cProfile 是定位 python 性能瓶颈最轻量可靠的方法，应插入关键入口调用并优先分析 cumtime，结合 pstats 排序识别高耗时函数；CPU 利用率低但卡顿时需先用 top -H 验证是否 GIL 争用。
用 cProfile 快速定位耗时函数
绝大多数 Python 性能问题，根源在少数几个函数里。直接上 cProfile 是最轻量、最可靠的起点，它不依赖外部工具，标准库自带，且采样开销可控。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 避免用
python -m cProfile script.py直接跑整个脚本——如果启动慢或有初始化逻辑，会污染热点判断；改用在关键入口处插入：import cProfile
cProfile.run('main()', 'profile_stats') - 分析结果优先看
cumtime（累计时间），不是tottime；递归调用、I/O 等阻塞行为会在cumtime中暴露得更真实 - 导出为
pstats后，用sort_stats('cumtime').print_stats(20)查前 20 个累计耗时最高的函数，比默认输出更有针对性
识别 GIL 争用与真正并行瓶颈
看到 CPU 利用率低但程序卡顿，别急着加线程——Python 的 GIL 会让多线程在 CPU 密集型任务中几乎无效。先确认是不是真被 GIL 绑住了。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用系统工具验证：linux 下跑
top -H -p $(pgrep -f your_script.py)，观察各线程 CPU 占用是否趋近于 100% / N（N 是逻辑核数）。如果所有线程都长期 -
threading适合 I/O 密集场景（如 HTTP 请求、文件读写），multiprocessing才能绕过 GIL 做 CPU 密集计算；但进程启动/通信开销大，别盲目替换 - 用
concurrent.futures.ProcessPoolExecutor比裸写multiprocessing更安全，尤其注意传参对象必须可序列化（PickleError是常见失败点）
内存增长导致的隐性性能衰减
运行越久越慢，CPU 和内存使用率却不高？可能是对象堆积引发频繁 GC，或缓存无界膨胀。这类问题不会报错，但会让响应延迟逐步升高。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
tracemalloc定位内存分配源头：import tracemalloc
tracemalloc.start()
# ... run your code ...
snapshot = tracemalloc.take_snapshot()
for stat in snapshot.statistics('lineno')[:10]:
print(stat) - 检查是否有循环引用（尤其是带
__del__的类）、全局缓存未设大小限制（如functools.lru_cache(maxsize=None)）、日志对象长期持有上下文引用 - 生产环境慎用
gc.set_debug(gc.DEBUG_STATS)，它会显著拖慢速度；调试阶段可用，上线前务必关掉
第三方库底层调用的盲区
很多性能瓶颈不在你的代码里，而在你调用的库内部——比如 Pandas 的 apply、Requests 的重试逻辑、SQLAlchemy 的懒加载链式触发。这些地方 cProfile 能看到耗时，但看不出“为什么慢”。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 对 Pandas，优先用向量化操作替代
df.apply(..., axis=1)；用df.info(memory_usage='deep')查实际内存占用，避免字符串列吃光内存 - 对 Requests，禁用重试（
urllib3.Retry(False)）和连接池复用（Session配置不当会导致连接堆积）；用response.raw.read(1)测试是否卡在响应体读取 - 对数据库 ORM，开启 SQL 日志（如 SQLAlchemy 的
echo=True），观察是否因 N+1 查询或缺失索引导致单次查询变慢，进而拖累整体吞吐
性能瓶颈从来不是单点问题，而是调用链上多个看似合理的选择叠加后的结果。最危险的，是把 cProfile 显示“没占多少时间”的模块当成安全区——它可能正以高频率触发 GC、放大锁竞争，或悄悄把数据从内存挤进交换区。