google perftools分析程序性能

google perftools分析程序性能

Google perftools

1、功能简介

它的主要功能就是通过采样的方式，给程序中cpu的使用情况进行“画像”，通过它所输出的结果，我们可以对程序中各个函数（得到函数之间的调用关系）耗时情况一目了然。在对程序做性能优化的时候，这个是很重要的，先把最耗时的若干个操作优化好，程序的整体性能提升应该十分明显，这也是做性能优化的一个最为基本的原则—先优化最耗时的。

2、安装

1、下载gperftools

Wget https://code.google.com/p/gperftools/downloads/detail?name=gperftools-2.0.tar.gz

2、tar –xzf gperftools-2.0.tar.gz

3、cd gperftools-2.0

4、./configure --prefix=/usr/local –enable-frame-pointers

5、make && make install

ps：编译时打开了 –enable-frame-pointers ，这要求被测试的程序在编译时要加上gcc编译选项，否则某些多线程程序可能会 core:
CCFLAGS=-fno-omit-frame-pointer

ps：perftools对2.4内核的多线程支持不是很好，只能分析主线程，但是2.6内核解决了这个问题。

安装图形化分析工具kcachegrind：

kcachegrind用来分析产生的profiling文件，linux环境下使用。

kcachegrind install：sudo apt-get install kcachegrind

 

3、使用

方法有三种：

1、直接调用提供的api：这种方式比较适用于对于程序的某个局部来做分析的情况，直接在要做分析的局部调用相关的api即可。

方式：调用函数：ProfilerStart() and ProfilerStop()

2、链接静态库：这种方式是最为常用的方式，后面会有详细的介绍。

方式：在代码link过程中添加参数 –lprofiler

For example：gcc […] -o helloworld –lprofiler

运行程序：env CPUPROFILE=./helloworld.prof ./helloworld

指定要profile的程序为helloworld，并且指定产生的分析结果文件的路径为./helloworld.prof

3、链接动态库：这种方式和静态库的方式差不多，但通常不推荐使用，除非使用者不想额外链一个静态库（因为链接静态库会增大binary的大小）的情况，可以考虑使用这种方式。

方式：运行时使用LD_PRELOAD，e.g. % env LD_PRELOAD="/usr/lib/libprofiler.so" <binary>（不推荐这种方式）。

Ps：env是linux下插入环境变量的shell命令

 

4、 查看收集数据结果

查看profile结果：pprof工具，它是一个perl的脚本，通过这个工具，可以将google-perftool的输出结果分析得更为直观，输出为图片、pdf等格式。

Ps：在使用pprof之前需要先安装运行per15，如果要进行图标输出则需要安装dot，如果需要--gv模式的输出则需要安装gv。

调用pprof分析数据文件：

% pprof /bin/ls ls.prof

                       Enters "interactive" mode

% pprof --text /bin/ls ls.prof

                       Outputs one line per procedure

% pprof --gv /bin/ls ls.prof

                       Displays annotated call-graph via 'gv'

% pprof --gv --focus=Mutex /bin/ls ls.prof

                       Restricts to code paths including a .*Mutex.* entry

% pprof --gv --focus=Mutex --ignore=string /bin/ls ls.prof

                       Code paths including Mutex but not string

% pprof --list=getdir /bin/ls ls.prof

                       (Per-line) annotated source listing for getdir()

% pprof --disasm=getdir /bin/ls ls.prof

                       (Per-PC) annotated disassembly for getdir()

% pprof --text localhost:1234

                       Outputs one line per procedure for localhost:1234

% pprof --callgrind /bin/ls ls.prof

                       Outputs the call information in callgrind format

分析callgrind的输出：

使用kcachegrind工具来对.callgrind输出进行分析

 e.g. % pprof --callgrind /bin/ls ls.prof > ls.callgrind 

% kcachegrind ls.callgrind

4、举例

事例一：cpu_profiler_example.cpp，在代码中插入标签，可以针对某个函数进行特定的profile

代码如下：

 

关注两个函数：ProfilerStart() and ProfilerStop()

Makefile：

 

-L 动态链接库地址，但是有可能程序执行的时候，找不到动态链接库，所以得

export  LD_LIBRARY_PATH=LD_LIBRARY_PATH:"/home/work/alex/tools/gperftools/lib"

1）执行./cpu_profile_example

生成一个性能数据文件: cpu_profiler_example_29502.prof

Ps：当然指定性能数据文件生成的路径和文件名：

CPUPROFILE=/tmp/profile ./myprogram

将在/tmp目录下产生profile性能数据文件

2）分析性能数据

pprof -text cpu_profiler_example cpu_profiler_example_3875.prof

 

Text输出结果分析：

14  2.1%  17.2%       58   8.7% std::_Rb_tree::find

含义如下：

14：find函数花费了14个profiling samples

2.1%：find函数花费的profiling samples占总的profiling samples的比例

17.2%：到find函数为止，已经运行的函数占总的profiling samples的比例

58：find函数加上find函数里的被调用者总共花费的profiling samples

8.7%：find函数加上find函数里的被调用者总共花费的profiling samples占总的profiling samples的比例

std::_Rb_tree::find：表示profile的函数

ps： 100 samples a second，所以得出的结果除以100，得秒单位

Ldd可以查看一个程序要链接那些动态库：

 

事例二：cpu_profiler_example.cpp，不需要在代码里添加任何标签，将profile所有的函数。

代码如下：

   

 

Makefile：

 

1）执行程序，生成性能数据文件

CPUPROFILE=/tmp/profile ./cpu_profiler_example

2）分析数据文件

1）pprof -text cpu_profiler_example  profile

2）命令行交互模式

 

事例三：由于我们的程序有可能是服务程序，而服务程序不会自动执行完退出，如果以ctrl+c退出也不是正常的exit(0)的方式退出，而这会导致我们在profile的时候，收集到的数据不全甚至是空的，采用如下解决办法：

将ProfilerStart和ProfilerStop这2个函数封装到两个信号处理函数中，给服务程序发信号SIGUSR1，就开始profile，给服务程序发信号SIGUSR2，就停止profile。这样我们可以随时对程序进行profiling，并获得数据。

代码如下：

 1 #include <stdio.h>
 2 #include <sys/types.h>
 3 #include <unistd.h>
 4 #include <signal.h>
 5 #include <google/profiler.h>
 6  
 7 //SIGUSR1: start profiling
 8 //SIGUSR2: stop profiling
 9  
10 static void gprof_callback(int signum)
11 {
12     if (signum == SIGUSR1) 
13     {
14         printf("Catch the signal ProfilerStart\n");
15         ProfilerStart("bs.prof");
16     } 
17     else if (signum == SIGUSR2) 
18     {
19         printf("Catch the signal ProfilerStop\n");
20         ProfilerStop();
21     }
22 }
23  
24 static void setup_signal()
25 {
26     struct sigaction profstat;
27     profstat.sa_handler = gprof_callback;
28     profstat.sa_flags = 0;
29     sigemptyset(&profstat.sa_mask);                                        
30     sigaddset(&profstat.sa_mask, SIGUSR1);
31     sigaddset(&profstat.sa_mask, SIGUSR2);
32                                             
33     if ( sigaction(SIGUSR1, &profstat,NULL) < 0 ) 
34     {
35         fprintf(stderr, "Fail to connect signal SIGUSR1 with start profiling");
36     }
37     if ( sigaction(SIGUSR2, &profstat,NULL) < 0 ) 
38     {
39         fprintf(stderr, "Fail to connect signal SIGUSR2 with stop profiling");
40     }
41 }
42  
43 int loopop_callee()
44 {
45     int n=0;
46     for(int i=0; i<10000; i++)
47     {
48         for(int j=0; j<10000; j++)
49         {
50              n |= i%100 + j/100;
51         }
52     }
53     return n;
54 }
55  
56 int loopop()
57 {
58     int n=0;
59     while(1)
60     {
61         for(int i=0; i<10000; i++)
62         {
63             for(int j=0; j<10000; j++)
64             {
65                 n |= i%100 + j/100;
66             }
67         }
68         printf("result:  %d\n", (loopop_callee)() );
69     }
70     return n;
71 }
72  
73 int main(int argc,char** argv)
74 {
75     char program[1024]={0};
76     //snprintf(program,1023,"%s_%d.prof",argv[0],getpid());
77     setup_signal();
78     printf("result:  %d\n", (loopop)() );
79     return 0;
80 }

关注两个函数gprof_callback和setup_signal。

启动程序，可以采用kill -s SIGUSR1 5722和kill -s SIGUSR2 5722来开始采集和停止采集，5722是进程pid。

5、心得

最后，补充一点，要用google-perftool来分析程序，必须保证程序能正常退出。

采用kcachegrind查看函数之间依赖，并分析程序性能