性能测试，python 内存分析工具 -memray

Memray是一个由彭博社开发的、开源内存剖析器；开源一个多月，已经收获了超8.4k的star，是名副其实的明星项目。今天我们就给大家来推荐这款python内存分析神器。

Memray可以跟踪python代码、本机扩展模块和python解释器本身中内存分配，可以生成多种不同类型的报告，帮助您分析python代码内存使用情况。

工具的主要特点：跟踪每个函数的调用，能够准确的跟踪调用栈能跟踪c/c++库的调用分析速度很快收集内存数据，输出各种图标使用python线程与本地线程一起工作
可以帮助解决的问题：分析应用程序中内存分配，发现高内存使用率的原因查找内存泄漏的原因查找导致内存大量分配的代码热点

memray安装

环境要求：python3.7+以上版本，linux系统（仅支持linux系统）
安装：pip3 install memray

memray使用

memray使用帮助

python3 -m memray --help

参数	作用
run	运行指定的应用程序并跟踪内存使用情况
flamegraph	在html报告中，用火焰图方式，显示内存使用情况
table	在html报告文件中，用表格的方式显示内存分析情况
live	用实时屏幕显示方式，显示各种内存使用情况
tree	在终端中，用树形结构显示内存使用情况
parse	用debug模式，显示每一行的内存使用情况
summary	汇总终端运行期间的内存使用概况
stats	在终端中非常详细的显示内存使用情况

run命令使用

python3 -m memray run --help 获取帮助

参数	作用
-o OUTPU,--output OUTPUT	指定输出结果到哪里
--live	启动实时跟踪会话模式
--live-remote	启动实时跟踪会话并等待客户端连接
--live-port LIVE_PORT, -p LIVE_PORT	启动实时跟踪时要使用的端口
--native	跟踪C/C++堆栈
--follow-fork	跟踪脚本分叉的子进程中的分配
--trace-python-allocators	记录pymalloc分配器的分配情况
-q, --quiet	运行时不显示任何特定于跟踪的输出
-f, --force	强制复购已有文件
--compress-on-exit	跟踪完成后使用 lz4 压缩生成的文件
--no-compress	不使用 lz4 压缩生成的文件
-c	作为字符串传入的程序
-m	将库模块作为脚本运行

python3 -m memray run xxx.py 直接分析某个py文件的内存使用情况，就会在当前路径下生成一个 ‘memray-py文件名.进程id.bin’ 的内存使用记录文件。当然，也可以跟上-o outFiPath 指定输出路径。如果运行的py文件是模块代码，也可以使用-m xxx.py 方式运行。

‘memray-py文件名.进程id.bin’ 文件，可以通过 python3 -m memray flamegraph memray-py文件名.进程id.bin 转换为一份html-火焰图报告

如上图，从上往下，显示了程序的调用过程，宽度，代表函数占用内存多少。

python3 -m memray run --native xxxx.py 会跟踪分析python代码中调用底层的C/C++函数消耗的内存情况

python3 -m memray run --trace-python-allocators xxx.py 跟踪分析python程序内存分配器pymalloc的情况

这个看上去，和没有加参数，效果差不多，但是，实际上是完全不一样的。这种方式，会深入跟踪内存分配，python常见的内存分配器有四种（malloc、free、realloc、pymalloc），这个参数，在python出现内存溢出时，就非常有用了。但是，加了这个参数，运输速度会变慢，收集的数据生成的文件会更大。