पर। फिर मैं ठीक एक चीज बदलकर दोबारा मापता हूं। पिछली बार दोषी एक नया serializer था जो हर row पर deep copy कर रहा था, और उस copy को हटाने से endpoint चार सौ मिलीसेकंड से नब्बे पर लौट आया।