用一個開源工具實現多線程 Python 程序的可視化
VizTracer 可以跟蹤并發的 Python 程序，以幫助記錄、調試和剖析。
并發是現代編程中必不可少的一部分，因為我們有多個核心，有許多需要協作的任務。然而，當并發程序不按順序運行時，就很難理解它們。對于工程師來說，在這些程序中發現 bug 和性能問題不像在單線程、單任務程序中那么容易。
在 Python 中，你有多種并發的選擇。最常見的可能是用 threading 模塊的多線程，用subprocess 和 multiprocessing 模塊的多進程，以及最近用 asyncio 模塊提供的 async 語法。在 VizTracer 之前，缺乏分析使用了這些技術程序的工具。
VizTracer 是一個追蹤和可視化 Python 程序的工具，對日志、調試和剖析很有幫助。盡管它對單線程、單任務程序很好用，但它在并發程序中的實用性是它的獨特之處。
嘗試一個簡單的任務
從一個簡單的練習任務開始：計算出一個數組中的整數是否是質數并返回一個布爾數組。下面是一個簡單的解決方案：
def is_prime(n):for i in range(2, n):if n % i == 0:return Falsereturn Truedef get_prime_arr(arr):return [is_prime(elem) for elem in arr]
試著用 VizTracer 以單線程方式正常運行它：
if __name__ == "__main__":num_arr = [random.randint(100, 10000) for _ in range(6000)]get_prime_arr(num_arr)
viztracer my_program.py
Running code in a single thread
調用堆棧報告顯示，耗時約 140ms，大部分時間花在 get_prime_arr 上。
call-stack report
這只是在數組中的元素上一遍又一遍地執行 is_prime 函數。
這是你所期望的，而且它并不有趣（如果你了解 VizTracer 的話）。
試試多線程程序
試著用多線程程序來做：
if __name__ == "__main__":num_arr = [random.randint(100, 10000) for i in range(2000)]thread1 = Thread(target=get_prime_arr, args=(num_arr,))thread2 = Thread(target=get_prime_arr, args=(num_arr,))thread3 = Thread(target=get_prime_arr, args=(num_arr,))thread1.start()thread2.start()thread3.start()thread1.join()thread2.join()thread3.join()
為了配合單線程程序的工作負載，這就為三個線程使用了一個 2000 元素的數組，模擬了三個線程共享任務的情況。
Multi-thread program
如果你熟悉 Python 的全局解釋器鎖（GIL），就會想到，它不會再快了。由于開銷太大，花了 140ms 多一點的時間。不過，你可以觀察到多線程的并發性：
Concurrency of multiple threads
當一個線程在工作（執行多個 is_prime 函數）時，另一個線程被凍結了（一個 is_prime 函數）；后來，它們進行了切換。這是由于 GIL 的原因，這也是 Python 沒有真正的多線程的原因。它可以實現并發，但不能實現并行。
用多進程試試
要想實現并行，辦法就是 multiprocessing 庫。下面是另一個使用 multiprocessing 的版本：
if __name__ == "__main__":num_arr = [random.randint(100, 10000) for _ in range(2000)]p1 = Process(target=get_prime_arr, args=(num_arr,))p2 = Process(target=get_prime_arr, args=(num_arr,))p3 = Process(target=get_prime_arr, args=(num_arr,))p1.start()p2.start()p3.start()p1.join()p2.join()p3.join()
要使用 VizTracer 運行它，你需要一個額外的參數：
viztracer --log_multiprocess my_program.py
Running with extra argument
整個程序在 50ms 多一點的時間內完成，實際任務在 50ms 之前完成。程序的速度大概提高了三倍。
為了和多線程版本進行比較，這里是多進程版本：
Multi-process version
在沒有 GIL 的情況下，多個進程可以實現并行，也就是多個 is_prime 函數可以并行執行。
不過，Python 的多線程也不是一無是處。例如，對于計算密集型和 I/O 密集型程序，你可以用睡眠來偽造一個 I/O 綁定的任務：
def io_task():time.sleep(0.01)
在單線程、單任務程序中試試：
if __name__ == "__main__":for _ in range(3):io_task()
I/O-bound single-thread, single-task program
整個程序用了 30ms 左右，沒什么特別的。
現在使用多線程：
if __name__ == "__main__":thread1 = Thread(target=io_task)thread2 = Thread(target=io_task)thread3 = Thread(target=io_task)thread1.start()thread2.start()thread3.start()thread1.join()thread2.join()thread3.join()
I/O-bound multi-thread program
程序耗時 10ms，很明顯三個線程是并發工作的，這提高了整體性能。
用 asyncio 試試
Python 正在嘗試引入另一個有趣的功能，叫做異步編程。你可以制作一個異步版的任務：
import asyncioasync def io_task():await asyncio.sleep(0.01)async def main():t1 = asyncio.create_task(io_task())t2 = asyncio.create_task(io_task())t3 = asyncio.create_task(io_task())await t1await t2await t3if __name__ == "__main__":asyncio.run(main())
由于 asyncio 從字面上看是一個帶有任務的單線程調度器，你可以直接在它上使用 VizTracer：
VizTracer with asyncio
依然花了 10ms，但顯示的大部分函數都是底層結構，這可能不是用戶感興趣的。為了解決這個問題，可以使用 --log_async 來分離真正的任務：
viztracer --log_async my_program.py
Using --log_async to separate tasks
現在，用戶任務更加清晰了。在大部分時間里，沒有任務在運行（因為它唯一做的事情就是睡覺）。有趣的部分是這里：
Graph of task creation and execution
這顯示了任務的創建和執行時間。Task-1 是 main() 協程，創建了其他任務。Task-2、Task-3、Task-4 執行 io_task 和 sleep 然后等待喚醒。如圖所示，因為是單線程程序，所以任務之間沒有重疊，VizTracer 這樣可視化是為了讓它更容易理解。
為了讓它更有趣，可以在任務中添加一個 time.sleep 的調用來阻止異步循環：
async def io_task():time.sleep(0.01)await asyncio.sleep(0.01)
time.sleep call
程序耗時更長（40ms），任務填補了異步調度器中的空白。
這個功能對于診斷異步程序的行為和性能問題非常有幫助。
看看 VizTracer 發生了什么？
通過 VizTracer，你可以在時間軸上查看程序的進展情況，而不是從復雜的日志中想象。這有助于你更好地理解你的并發程序。
VizTracer 是開源的，在 Apache 2.0 許可證下發布，支持所有常見的操作系統（Linux、macOS 和 Windows）。你可以在 VizTracer 的 GitHub 倉庫中了解更多關于它的功能和訪問它的源代碼。
