Programmation PYTHON - Zenk - Security - Repository

Rapport sur les performances
Bonnes pratiques et optimisation du code
CHAPITRE 13
Les tests unitaires exécutent, s’ils sont bien faits, la totalité du code d’un programme.
Un module comme hotshot peut donc s’appuyer sur ces tests pour générer un rapport
complet sur les performances.
Ce profiling global permet de repérer les problèmes de performances ou les temps
anormaux.
Tests cPickle profilés
$ python auditperfs.py
2001 function calls in 0.020 CPU seconds
Ordered by: internal time
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.009 0.009 0.020 0.020
auditperfs.py:60(test_boucle)
1000 0.007 0.000 0.011 0.000
auditperfs.py:35(test_dump_et_load)
1000 0.004 0.000 0.004 0.000
auditperfs.py:28(_genere_instance)
0 0.000 0.000 profile:0(profiler)
..
----------------------------------------------------------------------
Ran 2 tests in 1.002s
OK
Dans cette version du test de cPickle du chapitre précédent, l’exécution des tests est
profilée par le biais d’un decorator spécialisé, intégrant un appel au profiler.
Tests de performance ciblés
Pour les portions du code à surveiller étroitement, des tests de performance ciblés
peuvent être mis en place.
Le principe est relativement similaire aux tests unitaires mais les assertions portent
cette fois-ci sur le temps écoulé pendant le test.
481