EC2上Python应用CPU占用100%，是否为time模块导致？

time.time()只是一个轻量级的系统调用，用来获取当前时间戳，它几乎不会消耗任何CPU资源——所以你的问题肯定出在代码的其他部分，或者实例环境的差异上。

代码里的可疑点分析 #

先看你给出的代码片段，有几个地方可能是CPU占用的元凶：

• ast.literal_eval(input_data)：如果传入的JSON数据体积非常大，这个解析过程会消耗大量CPU；另外如果input_data的格式不符合预期（比如存在嵌套极深的结构），也可能导致解析过程耗时剧增。不过正常情况下它会抛出异常，不会持续占用CPU，除非你的请求里有大量这类异常请求？
• prepare_obj.preparation()：这是最值得怀疑的地方！你只给出了调用这个方法的代码，但没有Prepare类的具体实现。如果这个方法里包含：
  • 密集型计算（比如循环处理大量数据、矩阵运算）
  • 无阻塞的死循环（比如while True里没有加time.sleep()）
  • 频繁的IO操作但没有正确处理（比如反复读取大文件、频繁访问数据库但没有缓存）
    这些都会直接导致CPU拉满。
• 另外注意到你代码最后返回的resp变量并没有定义，这会不会是笔误？如果线上运行时抛出未定义变量的异常，框架反复处理错误请求也可能间接导致CPU升高，但两台实例表现不同的话，这个可能性较低。

两台EC2实例的差异排查 #

既然一台正常一台异常，环境差异是重点排查方向：

• 实例规格差异：是不是异常实例的CPU配置更低？比如一台是t3.medium，另一台是t2.micro，处理同样的请求负载时，低配置实例更容易跑满CPU。
• Docker资源限制：有没有给异常实例的Docker容器设置CPU配额？比如用--cpus参数限制了CPU使用率，或者宿主机本身的CPU被其他进程占用过多？可以用docker inspect <容器ID>查看容器的资源限制配置。
• 请求负载差异：异常实例是不是接收的/refresh请求量更大？或者请求里的input_data比正常实例的大很多？检查Nginx或者Flask的访问日志就能确认。
• 依赖版本差异：两台实例的Python版本、Flask版本、以及其他依赖库的版本是不是一致？某些依赖的版本更新可能引入性能问题，或者旧版本存在已知的CPU占用bug。

实操排查建议 #

给你几个快速定位问题的方法：

1. 用性能分析工具定位耗时函数：在异常实例的容器里安装py-spy（pip install py-spy），然后运行py-spy top --pid <你的Python进程ID>，实时查看哪个函数占用了最多CPU；或者用py-spy record -o profile.svg --pid <进程ID>生成火焰图，直观看到代码的耗时分布。
2. 监控请求参数：临时在代码里加日志，记录input_data的大小、请求频率，看看异常实例的请求有没有异常。
3. 对比实例资源使用情况：在两台实例上分别运行top、docker stats，对比CPU、内存的使用率差异，看看是不是宿主机或者容器的资源瓶颈导致的。

内容的提问来源于stack exchange，提问作者Harshith