軟體開發過程中，項目上線并不是終點。上線後，還要對程式的取樣分析運作情況，并重構現有的功能，讓程式執行更高效更穩寫。 golang的工具包内自帶pprof功能，使找出程式中占記憶體和CPU較多的部分功能友善了不少。加上uber的火焰圖，可視化顯示，讓我們在分析程式時更簡單明了。
pprof有兩個包用來分析程式一個是net/http/pprof另一個是runtime/pprof，net/http/pprof隻是對runtime/pprof包進行封裝并用http暴露出來，如下圖源碼所示：
使用net/http/pprof分析web服務
pprof分析web項目，非常的簡單隻需要導入表即可。
_ "net/http/pprof"
編寫一個小的web伺服器
package mainimport ( _ "net/http/pprof" "net/http" "time" "math/rand" "fmt")var Count int64 = 0func main() { go calCount() http.HandleFunc("/test", test) http.HandleFunc("/data", handlerData) err := http.ListenAndServe(":9909", nil ) if err != nil { panic(err) }}func handlerData(w http.ResponseWriter, r *http.Request) { qUrl := r.URL fmt.Println(qUrl) fibRev := Fib() var fib uint64 for i:= 0; i < 5000; i++ { fib = fibRev() fmt.Println("fib = ", fib) } str := RandomStr(RandomInt(100, 500)) str = fmt.Sprintf("Fib = %d; String = %s", fib, str) w.Write([]byte(str))}func test(w http.ResponseWriter, r *http.Request) { fibRev := Fib() var fib uint64 index := Count arr := make([]uint64, index) var i int64 for ; i < index; i++ { fib = fibRev() arr[i] = fib fmt.Println("fib = ", fib) } time.Sleep(time.Millisecond * 500) str := fmt.Sprintf("Fib = %v", arr) w.Write([]byte(str))}func Fib() func() uint64 { var x, y uint64 = 0, 1 return func() uint64 { x, y = y, x + y return x }}var letterRunes = []rune("abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ1234567890")func RandomStr(num int) string { seed := time.Now().UnixNano() if seed <= 0 { seed = time.Now().UnixNano() } rand.Seed(seed) b := make([]rune, num) for i := range b { b[i] = letterRunes[rand.Intn(len(letterRunes))] } return string(b)}func RandomInt(min, max int) int { rand.Seed(time.Now().UnixNano()) return rand.Intn(max - min + 1) + min}func calCount() { timeInterval := time.Tick(time.Second) for { select { case i :=
web服務監聽9909端口
web伺服器有兩個http方法 test： 根據目前的秒數做斐波那契計算 data： 做一個5000的斐波那契計算并傳回一個随機的字元串
運作程式,通過通路 http://192.168.3.34:9909/debug/pprof/可以檢視web版的profiles相關資訊
這幾個路徑表示的是
/debug/pprof/profile：通路這個連結會自動進行 CPU profiling，持續 30s，并生成一個檔案供下載下傳
/debug/pprof/block：Goroutine阻塞事件的記錄。預設每發生一次阻塞事件時取樣一次。
/debug/pprof/goroutines：活躍Goroutine的資訊的記錄。僅在擷取時取樣一次。
/debug/pprof/heap： 堆記憶體配置設定情況的記錄。預設每配置設定512K位元組時取樣一次。
/debug/pprof/mutex: 檢視争用互斥鎖的持有者。
/debug/pprof/threadcreate: 系統線程建立情況的記錄。 僅在擷取時取樣一次。
除了這些golang為我提供了更多友善的方法，用于分析，下面我們來用指令去通路詳細的資訊
我們用wrk來通路我們的兩個方法，這樣我們的服務會處在高速運作狀态，取樣的結果會更準确
wrk -c 20 -t 5 -d 3m http://192.168.3.34:9909/datawrk -c 20 -t 5 -d 3m http://192.168.3.34:9909/test
分析CPU使用情況
使用指令分析CPU使用情況
go tool pprof httpdemo http://192.168.3.34:9909/debug/pprof/profile
在預設情況下，Go語言的運作時系統會以100 Hz的的頻率對CPU使用情況進行取樣。也就是說每秒取樣100次，即每10毫秒會取樣一次。為什麼使用這個頻率呢？因為100 Hz既足夠産生有用的資料，又不至于讓系統産生停頓。并且100這個數上也很容易做換算，比如把總取樣計數換算為每秒的取樣數。實際上，這裡所說的對CPU使用情況的取樣就是對目前的Goroutine的堆棧上的程式計數器的取樣。
預設的取樣時間是30s 你可以通過-seconds 指令來指定取樣時間 。取樣完成後會進入指令行狀态：
可以輸入help檢視相關的指令.這裡說幾個常用的指令
top指令，輸入top指令預設是返加前10的占用cpu的方法。當然人可以在指令後面加數字指定top數
list指令根據你的正則輸出相關的方法.直接跟可選項o 會輸出所有的方法。也可以指定方法名
如： handlerData方法占cpu的74.81%
web指令：以網頁的形式展現：更直覺的顯示cpu的使用情況
分析記憶體使用情況
和分析cpu差不多使用指令
go tool pprof httpdemo http://192.168.3.34:9909/debug/pprof/heap
預設情況下取樣時隻取目前記憶體使用情況，可以加可選指令alloc_objects，将從程式開始時的記憶體取樣
go tool pprof -alloc_objects httpdemo http://192.168.3.34:9909/debug/pprof/heap
和cpu的指令一樣，top list web。不同的是這裡顯示的是記憶體使用情況而已。這裡我就不示範了。
安裝go-torch
還有更友善的工具就是uber的 go-torch了
安裝很簡單
go get github.com/uber/go-torchcd $GOPATH/src/github.com/uber/go-torchgit clone https://github.com/brendangregg/FlameGraph.git
然後運作FlameGraph下的 拷貝 flamegraph.pl 到 /usr/local/bin
火焰圖分析CPU
使用指令
go-torch -u http://192.168.3.34:9909 --seconds 60 -f cpu.svg
會在目前目錄下生成cpu.svg檔案，使用浏覽器打開
更直覺的看到應用程式的問題。handlerData方法占用的cpu時間過長。然後就是去代碼裡分析并優化了。
火焰圖分析記憶體
使用指令
go-torch http://192.168.3.34:9909/debug/pprof/heap --colors mem -f mem.svg
會在目前目錄下生成cpu.svg檔案，使用浏覽器打開
使用runtime/pprof分析項目
如果你的項目不是web服務，比如是rpc服務等，就要使用runtime/pprof。他提供了很多方法，有時間可以看一下源碼
我寫了一個簡單的工具類。用于調用分析
package profappimport ( "os" "rrnc_im/lib/zaplogger" "go.uber.org/zap" "runtime/pprof" "runtime")func StartCpuProf() { f, err := os.Create("cpu.prof") if err != nil { zaplogger.Error("create cpu profile file error: ", zap.Error(err)) return } if err := pprof.StartCPUProfile(f); err != nil { zaplogger.Error("can not start cpu profile, error: ", zap.Error(err)) f.Close() }}func StopCpuProf() { pprof.StopCPUProfile()}//--------Memfunc ProfGc() { runtime.GC() // get up-to-date statistics}func SaveMemProf() { f, err := os.Create("mem.prof") if err != nil { zaplogger.Error("create mem profile file error: ", zap.Error(err)) return } if err := pprof.WriteHeapProfile(f); err != nil { zaplogger.Error("could not write memory profile: ", zap.Error(err)) } f.Close()}// goroutine blockfunc SaveBlockProfile() { f, err := os.Create("block.prof") if err != nil { zaplogger.Error("create mem profile file error: ", zap.Error(err)) return } if err := pprof.Lookup("block").WriteTo(f, 0); err != nil { zaplogger.Error("could not write block profile: ", zap.Error(err)) } f.Close()}
在需要分析的方法内調用這些方法就可以 比如我是用rpc開放了幾個方法
type TestProf struct {}func (*TestProf) StartCpuProAct(context.Context, *im_test.TestRequest, *im_test.TestRequest) error { profapp.StartCpuProf() return nil}func (*TestProf) StopCpuProfAct(context.Context, *im_test.TestRequest, *im_test.TestRequest) error { profapp.StopCpuProf() return nil}func (*TestProf) ProfGcAct(context.Context, *im_test.TestRequest, *im_test.TestRequest) error { profapp.ProfGc() return nil}func (*TestProf) SaveMemAct(context.Context, *im_test.TestRequest, *im_test.TestRequest) error { profapp.SaveMemProf() return nil}func (*TestProf) SaveBlockProfileAct(context.Context, *im_test.TestRequest, *im_test.TestRequest) error { profapp.SaveBlockProfile() return nil}
調用
profTest.StartCpuProAct(context.TODO(), &im_test.TestRequest{}) time.Sleep(time.Second * 30) profTest.StopCpuProfAct(context.TODO(), &im_test.TestRequest{}) profTest.SaveMemAct(context.TODO(), &im_test.TestRequest{}) profTest.SaveBlockProfileAct(context.TODO(), &im_test.TestRequest{})
思想是一樣的，會在目前檔案夾内導出profile檔案。然後用火焰圖去分析，就不能指定域名了，要指定檔案
go-torch httpdemo cpu.prof go-torch httpdemo mem.prof