浅谈Pprof，你了解多少？

本文转载自微信公众号「架构技术漫谈」，作者LA0WAN9。转载本文请联系架构技术漫谈公众号。

创新互联建站科技有限公司专业互联网基础服务商，为您提供成都服务器托管，高防服务器，成都IDC机房托管，成都主机托管等互联网服务。

对于大多数 Gopher 而言，一般平时最主要的工作内容除了实现各种无聊的业务逻辑之外，剩下的就是解决各种琐碎的问题。比如：查询性能瓶颈在哪里?查询内存泄漏在哪里?好在 pprof 是处理此类问题的利器，共有两套标准库，分别适用于不同的场景：

runtime/pprof[1]：采集工具型应用运行数据进行分析
net/http/pprof[2]：采集服务型应用运行时数据进行分析

命令行工具「go test」就包含了 runtime/pprof，相关参数请参考「go help testflag」：

 
 
 
   
  
  
  shell> go test -cpuprofile cpu.out -memprofile mem.out -bench .

不过和 runtime/pprof 相比，更常用的是 net/http/pprof，接下来我们主要通过它来解决一些常见问题，想要激活 net/http/pprof 的话很简单，只要导入对应的包并启动服务即可：

 
 
 
   
  
  
  import _ "net/http/pprof"   
  
  
     
  
  
  func main() {   
  
  
   _ = http.ListenAndServe("localhost:6060", nil)   
  
  
  }

需要注意的是，千万别让外网访问到 pprof，否则可能会导致出现安全问题。有兴趣的读者可以尝试通过 google 搜索「intitle:/debug/pprof/ inurl:/debug/pprof/」看看反面例子。

Profile

pprof 预置了很多种不同类型的 profile，我们可以按照自己的需要选择：

allocs：A sampling of all past memory allocations
block：Stack traces that led to blocking on synchronization primitives
goroutine：Stack traces of all current goroutines
heap：A sampling of memory allocations of live objects
mutex：Stack traces of holders of contended mutexes
profile：CPU profile
threadcreate：Stack traces that led to the creation of new OS threads

其中最常用的是 profile 和 heap，分别用来诊断 CPU 和内存问题。

CPU profiling

演示代码模拟了 CPU 密集型任务(onCPU)和耗时的网络请求(offCPU)：

 
 
 
   
  
  
  package main   
  
  
     
  
  
  import (   
  
  
   "log"   
  
  
   "net/http"   
  
  
   _ "net/http/pprof"   
  
  
   "runtime"   
  
  
   "time"   
  
  
     
  
  
   "github.com/felixge/fgprof"   
  
  
  )   
  
  
     
  
  
  const cpuTime = 1000 * time.Millisecond   
  
  
     
  
  
  func main() {   
  
  
   runtime.SetBlockProfileRate(1)   
  
  
   runtime.SetMutexProfileFraction(1)   
  
  
     
  
  
   go func() {   
  
  
    http.Handle("/debug/fgprof", fgprof.Handler())   
  
  
    log.Println(http.ListenAndServe(":6060", nil))   
  
  
   }()   
  
  
     
  
  
   for {   
  
  
    cpuIntensiveTask()   
  
  
    slowNetworkRequest()   
  
  
   }   
  
  
  }   
  
  
     
  
  
  func cpuIntensiveTask() {   
  
  
   start := time.Now()   
  
  
     
  
  
   for time.Since(start) <= cpuTime {   
  
  
    for i := 0; i < 1000; i++ {   
  
  
     _ = i   
  
  
    }   
  
  
   }   
  
  
  }   
  
  
     
  
  
  func slowNetworkRequest() {   
  
  
   resp, err := http.Get("http://httpbin.org/delay/1")   
  
  
     
  
  
   if err != nil {   
  
  
    log.Fatal(err)   
  
  
   }   
  
  
     
  
  
   defer resp.Body.Close()   
  
  
  }

通过 go tool pprof 查看 /debug/pprof/profile：

 
 
 
   
  
  
  go tool pprof -http :8080 http://localhost:6060/debug/pprof/profile

结果发现 profile 只能检测到 onCPU(也就是 cpuIntensiveTask)部分，却不能检测到 offCPU (也就是 slowNetworkRequest)部分：

profile

为了检测 offCPU 部分，我们引入 fgprof，通过 go tool pprof 查看 /debug/fgprof：

 
 
 
   
  
  
  go tool pprof -http :8080 http://localhost:6060/debug/fgprof

结果发现 fgprof 不仅能检测到 onCPU(也就是 cpuIntensiveTask)部分，还能检测到 offCPU (也就是 slowNetworkRequest)部分：

fgprof

实际应用中，最好对你的瓶颈是 onCPU 还是 offCPU 有一个大体的认识，进而选择合适的工具，如果不确定就直接用 fgprof，不过需要注意的是 fgprof 对性能的影响较大。

Memory profiling

演示代码模拟了一段有内存泄漏问题的程序：

 
 
 
   
  
  
  package main   
  
  
     
  
  
  import (   
  
  
   "log"   
  
  
   "net/http"   
  
  
   _ "net/http/pprof"   
  
  
   "time"   
  
  
  )   
  
  
     
  
  
  func main() {   
  
  
   go func() {   
  
  
    log.Println(http.ListenAndServe(":6060", nil))   
  
  
   }()   
  
  
     
  
  
   for {   
  
  
    leak()   
  
  
   }   
  
  
  }   
  
  
     
  
  
  func leak() {   
  
  
   s := make([]string, 10)   
  
  
     
  
  
   for i := 0; i < 10000000; i++ {   
  
  
    s = append(s, "leak")   
  
  
     
  
  
    if (i % 10000) == 0 {   
  
  
     time.Sleep(1 * time.Second)   
  
  
    }   
  
  
     
  
  
    _ = s   
  
  
   }   
  
  
  }