pyinstrument 是 Python 的采样式性能分析器，特点是输出一棵按耗时排序的调用树，而不是一张函数耗时平铺表。它的宣传点是「开销低」，这篇就是去量这个开销到底有多低，以及低在什么条件下。

两行接入

from pyinstrument import Profiler

p = Profiler(interval=0.001)
p.start()
your_code()
p.stop()
print(p.output_text())

也可以用命令行直接包一层：pyinstrument -m your_module，不用改代码。interval 是采样间隔，默认 1 毫秒。

同一个任务，装与不装

任务是三段计算（字符串解析、数字转换、排序）循环 50 轮，各跑 5 次取中位：

方式	耗时	倍数
不装 profiler	381.5 毫秒	基准
pyinstrument 采样	1980.6 毫秒	5.19 倍

慢了 5 倍，这跟「采样分析器几乎无开销」的常见说法差得远。继续查才发现，开销不跟耗时挂钩，跟 Python 调用的次数挂钩。

开销跟着调用次数走

换成三种完全不同的负载，同样测装与不装：

负载类型	不装	装了	倍数
大量 Python 调用（20 万次）	11.5 毫秒	39.8 毫秒	3.46 倍
少量调用 + 重 C 计算	263.0 毫秒	262.5 毫秒	1.00 倍
纯 sleep 0.5 秒	500.5 毫秒	501.1 毫秒	1.00 倍

后两行几乎没有额外开销。重 C 计算那 263 毫秒全在 sum(range(30000000)) 里，Python 层只调了一次；sleep 更是完全不占 CPU。

第一行 20 万次 Python 调用，多花了 28 毫秒，折算下来每次调用多 0.14 微秒。前面那个 5.19 倍的例子，50 轮里跑了几百万次生成器迭代，按这个单价累加出来就是 1.6 秒。

结论很明确：Python 代码越密集，它越贵；瓶颈在 C 扩展或者 IO 等待上，它几乎免费。

interval 调大也没变快

interval=0.0005   1991.4 ms   5.22 倍
interval=0.001    1971.8 ms   5.17 倍
interval=0.005    1940.7 ms   5.09 倍
interval=0.01     1958.3 ms   5.13 倍
interval=0.05     1946.0 ms   5.10 倍

从 0.5 毫秒调到 50 毫秒，耗时纹丝不动。真正的采样分析器应该靠降低采样频率来减少开销，这里没有，说明这份开销花在每个函数调用的钩子上，而不是花在采样动作本身。

所以别指望把 interval 调大来降低开销，它买到的只是更粗的采样粒度。

采样太少会得到空报告

>>> p = Profiler(interval=0.5)
>>> p.start(); sum(range(100000)); p.stop()
>>> print(p.output_text())
...  Samples:  0
...  Duration: 0.001

任务只跑了 1 毫秒，采样间隔 0.5 秒，一帧都没采到，报告是空的。它不会提示「样本不足」，只给你一张没有内容的树。

所以分析短函数必须把工作量放大，或者把 interval 调小。反过来，跑一个几十毫秒就结束的脚本然后抱怨「看不出来热点」，多半就是这个原因。

报告怎么读

输出的是一棵树，每行左边的数字是这一层花掉的时间，[self] 表示时间花在函数自己身上、没有再往下调：

1.946 task
└─ 1.946 aggregate
   ├─ 1.343 parse
   │  ├─ 1.009 <genexpr>
   │  │  ├─ 0.702 [self]
   │  │  └─ 0.307 ord
   │  └─ 0.329 [self]
   ├─ 0.356 <genexpr>
   └─ 0.187 [self]

从这张图能直接读出两件事：1.343 秒在 parse 里，占总量七成；parse 内部又有一半在 ord 这个内置函数上。要优化就改这里，别的地方加起来不到三分之一。