最直接跨平台计算Python脚本CPU使用率的方法是使用psutil库，通过process.cpu_percent(interval=1)监控进程级CPU占用，结合循环采样获取平均值与峰值，用于识别性能瓶颈。
在Python脚本执行过程中计算CPU使用率，最直接有效且跨平台的方式是利用
psutil
库。它能让你轻松地获取当前进程乃至整个系统的CPU占用情况，对于性能分析来说，这几乎是首选工具。
解决方案
要计算Python脚本的CPU使用率，我们通常会用到
psutil
库。这个库提供了访问系统进程和系统利用率（CPU、内存、磁盘、网络等）的功能。
首先，你得安装它：
pip install psutil
接着，在你的Python脚本里，你可以这样来测量当前进程的CPU使用率：
立即学习“Python免费学习笔记（深入）”；
import psutil import time import os def cpu_intensive_task(): """一个模拟CPU密集型任务的函数""" result = 0 for i in range(1, 5000000): # 增加循环次数以确保CPU占用 result += i * i return result def monitor_cpu_usage(): """监控当前脚本CPU使用率的示例""" process = psutil.Process(os.getpid()) # 获取当前进程对象 print(f"开始监控PID: {process.pid} 的CPU使用率...") # 第一次调用cpu_percent()会返回0.0，因为它需要一个基准时间点来计算 # 所以通常需要调用两次，或者在循环中持续调用 process.cpu_percent(interval=None) # 第一次调用，用于初始化 start_time = time.time() duration = 10 # 监控时长 cpu_usages = [] while time.time() - start_time < duration: # interval=1 表示在过去1秒内的CPU使用率 # 如果不设置interval，它会计算从上次调用到现在的CPU使用率 cpu_percent = process.cpu_percent(interval=1) cpu_usages.append(cpu_percent) print(f"当前CPU使用率: {cpu_percent}%") # time.sleep(1) # psutil.cpu_percent内部会处理间隔，这里可以省略，除非你想更慢的采样 print("n任务完成，正在分析CPU使用率数据...") if cpu_usages: avg_cpu = sum(cpu_usages) / len(cpu_usages) max_cpu = max(cpu_usages) print(f"平均CPU使用率: {avg_cpu:.2f}%") print(f"峰值CPU使用率: {max_cpu:.2f}%") else: print("未收集到CPU使用率数据。") print("n现在运行一个CPU密集型任务来观察效果...") # 在运行CPU密集型任务时同时监控 process.cpu_percent(interval=None) # 重置，准备新的测量 task_start_time = time.time() # 启动一个线程或进程来运行CPU密集型任务，同时主线程监控 # 这里为了简化，直接在主线程中运行并监控 cpu_intensive_start_time = time.time() cpu_intensive_task() # 运行CPU密集型任务 cpu_intensive_end_time = time.time() print(f"CPU密集型任务耗时: {cpu_intensive_end_time - cpu_intensive_start_time:.2f} 秒") # 任务结束后，再获取一次CPU使用率，这会是任务期间的平均值 # 注意：这种单次测量无法反映任务期间的实时波动 final_cpu_percent = process.cpu_percent(interval=1) print(f"任务结束后测量的CPU使用率 (过去1秒): {final_cpu_percent}%") if __name__ == "__main__": monitor_cpu_usage() # 也可以直接获取系统整体的CPU使用率 # print(f"n系统整体CPU使用率 (过去1秒): {psutil.cpu_percent(interval=1)}%") # print(f"系统整体每个核心CPU使用率: {psutil.cpu_percent(interval=1, percpu=True)}")
这段代码里，
process.cpu_percent(interval=1)
会返回自上次调用此方法以来，当前进程在过去1秒内的CPU使用率。如果
interval
设为
None
，它会计算自上次调用以来的CPU使用率。这对于快速采样非常有用。我个人觉得，对于大多数性能分析场景，设置一个合理的
interval
（比如1秒）来周期性采样，会得到更稳定的数据。
为什么需要监控Python脚本的CPU使用率？
监控CPU使用率，说白了，就是为了搞清楚你的Python脚本到底“忙”不忙，忙在什么地方。这对于性能优化简直是基石。想象一下，你的程序跑得很慢，但你不知道是CPU在苦苦计算，还是在等待硬盘I/O，又或者是在等待网络响应。如果CPU使用率很高，那说明你的代码逻辑本身可能就是瓶颈，比如有复杂的循环、大量的数学运算、或者低效的算法。
反过来，如果CPU使用率一直很低，但程序还是慢，那很可能就是I/O密集型任务（比如读写大文件、数据库查询、网络请求）在拖后腿。这时候你再去优化计算逻辑，那简直是南辕北辙。识别CPU瓶颈，能让你把优化精力集中在真正能带来提升的地方，而不是瞎忙活。这就像医生看病，得先诊断出病灶在哪儿，才能对症下药。
除了psutil，还有哪些方法可以监测Python脚本的CPU使用率？
当然有，
psutil
是Python内部解决这个问题的优雅方式，但我们也可以借助一些系统级的工具。
首先是经典的
top
和
htop
。在Linux/Unix系统上，直接在终端输入
top
或
htop
，就能看到当前系统所有进程的资源占用情况，包括CPU、内存等等。你可以根据进程ID（PID）找到你的Python脚本，然后观察它的CPU使用率。
htop
相比
top
界面更友好，功能也更多，比如可以方便地排序、筛选。这对于快速查看系统概览非常方便，但缺点是它不能集成到你的Python代码里进行自动化监控。
再来就是Linux下的
perf
工具。这玩意儿可就厉害了，它是Linux内核提供的性能分析工具，能深入到函数级别甚至指令级别去分析CPU的活动。比如你可以用
perf top -p <PID>
来实时查看某个进程最耗CPU的函数。不过，
perf
的学习曲线相对陡峭，而且它主要是针对Linux系统，跨平台性不如
psutil
。
对于更宏观的，或者说只是想知道脚本跑完总共用了多少CPU时间，
time
命令也能提供一些信息。在终端里，你可以在运行Python脚本前加上
time
，比如
time python your_script.py
。它会输出脚本的真实时间（real）、用户CPU时间（user）和系统CPU时间（sys）。用户CPU时间是你的程序代码在用户态消耗的CPU时间，系统CPU时间是你的程序调用系统内核服务消耗的CPU时间。虽然它不能给出实时百分比，但能帮你理解脚本的总CPU消耗。
我个人觉得，对于日常的Python脚本性能分析，
psutil
是首选，因为它方便、灵活，而且能直接集成到你的代码里。当你需要更深入的系统级分析时，再考虑
top
/
htop
或
perf
这些外部工具。
如何正确解读CPU使用率数据？
解读CPU使用率数据，这事儿可没那么简单，尤其是在多核处理器普及的今天。你看到一个百分比，它背后可能藏着好几种含义。
最常见的一个误解就是，如果你的单线程Python脚本在8核CPU上跑，你可能看到它的CPU使用率只有12.5%（100% / 8核），但实际上，它可能已经把其中一个核心跑满了。
psutil.cpu_percent()
默认返回的是相对于整个系统CPU能力的百分比。所以，一个单线程CPU密集型任务，在多核CPU上，它的最大“理论”使用率就是
100% / 核心数
。如果你想知道某个进程在它所运行的那个核心上是不是跑满了，那就需要更细致的分析，或者结合
percpu=True
参数来查看每个核心的使用率，然后判断你的进程主要跑在哪个核心上。
另外，CPU使用率还分用户态（user）和内核态（system）。用户态CPU时间是你的应用程序代码直接执行所消耗的CPU时间，而内核态CPU时间则是你的应用程序请求操作系统服务（比如文件I/O、网络通信）时，内核代码执行所消耗的CPU时间。如果系统CPU使用率很高，那可能意味着你的程序频繁地进行系统调用，或者系统本身负载较重。
还有一点，CPU使用率是瞬时值或者某个时间段的平均值。一个峰值可能只是昙花一现，而一个持续的高平均值才真正值得关注。所以，在做性能分析时，不要只盯着一个数字，要看趋势，看它在不同阶段的变化。如果你的脚本在某个特定环节CPU飙升，那那个环节就是你优化的重点。
最后，别忘了I/O等待（iowait）。有时候CPU使用率看起来不高，但系统整体却很慢，这可能是因为大量的CPU时间花在了等待I/O操作完成上。虽然
iowait
不直接计入用户或系统CPU时间，但它会影响CPU的有效利用率。
psutil
也能提供这些信息，比如
psutil.cpu_times_percent()
可以返回更详细的CPU时间分类。理解这些细微之处，才能真正从CPU使用率数据中挖掘出有价值的信息。
评论（已关闭）
评论已关闭