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
