一、资源监控

• 系统级工具
  • psutil：跨平台库，用于获取CPU、内存、磁盘、网络等资源使用情况，支持实时监控和数据记录。
  • dstat：多功能系统资源统计工具，可替代vmstat、iostat等，支持实时数据输出和CSV格式报表。
  • Glances：基于Python的跨平台监控工具，提供交互式终端界面，支持CPU、内存、磁盘、网络等监控。
• Python专用工具
  • py-spy：低开销采样探查器，可实时分析CPU使用情况，生成火焰图定位性能瓶颈。
  • cProfile：Python内置性能分析器，用于分析代码执行时间和函数调用耗时。
  • memory_profiler：监控Python代码内存使用情况，识别内存泄漏。

二、性能调优

• 系统与环境优化
  • 升级硬件（CPU、内存、SSD）以提升整体性能。
  • 调整系统参数，如增加文件描述符限制、优化内核参数。
• Python代码优化
  • 算法与数据结构：选择高效算法（如二分查找），使用合适的数据结构（如字典、集合）。
  • 减少冗余计算：利用生成器、迭代器节省内存，避免重复计算。
  • 并发与并行：I/O密集型任务使用多线程，CPU密集型任务使用多进程或Cython。
  • 编译优化：使用Cython将关键代码编译为C扩展，或通过Numba实现JIT加速。
• 依赖与部署优化
  • 使用虚拟环境隔离依赖，确保库版本兼容。
  • 对C扩展模块进行编译优化，启用CPU特定指令集。