小编点评

使用 web 命令可以生成 svg 分析图，方便我们理解代码的性能。 **步骤：** 1. 输入以下命令在浏览器中： ``` go tool pprof -http=:7000 cpu.pprof ``` 2. 浏览器会自动打开一个页面，并显示性能分析图。 **分析图中的含义：** * **线程数**：表示线程数量。 * **CPU时间**：表示 CPU 使用时间。 * **内存分配**：表示内存分配情况。 * **互斥锁**：表示互斥锁占用的时间。 * **阻塞**：表示阻塞时间。 **其他选项：** * `-http` 参数可以启用 web 服务，获取更多性能分析数据。 * `-http=:7000` 参数指定服务地址为 `127.0.0.1:7000`。 * `view` 选项可以查看火焰图 (Flame Graph)。 **注意：** * pprof 采样数据可能会占用一些时间，请耐心等待。 * 性能分析图可能非常大，请确保浏览器有足够的内存才能显示所有数据。

正文

快速开始

测试环境：go version go1.22.2 windows/amd64，源代码开源在 https://github.com/oldme-git/teach-study/tree/master/golang/base/pprof

在正式开始之前，请确保安装 graphviz，这一步不可省略，它可以协助 pprof 生成更直观的数据分析图。可以参考官方网站的安装方法。

go 使用 runtime/pprof 包来对程序进行采样，当然，还有另外一个包 net/http/pprof，这里先按下不表。先来看一个 CPU 分析的例子：

package main

import (
	"math"
	"math/rand"
	"os"
	"runtime/pprof"
)

func main() {
	// 保存 CPU 采样数据
	file := "cpu.pprof"
	os.Remove(file)
	f, err := os.OpenFile(file, os.O_CREATE|os.O_RDWR, 0644)
	if err != nil {
		panic(err)
	}
	defer f.Close()

	// 开始采样
	err = pprof.StartCPUProfile(f)
	if err != nil {
		panic(err)
	}
	defer pprof.StopCPUProfile()

	// 测试程序
	for i := 0; i < 1000; i++ {
		nums := genRandomNumbers(10000)
		for _, v := range nums {
			_ = math.Pow(float64(v), rand.Float64())
		}
	}
}

// 测试程序，生成一个随机数切片
func genRandomNumbers(n int) []int {
	nums := make([]int, n)
	for i := 1; i < n; i++ {
		nums[i] = rand.Int() * n
	}
	return nums
}
复制

这是一个很简单的例子，运行 go run main.go 在当前目录下生成一个 cpu.pprof 文件。然后输入命令 go tool pprof cpu.pprof 进入 pprof 的命令行中。

PS D:\project\teach-study\golang\base\pprof\cpu> go run  main.go        
PS D:\project\teach-study\golang\base\pprof\cpu> go tool pprof cpu.pprof
File: main.exe
Build ID: C:\Users\half\AppData\Local\Temp\go-build787417447\b001\exe\main.exe2024-05-08 11:13:12.7105156 +0800 CST
Type: cpu
Time: May 8, 2024 at 11:13am (CST)
Duration: 1.26s, Total samples = 1.07s (85.20%)
Entering interactive mode (type "help" for commands, "o" for options)
(pprof)
复制

pprof 命令有很多，可以输入 help 查看，不过一般常用的就两个: top 和 web。输入 top5 可以查看前 5 的耗时调用。

// 输入
top5

// 输出
Showing nodes accounting for 700ms, 65.42% of 1070ms total
Showing top 5 nodes out of 69
      flat  flat%   sum%        cum   cum%
     210ms 19.63% 19.63%      210ms 19.63%  math.archLog
     180ms 16.82% 36.45%      180ms 16.82%  math.archExp
     160ms 14.95% 51.40%      670ms 62.62%  math.pow
      80ms  7.48% 58.88%       80ms  7.48%  internal/chacha8rand.block
      70ms  6.54% 65.42%       70ms  6.54%  math/rand.globalRand
复制

来认识一下这五个指标：

flat	是我们最关注的指标，它代表自身耗时，不包含内部调用。
falt%	自身耗时相对于总耗时的百分比
cum	自身耗时加上内部函数调用的总耗时
cum%	自身耗时加上内部函数调用的总耗时相对于总耗时的百分比
sum%	前 N 行的 flat% 之和。对于上述例子的第四行 58.88=19.63+16.82+14.95+7.48

只是依赖文字无法很好的理解这些指标，我们可以使用 web 命令来生成更直观的 svg 分析图。输入 web 命令后，会自动在浏览器打开 svg：

svg 中的每个单元格包含了包名，函数名，flat, flat%, cum, cum% ：

单元格颜色越红，代表 cum 越大，反之越小；单元格越大，代表 flat 越大，反之越小。单元格之间的箭头线代表调用链，线越粗代表消耗的更多的资源，反之亦然。带有 inline 字段表示该函数被内联进了调用方（当作普通线处理就行）。

函数调用是存在一些固定开销的，例如维护帧指针寄存器BP、栈溢出检测等。因此，对于一些代码行比较少的函数，编译器倾向于将它们在编译期展开从而消除函数调用，这种行为就是内联。

更多的 Web UI

通过 web 命令已经可以获取很直观的性能分析图，我们还可以使用 -http 参数来启用一个 web 服务，获取更多的性能分析。输入 exit 退出 pprof 命令界面，输入命令：

go tool pprof -http=:7000 cpu.pprof
复制

之后会自动在浏览器打开 http://localhost:7000/ui/。

在 view 中可以使用火焰图（Flame Graph），火焰图有新旧两种，可以根据线的长短和颜色判断 CPU 耗时。其他的选项可以点点看看，不复杂，很容易就学会了。

web 服务采样

对于 web 服务的 pprof 采样，我们可以使用基于 runtime/pprof 封装的更便捷的 net/http/pprof 包。

package main

import (
	"fmt"
	"math"
	"math/rand"
	"net/http"
	_ "net/http/pprof"
)

func main() {
	http.HandleFunc("/", func(w http.ResponseWriter, r *http.Request) {
		// 测试程序
		for i := 0; i < 1000; i++ {
			nums := genRandomNumbers(10000)
			for _, v := range nums {
				_ = math.Pow(float64(v), rand.Float64())
			}
		}
		fmt.Fprint(w, "Hello, world!")
	})
	http.ListenAndServe(":8080", nil)
}

// 测试程序，生成一个随机数切片
func genRandomNumbers(n int) []int {
	nums := make([]int, n)
	for i := 1; i < n; i++ {
		nums[i] = rand.Int() * n
	}
	return nums
}
复制

打开 http://127.0.0.1:8080/debug/pprof/ ，可以看到 pprof  的实时采样数据：

这里面一共有九个采样数据：

allocs	查看历史累计的所有内存分配的采样数据
block	查看历史累计的导致同步原语阻塞的堆栈跟踪
cmdline	包含进程的完整命令行信息，通常用于记录程序启动时的命令行参数
goroutine	实时查看当前所有运行的 goroutines 堆栈跟踪
heap	实时查看活动对象的内存分配情况
mutex	查看历史累计的导致互斥锁的竞争持有者的堆栈跟踪
profile	进行 30s 的 CPU Profiling，浏览器会转圈，30s 后下载一个分析用的 profile 文件
threadcreate	查看创建新 OS 线程的堆栈跟踪
trace	程序执行 trace, 和其他样本数据不同的是，这个需要使用 go tool trace 来分析。trace 是一种更详细的性能分析工具，用于跟踪程序的执行过程，包括函数调用、协程切换等。

默认是不追踪 block 和 mutex 的，如果需要，在代码中加入这两个：

runtime.SetBlockProfileRate(1) // 开启 block  
runtime.SetMutexProfileFraction(1) // 开启 mutex
复制

这些信息都是实时变化的，刷新一下浏览器即可看见，但是这些信息不易阅读，我们可以把它们下载下来，使用 pprof 分析，以 allocs 为例：

// 下载 allocs 数据
curl -o allocs.pprof http://localhost:8080/debug/pprof/allocs
// pprof
go tool pprof .\allocs.pprof
复制

非 Web 程序的其他采样

在快速开始部分已经介绍了 CPU 采样，对于其他采样，可以参考这段代码：

package main

import (
	"math"
	"math/rand"
	"os"
	"runtime/pprof"
)

func main() {
	// 保存 CPU 采样数据
	file := "allocs.pprof"
	os.Remove(file)
	f, err := os.OpenFile(file, os.O_CREATE|os.O_RDWR, 0644)
	if err != nil {
		panic(err)
	}
	defer f.Close()

	// 测试程序
	for i := 0; i < 1000; i++ {
		nums := genRandomNumbers(10000)
		for _, v := range nums {
			_ = math.Pow(float64(v), rand.Float64())
		}
	}

	pprof.Lookup("allocs").WriteTo(f, 0)
}

// 测试程序，生成一个随机数切片
func genRandomNumbers(n int) []int {
	nums := make([]int, n)
	for i := 1; i < n; i++ {
		nums[i] = rand.Int() * n
	}
	return nums
}
复制