Python Django性能测试与优化指南

摘要：本文通过一个简单的实例一步一步引导读者对其进行全方位的性能优化。以下是译文。

唐纳德·克努特（Donald Knuth）曾经说过：“不成熟的优化方案是万恶之源。”然而，任何一个承受高负载的成熟项目都不可避免地需要进行优化。在本文中，我想谈谈优化Web项目代码的五种常用方法。虽然本文是以Django为例，但其他框架和语言的优化原则也是类似的。通过使用这些优化方法，文中例程的查询响应时间从原来的77秒减少到了3.7秒。

本文用到的例程是从一个我曾经使用过的真实项目改编而来的，是性能优化技巧的典范。如果你想自己尝试着进行优化，可以在GitHub上获取优化前的初始代码，并跟着下文做相应的修改。我使用的是Python 2，因为一些第三方软件包还不支持Python 3。

示例代码介绍

这个Web项目只是简单地跟踪每个地区的房产价格。因此，只有两种模型：

Python代码

1. # houses/models.py
2. from utils.hash import Hasher
5. class HashableModel(models.Model):
6. """Provide a hash property for models."""
7. class Meta:
8. abstract = True
10. @property
11. def hash(self):
12. return Hasher.from_model(self)
15. class Country(HashableModel):
16. """Represent a country in which the house is positioned."""
17. name = models.CharField(max_length=30)
19. def __unicode__(self):
20. return self.name
23. class House(HashableModel):
24. """Represent a house with its characteristics."""
25. # Relations
26. country = models.ForeignKey(Country, related_name='houses')
28. # Attributes
29. address = models.CharField(max_length=255)
30. sq_meters = models.PositiveIntegerField()
31. kitchen_sq_meters = models.PositiveSmallIntegerField()
32. nr_bedrooms = models.PositiveSmallIntegerField()
33. nr_bathrooms = models.PositiveSmallIntegerField()
34. nr_floors = models.PositiveSmallIntegerField(default=1)
35. year_built = models.PositiveIntegerField(null=True, blank=True)
36. house_color_outside = models.CharField(max_length=20)
37. distance_to_nearest_kindergarten = models.PositiveIntegerField(null=True, blank=True)
38. distance_to_nearest_school = models.PositiveIntegerField(null=True, blank=True)
39. distance_to_nearest_hospital = models.PositiveIntegerField(null=True, blank=True)
40. has_cellar = models.BooleanField(default=False)
41. has_pool = models.BooleanField(default=False)
42. has_garage = models.BooleanField(default=False)
43. price = models.PositiveIntegerField()
45. def __unicode__(self):
46. return '{} {}'.format(self.country, self.address)

抽象类HashableModel提供了一个继承自模型并包含hash属性的模型，这个属性包含了实例的主键和模型的内容类型。 这能够隐藏像实例ID这样的敏感数据，而用散列进行代替。如果项目中有多个模型，而且需要在一个集中的地方对模型进行解码并要对不同类的不同模型实例进行处理时，这可能会非常有用。 请注意，对于本文的这个小项目，即使不用散列也照样可以处理，但使用散列有助于展示一些优化技巧。

这是Hasher类：

Python代码

1. # utils/hash.py
2. import basehash
5. class Hasher(object):
6. @classmethod
7. def from_model(cls, obj, klass=None):
8. if obj.pk is None:
9. return None
10. return cls.make_hash(obj.pk, klass if klass is not None else obj)
12. @classmethod
13. def make_hash(cls, object_pk, klass):
14. base36 = basehash.base36()
15. content_type = ContentType.objects.get_for_model(klass, for_concrete_model=False)
16. return base36.hash('%(contenttype_pk)03d%(object_pk)06d' % {
17. 'contenttype_pk': content_type.pk,
18. 'object_pk': object_pk
19. })
21. @classmethod
22. def parse_hash(cls, obj_hash):
23. base36 = basehash.base36()
24. unhashed = '%09d' % base36.unhash(obj_hash)
25. contenttype_pk = int(unhashed[:-6])
26. object_pk = int(unhashed[-6:])
27. return contenttype_pk, object_pk
29. @classmethod
30. def to_object_pk(cls, obj_hash):
31. return cls.parse_hash(obj_hash)[1]

由于我们想通过API来提供这些数据，所以我们安装了Django REST框架并定义以下序列化器和视图：

Python代码

1. # houses/serializers.py
2. class HouseSerializer(serializers.ModelSerializer):
3. """Serialize a `houses.House` instance."""
5. id = serializers.ReadOnlyField(source="hash")
6. country = serializers.ReadOnlyField(source="country.hash")
8. class Meta:
9. model = House
10. fields = (
11. 'id',
12. 'address',
13. 'country',
14. 'sq_meters',
15. 'price'
16. )

Python代码

1. # houses/views.py
2. class HouseListAPIView(ListAPIView):
3. model = House
4. serializer_class = HouseSerializer
5. country = None
7. def get_queryset(self):
8. country = get_object_or_404(Country, pk=self.country)
9. queryset = self.model.objects.filter(country=country)
10. return queryset
12. def list(self, request, *args, **kwargs):
13. # Skipping validation code for brevity
14. country = self.request.GET.get("country")
15. self.country = Hasher.to_object_pk(country)
16. queryset = self.get_queryset()
18. serializer = self.serializer_class(queryset, many=True)
20. return Response(serializer.data)

现在，我们将用一些数据来填充数据库（使用factory-boy生成10万个房屋的实例：一个地区5万个，另一个4万个，第三个1万个），并准备测试应用程序的性能。

性能优化其实就是测量

在一个项目中我们需要测量下面这几个方面：

• 执行时间
• 代码的行数
• 函数调用次数
• 分配的内存
• 其他

但是，并不是所有这些都要用来度量项目的执行情况。一般来说，有两个指标比较重要：执行多长时间、需要多少内存。

在Web项目中，响应时间（服务器接收由某个用户的操作产生的请求，处理该请求并返回结果所需的总的时间）通常是最重要的指标，因为过长的响应时间会让用户厌倦等待，并切换到浏览器中的另一个选项卡页面。

在编程中，分析项目的性能被称为profiling。为了分析API的性能，我们将使用Silk包。在安装完这个包，并调用/api/v1/houses/?country=5T22RI后，可以得到如下的结果：

Python代码

1. 200 GET
2. /api/v1/houses/
4. 77292ms overall
5. 15854ms on queries
6. 50004 queries

整体响应时间为77秒，其中16秒用于查询数据库，总共有5万次查询。这几个数字很大，提升空间也有很大，所以，我们开始吧。

1. 优化数据库查询

性能优化最常见的技巧之一是对数据库查询进行优化，本案例也不例外。同时，还可以对查询做多次优化来减小响应时间。

1.1 一次提供所有数据

仔细看一下这5万次查询查的是什么：都是对houses_country表的查询：

Python代码

1. 200 GET
2. /api/v1/houses/
4. 77292ms overall
5. 15854ms on queries
6. 50004 queries

时间戳 表名 联合 执行时间（毫秒）

这个问题的根源是，Django中的查询是惰性的。这意味着在你真正需要获取数据之前它不会访问数据库。同时，它只获取你指定的数据，如果需要其他附加数据，则要另外发出请求。

这正是本例程所遇到的情况。当通过House.objects.filter(country=country)来获得查询集时，Django将获取特定地区的所有房屋。但是，在序列化一个house实例时，HouseSerializer需要房子的country实例来计算序列化器的country字段。由于地区数据不在查询集中，所以django需要提出额外的请求来获取这些数据。对于查询集中的每一个房子都是如此，因此，总共是五万次。

当然，解决方案非常简单。为了提取所有需要的序列化数据，你可以在查询集上使用select_related()。因此，get_queryset函数将如下所示：

Python代码

1. def get_queryset(self):
2. country = get_object_or_404(Country, pk=self.country)
3. queryset = self.model.objects.filter(country=country).select_related('country')
4. return queryset

我们来看看这对性能有何影响：

Python代码

1. 200 GET
2. /api/v1/houses/
4. 35979ms overall
5. 102ms on queries
6. 4 queries

总体响应时间降至36秒，在数据库中花费的时间约为100ms，只有4个查询！这是个好消息，但我们可以做得更多。

1.2 仅提供相关的数据

默认情况下，Django会从数据库中提取所有字段。但是，当表有很多列很多行的时候，告诉Django提取哪些特定的字段就非常有意义了，这样就不会花时间去获取根本用不到的信息。在本案例中，我们只需要5个字段来进行序列化，虽然表中有17个字段。明确指定从数据库中提取哪些字段是很有意义的，可以进一步缩短响应时间。

Django可以使用defer()和only()这两个查询方法来实现这一点。第一个用于指定哪些字段不要加载，第二个用于指定只加载哪些字段。

Python代码

1. def get_queryset(self):
2. country = get_object_or_404(Country, pk=self.country)
3. queryset = self.model.objects.filter(country=country)
4. .select_related('country')
5. .only('id', 'address', 'country', 'sq_meters', 'price')
6. return queryset

这减少了一半的查询时间，非常不错。总体时间也略有下降，但还有更多提升空间。

Python代码

1. 200 GET
2. /api/v1/houses/
4. 33111ms overall
5. 52ms on queries
6. 4 queries

2. 代码优化

你不能无限制地优化数据库查询，并且上面的结果也证明了这一点。即使把查询时间减少到0，我们仍然会面对需要等待半分钟才能得到应答这个现实。现在是时候转移到另一个优化级别上来了，那就是：业务逻辑。

2.1 简化代码

有时，第三方软件包对于简单的任务来说有着太大的开销。本文例程中返回的序列化的房子实例正说明了这一点。

Django REST框架非常棒，包含了很多有用的功能。但是，现在的主要目标是缩短响应时间，所以该框架是优化的候选对象，尤其是我们要使用的序列化对象这个功能非常的简单。

为此，我们来编写一个自定义的序列化器。为了方便起见，我们将用一个静态方法来完成这项工作。

Python代码

1. # houses/serializers.py
2. class HousePlainSerializer(object):
3. """
4. Serializes a House queryset consisting of dicts with
5. the following keys: 'id', 'address', 'country',
6. 'sq_meters', 'price'.
7. """
9. @staticmethod
10. def serialize_data(queryset):
11. """
12. Return a list of hashed objects from the given queryset.
13. """
14. return [
15. {
16. 'id': Hasher.from_pk_and_class(entry['id'], House),
17. 'address': entry['address'],
18. 'country': Hasher.from_pk_and_class(entry['country'], Country),
19. 'sq_meters': entry['sq_meters'],
20. 'price': entry['price']
21. } for entry in queryset
22. ]
25. # houses/views.py
26. class HouseListAPIView(ListAPIView):
27. model = House
28. serializer_class = HouseSerializer
29. plain_serializer_class = HousePlainSerializer # <-- added custom serializer
30. country = None
32. def get_queryset(self):
33. country = get_object_or_404(Country, pk=self.country)
34. queryset = self.model.objects.filter(country=country)
35. return queryset
37. def list(self, request, *args, **kwargs):
38. # Skipping validation code for brevity
39. country = self.request.GET.get("country")
40. self.country = Hasher.to_object_pk(country)
41. queryset = self.get_queryset()
43. data = self.plain_serializer_class.serialize_data(queryset) # <-- serialize
45. return Response(data)

Python代码

1. 200 GET
2. /api/v1/houses/
4. 17312ms overall
5. 38ms on queries
6. 4 queries

现在看起来好多了，由于没有使用DRF序列化代码，所以响应时间几乎减少了一半。

另外还有一个结果：在请求/响应周期内完成的总的函数调用次数从15,859,427次（上面1.2节的请求次数）减少到了9,257,469次。这意味着大约有三分之一的函数调用都是由Django REST Framework产生的。

2.2 更新或替代第三方软件包

上述几个优化技巧是最常见的，无需深入地分析和思考就可以做到。然而，17秒的响应时间仍然感觉很长。要减少这个时间，需要更深入地了解代码，分析底层发生了什么。换句话说，需要分析一下代码。

你可以自己使用Python内置的分析器来进行分析，也可以使用一些第三方软件包。由于我们已经使用了silk，它可以分析代码并生成一个二进制的分析文件，因此，我们可以做进一步的可视化分析。有好几个可视化软件包可以将二进制文件转换为一些友好的可视化视图。本文将使用snakeviz。

这是上文一个请求的二进制分析文件的可视化图表：

从上到下是调用堆栈，显示了文件名、函数名及其行号，以及该方法花费的时间。可以很容易地看出，时间大部分都用在计算散列上（紫罗兰色的__init__.py和primes.py矩形）。

目前，这是代码的主要性能瓶颈，但同时，这不是我们自己写的代码，而是用的第三方包。

在这种情况下，我们可以做的事情将非常有限：

• 检查包的最新版本（希望能有更好的性能）。
• 寻找另一个能够满足我们需求的软件包。
• 我们自己写代码，并且性能优于目前使用的软件包。

幸运的是，我们找到了一个更新版本的basehash包。原代码使用的是v.2.1.0，而新的是v.3.0.4。

当查看v.3的发行说明时，这一句话看起来令人充满希望：

“使用素数算法进行大规模的优化。”

让我们来看一下！

Python代码

1. pip install -U basehash gmpy2

Python代码

1. 200 GET
2. /api/v1/houses/
4. 7738ms overall
5. 59ms on queries
6. 4 queries

响应时间从17秒缩短到了8秒以内。太棒了！但还有一件事我们应该来看看。

2.3 重构代码

到目前为止，我们已经改进了查询、用自己特定的函数取代了第三方复杂而又泛型的代码、更新了第三方包，但是我们还是保留了原有的代码。但有时，对现有代码进行小规模的重构可能会带来意想不到的结果。但是，为此我们需要再次分析运行结果。

仔细看一下，你可以看到散列仍然是一个问题（毫不奇怪，这是我们对数据做的唯一的事情），虽然我们确实朝这个方向改进了，但这个绿色的矩形表示__init__.py花了2.14秒的时间，同时伴随着灰色的__init__.py:54(hash)。这意味着初始化工作需要很长的时间。

我们来看看basehash包的源代码。

Python代码

1. # basehash/__init__.py
3. # Initialization of `base36` class initializes the parent, `base` class.
4. class base36(base):
5. def __init__(self, length=HASH_LENGTH, generator=GENERATOR):
6. super(base36, self).__init__(BASE36, length, generator)
9. class base(object):
10. def __init__(self, alphabet, length=HASH_LENGTH, generator=GENERATOR):
11. if len(set(alphabet)) != len(alphabet):
12. raise ValueError('Supplied alphabet cannot contain duplicates.')
14. self.alphabet = tuple(alphabet)
15. self.base = len(alphabet)
16. self.length = length
17. self.generator = generator
18. self.maximum = self.base ** self.length - 1
19. self.prime = next_prime(int((self.maximum + 1) * self.generator)) # `next_prime` call on each initialized instance

正如你所看到的，一个base实例的初始化需要调用next_prime函数，这是太重了，我们可以在上面的可视化图表中看到左下角的矩形。

我们再来看看Hash类：

Python代码

1. class Hasher(object):
2. @classmethod
3. def from_model(cls, obj, klass=None):
4. if obj.pk is None:
5. return None
6. return cls.make_hash(obj.pk, klass if klass is not None else obj)
8. @classmethod
9. def make_hash(cls, object_pk, klass):
10. base36 = basehash.base36() # <-- initializing on each method call
11. content_type = ContentType.objects.get_for_model(klass, for_concrete_model=False)
12. return base36.hash('%(contenttype_pk)03d%(object_pk)06d' % {
13. 'contenttype_pk': content_type.pk,
14. 'object_pk': object_pk
15. })
17. @classmethod
18. def parse_hash(cls, obj_hash):
19. base36 = basehash.base36() # <-- initializing on each method call
20. unhashed = '%09d' % base36.unhash(obj_hash)
21. contenttype_pk = int(unhashed[:-6])
22. object_pk = int(unhashed[-6:])
23. return contenttype_pk, object_pk
25. @classmethod
26. def to_object_pk(cls, obj_hash):
27. return cls.parse_hash(obj_hash)[1]

正如你所看到的，我已经标记了这两个方法初始化base36实例的方法，这并不是真正需要的。

由于散列是一个确定性的过程，这意味着对于一个给定的输入值，它必须始终生成相同的散列值，因此，我们可以把它作为类的一个属性。让我们来看看它将如何执行：

Python代码

1. class Hasher(object):
2. base36 = basehash.base36() # <-- initialize hasher only once
4. @classmethod
5. def from_model(cls, obj, klass=None):
6. if obj.pk is None:
7. return None
8. return cls.make_hash(obj.pk, klass if klass is not None else obj)
10. @classmethod
11. def make_hash(cls, object_pk, klass):
12. content_type = ContentType.objects.get_for_model(klass, for_concrete_model=False)
13. return cls.base36.hash('%(contenttype_pk)03d%(object_pk)06d' % {
14. 'contenttype_pk': content_type.pk,
15. 'object_pk': object_pk
16. })
18. @classmethod
19. def parse_hash(cls, obj_hash):
20. unhashed = '%09d' % cls.base36.unhash(obj_hash)
21. contenttype_pk = int(unhashed[:-6])
22. object_pk = int(unhashed[-6:])
23. return contenttype_pk, object_pk
25. @classmethod
26. def to_object_pk(cls, obj_hash):
27. return cls.parse_hash(obj_hash)[1]

Python代码

1. **200 GET**
3. /api/v1/houses/
5. 3766ms overall
6. 38ms on queries
7. 4 queries

最后的结果是在4秒钟之内，比我们一开始的时间要小得多。对响应时间的进一步优化可以通过使用缓存来实现，但是我不会在这篇文章中介绍这个。

结论

性能优化是一个分析和发现的过程。 没有哪个硬性规定能适用于所有情况，因为每个项目都有自己的流程和瓶颈。 然而，你应该做的第一件事是分析代码。 如果在这样一个简短的例子中，我可以将响应时间从77秒缩短到3.7秒，那么对于一个庞大的项目来说，就会有更大的优化潜力。