如何统计每行代码执行时间并定位高耗时代码段

统计每行代码执行时间的方法 #

根据你使用的技术栈选择对应工具即可实现行级执行时间统计：

• Python场景：使用line_profiler第三方库，给待排查的接口处理函数添加@profile装饰器，执行kernprof -l -v your_api_start_file.py命令即可导出函数内每行代码的调用次数、总耗时、单次耗时数据。也可以直接用内置的cProfile模块执行python -m cProfile -s cumulative your_api_start_file.py快速查看函数级耗时分布。
• Java场景：本地调试可以直接用IDEA自带的Profiler工具，选择CPU追踪模式启动服务，压测接口后即可查看行级耗时；线上/预发环境可以用Arthas工具，执行trace 全限定类名 方法名 -n 10即可打印该方法内部每行代码的调用耗时。
• Go场景：使用内置的pprof工具，开启pprof采集端点后对接口进行压测，采集CPU profiling文件后执行go tool pprof cpu.pprof进入分析界面，输入list 目标函数名即可查看该函数内每行代码的CPU耗时占比。

注意：行级耗时统计会带来10%~50%不等的额外性能损耗，不要在生产环境常态开启，仅可用于短时排查问题使用。

精准定位高耗时逻辑的实操步骤 #

• 第一步做粗粒度范围收敛：先对接口全链路做分块埋点统计，将接口处理流程拆分为参数校验、数据库/缓存操作、外部服务调用、业务计算、返回值序列化几个大模块，统计各模块耗时占比，先把高耗时范围缩小到具体模块，避免无意义的全量代码排查。
• 第二步做细粒度逻辑排查：如果高耗时模块是IO相关，优先排查是否存在N+1查询、数据库未加索引、第三方接口无超时降级、大文件读写未做异步处理的问题；如果高耗时模块是CPU计算相关，优先排查多层嵌套循环、递归调用、大对象序列化/反序列化、正则表达式回溯这类常见问题。
• 第三步做验证确认：定位到疑似高耗时逻辑后，可以单独对该段逻辑增加耗时埋点，或者通过注释逻辑、替换为模拟返回的方式做对照测试，确认接口耗时下降后即可锁定问题代码。

内容的提问来源于stack exchange，提问作者nithin