编者按：题目中的 "我" 是指作者 Ionel Cristian Mărieș, 这是他的个人博客。
以下是我做调试或分析时用过的工具的一个概览。如果你知道有更好的工具，请在评论中留言，可以不用很完整的介绍。
日志
没错，就是日志。再多强调在你的应用里保留足量的日志的重要性也不为过。你应当对重要的内容打日志。如果你的日志打的足够好的话，单看日志你就能发现问题所在。那样可以节省你大量的时间。
如果一直以来你都在代码里乱用 print 语句，马上停下来。换用logging.debug。以后你还可以继续复用，或是全部停用等等。
跟踪
有时更好的办法是看执行了哪些语句。你可以使用一些IDE的调试器的单步执行，但你需要明确知道你在找那些语句，否则整个过程会进行地非常缓慢。
标准库里面的trace模块，可以打印运行时包含在其中的模块里所有执行到的语句。(就像制作一份项目报告)
python -mtrace –trace script.py
这会产生大量输出（执行到的每一行都会被打印出来，你可能想要用grep过滤那些你感兴趣的模块）.
比如：
python -mtrace –trace script.py | egrep '^(mod1.py|mod2.py)'
调试器
以下是如今应该人尽皆知的一个基础介绍：
import pdb
pdb.set_trace() # 开启pdb提示
或者
try:
（一段抛出异常的代码）
except:
import pdb
pdb.pm() # 或者 pdb.post_mortem()
或者(输入 c 开始执行脚本)
python -mpdb script.py
在输入-计算-输出循环(注：REPL，READ-EVAL-PRINT-LOOP的缩写)环境下，可以有如下操作：
- c or continue
- q or quit
- l or list, 显示当前步帧的源码
- w or where,回溯调用过程
- d or down, 后退一步帧（注：相当于回滚）
- u or up, 前进一步帧
- (回车), 重复上一条指令
其余的几乎全部指令（还有很少的其他一些命令除外）,在当前步帧上当作python代码进行解析。
如果你觉得挑战性还不够的话，可以试下 smiley，-它可以给你展示那些变量而且你能使用它来远程追踪程序。
更好的调试器
pdb的直接替代者：
ipdb(easy_install ipdb) – 类似ipython(有自动完成，显示颜色等)
pudb(easy_install pudb) – 基于curses（类似图形界面接口），特别适合浏览源代码
远程调试器
安装方式:
sudo apt-get install winpdb
用下面的方式取代以前的pdb.set_trace()：
import rpdb2
rpdb2.start_embedded_debugger("secretpassword")
现在运行winpdb,文件-关联
不喜欢Winpdb?也可以直接包装PDB在TCP之上运行！
这样做：
import loggging
classRdb(pdb.Pdb):
"""
This will run pdb as a ephemeral telnet service. Once you connect no one
else can connect. On construction this object will block execution till a
client has connected.
Based on https://github.com/tamentis/rpdb I think ...
To use this::
Rdb(4444).set_trace()
Then run: telnet 127.0.0.1 4444
"""
def__init__(self, port=0):
self.old_stdout = sys.stdout
self.old_stdin = sys.stdin
self.listen_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
self.listen_socket.bind(('0.0.0.0', port))
ifnot port:
logging.critical("PDB remote session open on: %s", self.listen_socket.getsockname())
print >> sys.__stderr__, "PDB remote session open on:", self.listen_socket.getsockname()
sys.stderr.flush()
self.listen_socket.listen(1)
self.connected_socket, address = self.listen_socket.accept()
self.handle = self.connected_socket.makefile('rw')
pdb.Pdb.__init__(self, completekey='tab', stdin=self.handle, stdout=self.handle)
sys.stdout = sys.stdin = self.handle
defdo_continue(self, arg):
sys.stdout = self.old_stdout
sys.stdin = self.old_stdin
self.handle.close()
self.connected_socket.close()
self.listen_socket.close()
self.set_continue()
return1
do_c = do_cont = do_continue
defset_trace():
"""
Opens a remote PDB on first available port.
"""
rdb = Rdb()
rdb.set_trace()
只想要一个REPL环境？试试IPython如何？
如果你不需要一个完整齐全的调试器，那就只需要用一下的方式启动一个IPython即可：
import IPython
IPython.embed()
标准linux工具
我常常惊讶于它们竟然远未被充分利用。你能用这些工具解决很大范围内的问题：从性能问题（太多的系统调用，内存分配等等）到死锁，网络问题，磁盘问题等等。
其中最有用的是最直接的strace，只需要运行 sudo strace -p 12345 或者 strace -f 指令(-f 即同时追踪fork出来的子进程)，这就行了。输出一般会非常大，所以你可能想要把它重定向到一个文件以便作更多的分析（只需要加上 &> 文件名）。
再就是ltrace,有点类似strace，不同的是，它输出的是库函数调用。参数大体相同。
还有lsof 用来指出你在ltrace/strace中看到的句柄数值的意义。比如：
lsof -p 12345
更好的跟踪
使用简单而可以做很多事情-人人都该装上htop！
sudo apt-get install htop
sudo htop
现在找到那些你想要的进程，再输入：
s - 代表系统调用过程(类似strace)
L - 代表库调用过程(类似ltrace)
l - 代表lsof
监控
没有好的持续的服务器监控，但是如果你曾遇到一些很诡异的情况，诸如为什么一切都运行的那么慢，那些系统资源都干什么去了，等这些问题，想弄明白却又无处下手之际，不必动用iotop、iftop、htop、iostat、vmstat这些工具，就用dstat吧！它可以做之前我们提过的大部分工作可 以做的事情，而且也许可以做的更好！
它会用一种紧凑的，代码高亮的方式（不同于iostat,vmstat）向你持续展示数据，你还经常可以看到过去的数据（不同于iftop、iostop、htop）。
只需运行：
dstat --cpu --io --mem --net --load --fs --vm --disk-util --disk-tps --freespace --swap --top-io --top-bio-adv
很可能有一种更简短的方式来写上面这条命令。
这是一个相当复杂而又强大的工具，但是这里我只提到了一些基本的内容（安装以及基础的命令）
sudo apt-get install gdb python-dbg
zcat /usr/share/doc/python2.7/gdbinit.gz > ~/.gdbinit
用python2.7-dbg 运行程序：
sudo gdb -p 12345
现在使用：
bt - 堆栈跟踪（C 级别）
pystack - python 堆栈跟踪,不幸的是你需要有~/.gdbinit 并且使用python-dbg
c - 继续
发生段错误？用faulthandler ！
python 3.3版本以后新增的一个很棒的功能，可以向后移植到python2.x版本。只需要运行下面的语句，你就可以大抵知道什么原因引起来段错误。
import faulthandler
faulthandler.enable()
内存泄露
嗯，这种情况下有很多的工具可以使用，其中有一些专门针对WSGI的程序比如Dozer，但是我最喜欢的当然是objgraph。使用简单方便，让人惊讶！
它没有集成WSGI或者其他，所以你需要自己去发现运行代码的方法，像下面这样：
import objgraph
objs = objgraph.by_type("Request")[:15]
objgraph.show_backrefs(objs, max_depth=20,highlight=lambda v: v in objs,
filename="/tmp/graph.png")
Graph written to /tmp/objgraph-zbdM4z.dot (107 nodes)
Image generated as /tmp/graph.png
你会得到像这样一张图（注意：它非常大)。你也可以得到一张点输出。
内存使用
有时你想少用些内存。更少的内存分配常常可以使程序执行的更快，更好，用户希望内存合适好用)
有许多可用的工具，但在我看来最好用的是 pytracemalloc。与其他工具相比，它开销非常小（不需要依赖于严重影响速度的 sys.settrace）而且输出非常详尽。但安装起来比较痛苦，你需要重新编译python，但有了apt，做起来也非常容易。
只需要运行这些命令然后去吃顿午餐或者干点别的：
apt-get source python2.7
cd python2.7-*
wget? https://github.com/wyplay/pytracemalloc/raw/master/python2.7_track_free_list.patch
patch -p1 < python2.7_track_free_list.patch
debuild -us -uc
cd..
sudo dpkg -i python2.7-minimal_2.7*.deb python2.7-dev_*.deb
接着安装 pytracemalloc （注意如果你在一个virtualenv虚拟环境下操作，你需要在重新安装python后再次重建 – 只需要运行 virtualenv myenv）
pip install pytracemalloc
现在像下面这样在代码里包装你的应用程序
import tracemalloc, time
tracemalloc.enable()
top = tracemalloc.DisplayTop(
5000, # log the top 5000 locations
file=open('/tmp/memory-profile-%s' % time.time(), "w")
)
top.show_lineno = True
try:
# code that needs to be traced
finally:
top.display()
输出会像这样：
2013-05-31 18:05:07: Top 5000 allocations per file and line
#1: .../site-packages/billiard/_connection.py:198: size=1288 KiB, count=70 (+0),
average=18 KiB
#2: .../site-packages/billiard/_connection.py:199: size=1288 KiB, count=70 (+0),
average=18 KiB
#3: .../python2.7/importlib/__init__.py:37: size=459 KiB, count=5958 (+0),
average=78 B
#4: .../site-packages/amqp/transport.py:232: size=217 KiB, count=6960 (+0),
average=32 B
#5: .../site-packages/amqp/transport.py:231: size=206 KiB, count=8798 (+0),
average=24 B
#6: .../site-packages/amqp/serialization.py:210: size=199 KiB, count=822 (+0),
average=248 B
#7: .../lib/python2.7/socket.py:224: size=179 KiB, count=5947 (+0), average=30
B
#8: .../celery/utils/term.py:89: size=172 KiB, count=1953 (+0), average=90 B
#9: .../site-packages/kombu/connection.py:281: size=153 KiB, count=2400 (+0),
average=65 B
#10: .../site-packages/amqp/serialization.py:462: size=147 KiB, count=4704
(+0), average=32 B
…
很美，不是吗？
标准库
标准库有三种分析方法（cProfile和profile，hotshot）以及不计其数的第三方可视化工具，转化器，以及诸如此类的东西。
工具多了，不靠谱的建议自然少不了。
如果你不知道该用什么，那就用一个可视化的工具吧！
有很多的建议供你选择自己要用的可视化工具，但无论是使用如标准库的Stats模块这种文本形式的还是像 pycallgraph 或者 gprof2dot 这样的图形化的库，第一反应都是要写代码来生成报表。
但是这个主意很糟糕，你需要不断修改代码来改变或者探索报表的内容。如果你不是在寻找一块特定的代码块，那么一切会变得混乱不堪。你很可能会错过那些真正扼杀你程序性能的事情。
RunSnakeRun
你可以用pip install RunSnakeRun 或者 apt-get install runsnakerun来安装或者从源码安装。
RunSnakeRun 是一个全面的工具，很容易集成 – 你可以和cProfile/profile来配合使用，只需要给profile.run方法指定一个filename的参数即可，比如：
import cProfile
cProfile.run("main()", filename="my.profile")
然后，在终端里运行：
runsnake my.profile
结果看起来就像这样：
这是可接受的，如果你的分析文件不是特别大的话，它会工作的很好。比如：你只有一个占用了太多运行时间的函数。
RunSnakeRun有一个内存调试模式（需要 Meliae ）。遗憾的是我还没有试过。但是如果你想看到内存的使用情况，它看起来确实很有用。就像[这样](http://www.vrplumber.com/programming/runsnakerun/meliae-sample.png）。
KCachegrind
你可以用apt-get install kcachegrind 来安装或者从源码安装。
鲜为人知的秘密：有windows版本的KCachegrind二进制包。 只需要安装windows版本的KDE，然后在选项“开发者工具”选中它，很可能要取消选择其他项）。
我真的很喜欢这工具！它可以向你展示调用树的图表，可排序的调用表，调用/被调用的地图，源代码，而且你还能选择过滤掉所有的东西。而且它是语言无关的 – 如果你有C/C++背景的话，你很可能听说过这个工具。
我喜欢这个工具的程度超过RunSnakeRun，因为它比后者功能要强大的多：
- 在调用数的图表上，你可以排序，改变布局/用很多方法来渲染或者导出成点图/png，RunSnakeRun甚至不能显示调用树的图表
- 你可以看见源码
- 你可以得到被调用地图
- 更容易安装（不需要依赖wxPython）
在大项目里面哪些需要关注并不是那么显而易见，或者有很多的相关函数时，KCachegrind比RunSnakeRun更值得一用。
可生成KCachegrind 分析文件的工具
我想这是唯一的缺点，你需要用这种特殊的格式导出。但是它也有很好的支持：
- pyprof2calltree
- django扩展的 runprofileserver
- 装饰器
- kcachegrind 转换器
- repoze.profile – 只需要设置cachegrind_filename
我使用的是函数装饰器，无非在你的/tmp目录下多了些导出的分析文件。
附上截图：
还有值得一提的工具？请评论留言！
