[linux性能优化]python第三方库-PSUtil库

本文涉及的产品
服务治理 MSE Sentinel/OpenSergo,Agent数量 不受限
可观测可视化 Grafana 版,10个用户账号 1个月
简介: PSUtil库是Python的一个第三方库,它可以访问各种系统信息和资源利用率,如CPU,内存,磁盘,网络接口,进程等。在Linux、Windows、Mac OS X、FreeBSD等操作系统中,PSUtil提供了一致的接口,这使得它成为了Python系统管理和监控的有力工具。

PSUtil库介绍

PSUtil库是Python的一个第三方库,它可以访问各种系统信息和资源利用率,如CPU,内存,磁盘,网络接口,进程等。在Linux、Windows、Mac OS X、FreeBSD等操作系统中,PSUtil提供了一致的接口,这使得它成为了Python系统管理和监控的有力工具。PSUtil支持Python2和Python3版本,使用非常方便,安装后只需import就可以使用了。

PSUtil提供了许多有用的函数,以帮助我们了解系统的状态和性能。下面是一些常用的函数:

cpu_percent(): 获取CPU使用率
virtual_memory(): 获取系统内存使用情况
disk_usage(): 获取磁盘使用情况
net_io_counters(): 获取网络接口的输入/输出流量
process_iter(): 迭代当前运行的进程
Process(): 获取特定进程的信息

实际应用的demo程序

现在我们来实际使用PSUtil库来优化和检测Linux系统的一些常见瓶颈,包括句柄,内存和IO。我们将使用Python编写一个程序来检测系统上的这些问题。

检测系统句柄

首先,我们来检测系统上的句柄瓶颈。句柄是指在操作系统中用于访问文件、网络等资源的标识符,如果系统上有太多的句柄被打开,就会导致系统性能下降。我们可以使用PSUtil库的“process_open_files()”函数来获取进程打开的文件列表,然后计算打开的句柄数量。

   下面是一个检测句柄瓶颈的Python示例代码:

importpsutildefcheck_handles():
process=psutil.Process()
open_files=process.open_files()
handle_count=len(open_files)
ifhandle_count>1000:
print("Handle count is too high: %d"%handle_count)

检测系统内存瓶颈

检测系统上的内存瓶颈。内存是系统性能的关键因素之一,如果系统上的内存不足,就会导致应用程序崩溃或者性能下降。我们可以使用PSUtil库的“virtual_memory()”函数来获取系统的内存使用情况,然后计算可用内存的比例。

   下面是一个检测内存瓶颈的Python示例代码:

importpsutildefcheck_memory():
mem=psutil.virtual_memory()
mem_percent=mem.percentifmem_percent>80:
print("Memory usage is too high: %d%%"%mem_percent)

检测系统IO瓶颈

检测系统上的IO瓶颈。IO是指磁盘读写和网络传输等操作,如果系统上的IO负载太高,就会导致应用程序崩溃或者性能下降。我们可以使用PSUtil库的“disk_io_counters()”函数来获取磁盘的IO负载情况,然后计算读写速率。

disk_io_counters()函数返回一个namedtuple对象,包含了有关磁盘IO统计信息的字段,这些字段的含义如下:

  • read_count: 磁盘读取操作的次数write_count: 磁盘写入操作的次数read_bytes: 读取的字节数write_bytes: 写入的字节数read_time: 读取操作的时间(以毫秒为单位)write_time: 写入操作的时间(以毫秒为单位)busy_time: 磁盘繁忙时间(以毫秒为单位)

demo代码

importpsutildefcheck_io():
disk_io=psutil.disk_io_counters()
read_speed=disk_io.read_bytes/disk_io.read_timewrite_speed=disk_io.write_bytes/disk_io.write_timeifread_speed>10000000orwrite_speed>10000000:
print("IO usage is too high: read=%d write=%d"% (read_speed, write_speed))
#得到的读取和写入速率单位是字节/毫秒(Bytes/ms)#将速率单位转换为字节/秒(Bytes/s)read_speed=disk_io.read_bytes/ (disk_io.read_time/1000)
write_speed=disk_io.write_bytes/ (disk_io.write_time/1000)
#将速率单位转换为兆字节/秒(MB/s)read_speed=disk_io.read_bytes/ (disk_io.read_time/1000) / (1000*1000)
write_speed=disk_io.write_bytes/ (disk_io.write_time/1000) / (1000*1000)

检测系统进程数量

可以使用PSUtil库的“process_iter()”函数来获取当前运行的进程列表,然后计算进程数量。下面是一个检测进程数量的Python示例代码:

import psutil
def check_processes():
    process_count = len(list(psutil.process_iter()))
    if process_count > 500:
        print("Too many processes: %d" % process_count)复制复制

系统运行状态监控

   可以结合系统配置,当实际使用率大于80%时,告警出来

importpsutilimporttimedefcheck_handles():
process=psutil.Process()
open_files=process.open_files()
handle_count=len(open_files)
print("handle_count: ", handle_count)
max_handles=int(open('/proc/sys/fs/file-max').read())
print("max_handles : ",max_handles)
ifhandle_count>int(max_handles*0.8):
print("WARNING: Handle count is too high: %d"%handle_count)
else:
print("INFO: Handle count is within the normal range.")
defcheck_memory():
mem=psutil.virtual_memory()
mem_percent=mem.percentprint("mem_percent: ", mem_percent)
mem_limit=int(open('/proc/sys/vm/swappiness').read())
print("mem_limit : ",mem_limit)
ifmem_percent>int(mem_limit*0.8):
print("WARNING: Memory usage is too high: %d%%"%mem_percent)
else:
print("INFO: Memory usage is within the normal range.")
defcheck_io():
disk_io=psutil.disk_io_counters()
read_speed=disk_io.read_bytes/disk_io.read_timewrite_speed=disk_io.write_bytes/disk_io.write_timeprint("read_speed: ", read_speed)
print("write_speed: ", write_speed)
max_io_speed=int(open('/proc/sys/fs/file-max').read())
print("max_io_speed : ",max_io_speed)
ifread_speed>int(max_io_speed*0.8) orwrite_speed>int(max_io_speed*0.8):
print("WARNING: IO usage is too high: read=%d write=%d"% (read_speed, write_speed))
else:
print("INFO: IO usage is within the normal range.")
defcheck_processes():
process_count=len(list(psutil.process_iter()))
print("process_count: ", process_count)
max_processes=int(open('/proc/sys/kernel/pid_max').read())
print("max_processes : ",max_processes)
ifprocess_count>int(max_processes*0.8):
print("WARNING: Too many processes: %d"%process_count)
else:
print("INFO: Process count is within the normal range.")
whileTrue:
try:
check_handles()
check_memory()
check_io()
check_processes()
time.sleep(10)
exceptKeyboardInterrupt:
exit()

使用PSUtil库的开源项目

Glances

Glances是一个跨平台的系统监控工具,它可以监控CPU使用率,内存使用情况,网络传输情况,硬盘空间等。它的界面清晰易懂,支持CLI和Web界面。

下面是一个使用PSUtil库监控CPU使用率的Glances示例代码:

importpsutildefget_cpu_usage():
cpu_percent=psutil.cpu_percent(interval=1)
returncpu_percent

Supervisor

Supervisor是一个进程管理工具,它可以启动、停止和监控后台进程。它使用了PSUtil库来监控和管理进程。

下面是一个使用PSUtil库监控进程状态的Supervisor示例代码:

importpsutildefget_process_status(pid):
process=psutil.Process(pid)
returnprocess.status()

Sentry

Sentry是一个开源的错误跟踪工具,它可以监控应用程序中的错误,并提供详细的错误报告。Sentry使用了PSUtil库来获取系统和进程信息。

下面是一个使用PSUtil库获取系统信息的Sentry示例代码:

importpsutildefget_system_info():
cpu_count=psutil.cpu_count()
mem_total=psutil.virtual_memory().totaldisk_total=psutil.disk_usage('/').totalreturn {'cpu_count': cpu_count, 'mem_total': mem_total, 'disk_total': disk_total}

可以查看原文:

https://mp.weixin.qq.com/s?__biz=MzA5NTgwNzY1NA==&mid=2247483972&idx=1&sn=636371a82b7c58db5db2320814939f44&chksm=90b8f38da7cf7a9b7b2c63d70de2db18d373904ec2d2b8ef4ca4b72af14f5df9484efb81bb86&token=2069274630&lang=zh_CN#rd

关注公众号获取更多sre博文:五分钟学SRE

相关文章
|
4天前
|
数据采集 前端开发 JavaScript
Python爬虫 pyquery库详解#4
pyquery 初始化,基本CSS选择器,查找节点,遍历,节点操作,伪类选择器【2月更文挑战第15天】
22 1
Python爬虫 pyquery库详解#4
|
4天前
|
数据采集 XML 前端开发
Python爬虫 Beautiful Soup库详解#4
BeautifulSoup基础,节点选择器,方法选择器,css选择器【2月更文挑战第14天】
34 1
|
4天前
|
数据采集 XML 数据格式
Python爬虫Xpath库详解#4
XPath详解,涉及获取所有节点,子节点,父节点,属性匹配,文本获取,属性获取,按序选择等。【2月更文挑战第13天】
26 0
|
4天前
|
UED 开发者 Python
使用Python构建命令行工具:argparse和click库的使用
使用Python构建命令行工具:argparse和click库的使用
|
4天前
|
程序员 调度 数据库
Python中的异步编程:asyncio库和协程的深入解析
Python中的异步编程:asyncio库和协程的深入解析
|
5天前
|
SQL 数据可视化 数据挖掘
利用Python中的Pandas库进行数据分析和可视化
Python语言中的Pandas库是一个功能强大的工具,可用于数据处理、清洗、分析和可视化。本文将介绍如何利用Pandas库对数据进行处理和分析,并结合Matplotlib库进行数据可视化,帮助读者快速掌握数据分析和可视化的基本方法。
13 3
|
6天前
|
数据可视化 数据挖掘 数据处理
Python中的数据可视化——探索Matplotlib库
在当今数据驱动的时代,数据可视化扮演着至关重要的角色,而Matplotlib作为Python中最流行的数据可视化库之一,为我们提供了强大的绘图功能和灵活性。本文将深入探讨Matplotlib库的基本用法和高级特性,帮助读者更好地利用Python进行数据可视化。
9 3
|
7天前
|
数据采集 人工智能 数据挖掘
Python数据分析:利用Pandas库处理缺失数据的技巧
在数据分析中,数据的完整性对结果的准确性至关重要。本文将介绍如何利用Python中强大的Pandas库来处理数据中的缺失值,帮助您更好地进行数据清洗和分析。
|
7天前
|
数据可视化 数据挖掘 大数据
Python中的数据分析与可视化库Matplotlib简介
在当前大数据时代,数据分析和可视化成为了技术领域的热门话题。Python作为一门流行的编程语言,拥有丰富的数据处理和可视化库,其中Matplotlib是其中的佼佼者。本文将介绍Matplotlib库的基本概念、功能特点以及在数据分析与可视化中的应用。
16 0
|
8天前
|
大数据 程序员 Python
Python中的异步编程:使用asyncio库实现高效IO操作
传统的同步编程模式在处理IO密集型任务时效率较低,因此异步编程成为了解决这一问题的关键。本文将介绍如何利用Python中的asyncio库实现异步编程,以及如何利用异步特性提高IO操作的效率,让你的程序更加响应迅速。

相关产品

  • 云消息队列 MQ
  • 云消息队列 Kafka 版
  • 微服务引擎