用一个开源工具实现多线程 Python 程序的可视化
VizTracer 可以跟踪并发的 Python 程序，以帮助记录、调试和剖析。
并发是现代编程中必不可少的一部分，因为我们有多个核心，有许多需要协作的任务。然而，当并发程序不按顺序运行时，就很难理解它们。对于工程师来说，在这些程序中发现 bug 和性能问题不像在单线程、单任务程序中那么容易。
在 Python 中，你有多种并发的选择。最常见的可能是用 threading 模块的多线程，用subprocess 和 multiprocessing 模块的多进程，以及最近用 asyncio 模块提供的 async 语法。在 VizTracer 之前，缺乏分析使用了这些技术程序的工具。
VizTracer 是一个追踪和可视化 Python 程序的工具，对日志、调试和剖析很有帮助。尽管它对单线程、单任务程序很好用，但它在并发程序中的实用性是它的独特之处。
尝试一个简单的任务
从一个简单的练习任务开始：计算出一个数组中的整数是否是质数并返回一个布尔数组。下面是一个简单的解决方案：
def is_prime(n): for i in range(2, n): if n % i == 0: return False return True-
def get_prime_arr(arr): return [is_prime(elem) for elem in arr]
试着用 VizTracer 以单线程方式正常运行它：
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
调用堆栈报告显示，耗时约 140ms，大部分时间花在 get_prime_arr 上。
call-stack report
这只是在数组中的元素上一遍又一遍地执行 is_prime 函数。
这是你所期望的，而且它并不有趣（如果你了解 VizTracer 的话）。
试试多线程程序
试着用多线程程序来做：
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()
为了配合单线程程序的工作负载，这就为三个线程使用了一个 2000 元素的数组，模拟了三个线程共享任务的情况。
Multi-thread program
如果你熟悉 Python 的全局解释器锁（GIL），就会想到，它不会再快了。由于开销太大，花了 140ms 多一点的时间。不过，你可以观察到多线程的并发性：
Concurrency of multiple threads
当一个线程在工作（执行多个 is_prime 函数）时，另一个线程被冻结了（一个 is_prime 函数）；后来，它们进行了切换。这是由于 GIL 的原因，这也是 Python 没有真正的多线程的原因。它可以实现并发，但不能实现并行。
用多进程试试
要想实现并行，办法就是 multiprocessing 库。下面是另一个使用 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 运行它，你需要一个额外的参数：
viztracer --log_multiprocess my_program.py
Running with extra argument
整个程序在 50ms 多一点的时间内完成，实际任务在 50ms 之前完成。程序的速度大概提高了三倍。
为了和多线程版本进行比较，这里是多进程版本：
Multi-process version
在没有 GIL 的情况下，多个进程可以实现并行，也就是多个 is_prime 函数可以并行执行。
不过，Python 的多线程也不是一无是处。例如，对于计算密集型和 I/O 密集型程序，你可以用睡眠来伪造一个 I/O 绑定的任务：
def io_task(): time.sleep(0.01)
在单线程、单任务程序中试试：
if __name__ == "__main__": for _ in range(3): io_task()
I/O-bound single-thread, single-task program
整个程序用了 30ms 左右，没什么特别的。
现在使用多线程：
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
程序耗时 10ms，很明显三个线程是并发工作的，这提高了整体性能。
用 asyncio 试试
Python 正在尝试引入另一个有趣的功能，叫做异步编程。你可以制作一个异步版的任务：
import asyncio-
async 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 t1 await t2 await t3-
if __name__ == "__main__": asyncio.run(main())
由于 asyncio 从字面上看是一个带有任务的单线程调度器，你可以直接在它上使用 VizTracer：
VizTracer with asyncio
依然花了 10ms，但显示的大部分函数都是底层结构，这可能不是用户感兴趣的。为了解决这个问题，可以使用 --log_async 来分离真正的任务：
viztracer --log_async my_program.py
Using --log_async to separate tasks
现在，用户任务更加清晰了。在大部分时间里，没有任务在运行（因为它唯一做的事情就是睡觉）。有趣的部分是这里：
Graph of task creation and execution
这显示了任务的创建和执行时间。Task-1 是 main() 协程，创建了其他任务。Task-2、Task-3、Task-4 执行 io_task 和 sleep 然后等待唤醒。如图所示，因为是单线程程序，所以任务之间没有重叠，VizTracer 这样可视化是为了让它更容易理解。
为了让它更有趣，可以在任务中添加一个 time.sleep 的调用来阻止异步循环：
async def io_task(): time.sleep(0.01) await asyncio.sleep(0.01)
time.sleep call
程序耗时更长（40ms），任务填补了异步调度器中的空白。
这个功能对于诊断异步程序的行为和性能问题非常有帮助。
看看 VizTracer 发生了什么？
通过 VizTracer，你可以在时间轴上查看程序的进展情况，而不是从复杂的日志中想象。这有助于你更好地理解你的并发程序。
VizTracer 是开源的，在 Apache 2.0 许可证下发布，支持所有常见的操作系统（Linux、macOS 和 Windows）。你可以在 VizTracer 的 GitHub 仓库中了解更多关于它的功能和访问它的源代码。
