38 性能分析（上）：如何分析 Go 语言代码的性能？你好，我是孔令飞。

作为开发人员，我们一般都局限在功能上的单元测试中，对一些性能上的细节往往不会太关注。但是，如果我们在上线的时候对项目的整体性能没有一个全面的了解，随着请求量越来越大，可能会出现各种各样的问题，比如CPU占用高、内存使用率高、请求延时高等。为了避免这些性能瓶颈，我们在开发的过程中需要通过一定的手段，来对程序进行性能分析。

Go语言已经为开发者内置了很多性能调优、监控的工具和方法，这大大提升了我们profile分析的效率，借助这些工具，我们可以很方便地对Go程序进行性能分析。在Go语言开发中，开发者基本都是通过内置的

pprof 工具包来进行性能分析的。

在进行性能分析时，我们会先借助一些工具和包，生成性能数据文件，然后再通过

pprof 工具分析性能数据文件，从而分析代码的性能。那么接下来，我们就分别来看下如何执行这两步操作。

生成性能数据文件

要查看性能数据，需要先生成性能数据文件。生成性能数据文件有三种方法，分别是通过命令行、通过代码和通过

net/http/pprof 包。这些工具和包会分别生成CPU和内存性能数据。

接下来，我们就来看下这三种方法分别是如何生成性能数据文件的。

通过命令行生成性能数据文件

我们可以使用

go test -cpuprofile 来生成性能测试数据。进入internal/apiserver/service/v1目录，执行以下命令： $ go test -bench=”./*” -cpuprofile cpu.profile -memprofile mem.profile goos: linux goarch: amd64 pkg: github.com/marmotedu/iam/internal/apiserver/service/v1 cpu: AMD EPYC Processor BenchmarkListUser-8 280 4283077 ns/op PASS ok github.com/marmotedu/iam/internal/apiserver/service/v1 1.798s

上面的命令会在当前目录下生成3个文件：

v1.test，测试生成的二进制文件，进行性能分析时可以用来解析各种符号。
cpu.profile，CPU性能数据文件。
mem.profile，内存性能数据文件。

通过代码生成性能数据文件

我们还可以使用代码来生成性能数据文件，例如pprof.go文件： package main import ( “os” “runtime/pprof” ) func main() { cpuOut, _ := os.Create(“cpu.out”) defer cpuOut.Close() pprof.StartCPUProfile(cpuOut) defer pprof.StopCPUProfile() memOut, _ := os.Create(“mem.out”) defer memOut.Close() defer pprof.WriteHeapProfile(memOut) Sum(3, 5) } func Sum(a, b int) int { return a + b }

运行

pprof.go 文件：

$ go run pprof.go

运行

pprof.go 文件后，会在当前目录生成

cpu.profile 和

mem.profile 性能数据文件。

通过

net/http/pprof 生成性能数据文件

如果要分析HTTP Server的性能，我们可以使用

net/http/pprof 包来生成性能数据文件。

IAM项目使用Gin框架作为HTTP引擎，所以IAM项目使用了

github.com/gin-contrib/pprof 包来启用HTTP性能分析。

github.com/gin-contrib/pprof 包是

net/http/pprof 的一个简单封装，通过封装使pprof的功能变成了一个Gin中间件，这样可以根据需要加载pprof中间件。

github.com/gin-contrib/pprof 包中的pprof.go文件中有以下代码： func Register(r /gin.Engine, prefixOptions …string) { prefix := getPrefix(prefixOptions…) prefixRouter := r.Group(prefix) { … prefixRouter.GET(“/profile”, pprofHandler(pprof.Profile)) … } } func pprofHandler(h http.HandlerFunc) gin.HandlerFunc { handler := http.HandlerFunc(h) return func(c /gin.Context) { handler.ServeHTTP(c.Writer, c.Request) } }

通过上面的代码，你可以看到

github.com/gin-contrib/pprof 包将

net/http/pprof.Profile 转换成了

gin.HandlerFunc ，也就是Gin中间件。

要开启HTTP性能分析，只需要在代码中注册pprof提供的HTTP Handler即可（位于internal/pkg/server/genericapiserver.go文件中）： // install pprof handler if s.enableProfiling { pprof.Register(s.Engine) }

上面的代码根据配置

–feature.profiling 来判断是否开启HTTP性能分析功能。我们开启完HTTP性能分析，启动HTTP服务iam-apiserver后，即可访问

http:// x.x.x.x:8080/debug/pprof （

x.x.x.x 是Linux服务器的地址）来查看profiles信息。profiles信息如下图所示：

我们可以通过以下命令，来获取CPU性能数据文件： $ curl http://127.0.0.1:8080/debug/pprof/profile -o cpu.profile

执行完上面的命令后，需要等待30s，pprof会采集这30s内的性能数据，我们需要在这段时间内向服务器连续发送多次请求，请求的频度可以根据我们的场景来决定。30s之后，

/debug/pprof/profile 接口会生成CPU profile文件，被curl命令保存在当前目录下的cpu.profile文件中。

同样的，我们可以执行以下命令来生成内存性能数据文件： $ curl http://127.0.0.1:8080/debug/pprof/heap -o mem.profile

上面的命令会自动下载heap文件，并被curl命令保存在当前目录下的mem.profile文件中。

我们可以使用

go tool pprof [mem|cpu].profile 命令来分析HTTP接口的CPU和内存性能。我们也可以使用命令

go tool pprof http://127.0.0.1:8080/debug/pprof/profile ，或者

go tool pprof http://127.0.0.1:8080/debug/pprof/heap ，来直接进入pprof工具的交互Shell中。

go tool pprof 会首先下载并保存CPU和内存性能数据文件，然后再分析这些文件。

通过上面的三种方法，我们生成了cpu.profile和mem.profile，接下来我们就可以使用

go tool pprof 来分析这两个性能数据文件，进而分析我们程序的CPU和内存性能了。下面，我来具体讲讲性能分析的过程。

性能分析

使用

go tool pprof ，来对性能进行分析的流程，你可以参考下图：

接下来，我先给你介绍下pprof工具，再介绍下如何生成性能数据，最后再分别介绍下CPU和内存性能分析方法。

pprof工具介绍

pprof是一个Go程序性能分析工具，用它可以访问并分析性能数据文件，它还会根据我们的要求，提供高可读性的输出信息。Go在语言层面上集成了profile采样工具，只需在代码中简单地引入

runtime/pprof 或者

net/http/pprof 包，即可获取程序的profile文件，并通过profile文件来进行性能分析。

net/http/pprof 基于

runtime/pprof 包进行封装，并在 HTTP 端口上暴露出来。

生成性能数据

我们在做性能分析时，主要是对内存和CPU性能进行分析。为了分析内存和CPU的性能，我们需要先生成性能数据文件。在 IAM 源码中，也有包含性能测试的用例，下面我会借助 IAM 源码中的性能测试用例，来介绍如何分析程序的性能。

进入internal/apiserver/service/v1目录，user_test.go文件包含了性能测试函数 BenchmarkListUser，执行以下命令来生成性能数据文件： $ go test -benchtime=30s -benchmem -bench=”./*” -cpuprofile cpu.profile -memprofile mem.profile goos: linux goarch: amd64 pkg: github.com/marmotedu/iam/internal/apiserver/service/v1 cpu: AMD EPYC Processor BenchmarkListUser-8 175 204523677 ns/op 15331 B/op 268 allocs/op PASS ok github.com/marmotedu/iam/internal/apiserver/service/v1 56.514s

上面的命令会在当前目录下产生

cpu.profile 、

mem.profile 性能数据文件，以及

v1.test 二进制文件。接下来，我们基于

cpu.profile 、

mem.profile 、

v1.test 文件来分析代码的CPU和内存性能。为了获取足够的采样数据，我们将benchmark时间设置为

30s 。

在做性能分析时，我们可以采取不同的手段来分析性能，比如分析采样图、分析火焰图，还可以使用

go tool pprof 交互模式，查看函数CPU和内存消耗数据。下面我会运用这些方法，来分析CPU性能和内存性能。

CPU性能分析

在默认情况下，Go语言的运行时系统会以100 Hz的的频率对CPU使用情况进行采样，也就是说每秒采样100次，每10毫秒采样一次。每次采样时，会记录正在运行的函数，并统计其运行时间，从而生成CPU性能数据。

上面我们已经生成了CPU性能数据文件

cpu.profile ，接下来会运用上面提到的三种方法来分析该性能文件，优化性能。

方法一：分析采样图

要分析性能，最直观的方式当然是看图，所以首先我们需要生成采样图，生成过程可以分为两个步骤。

第一步，确保系统安装了

graphviz ： $ sudo yum -y install graphviz.x86_64

第二步，执行

go tool pprof 生成调用图：

$ go tool pprof -svg cpu.profile > cpu.svg /# svg 格式 $ go tool pprof -pdf cpu.profile > cpu.pdf /# pdf 格式 $ go tool pprof -png cpu.profile > cpu.png /# png 格式

以上命令会生成

cpu.pdf 、

cpu.svg 和

cpu.png 文件，文件中绘制了函数调用关系以及其他采样数据。如下图所示：

这张图片由有向线段和矩形组成。我们先来看有向线段的含义。

有向线段描述了函数的调用关系，矩形包含了CPU采样数据。从图中，我们看到没箭头的一端调用了有箭头的一端，可以知道

v1.(/*userService).List 函数调用了

fake.(/*policies).List 。

线段旁边的数字

90ms 则说明，

v1.(/*userService).List 调用

fake.(/*policies).List 函数，在采样周期内，一共耗用了

90ms 。通过函数调用关系，我们可以知道某个函数调用了哪些函数，并且调用这些函数耗时多久。

这里，我们再次解读下图中调用关系中的重要信息：

runtime.schedule 的累积采样时间（140ms）中，有10ms来自于

runtime.goschedImpl 函数的直接调用，有70ms来自于

runtime.park_m 函数的直接调用。这些数据可以说明

runtime.schedule 函数分别被哪些函数调用，并且调用频率有多大。也因为这个原因，函数

runtime.goschedImpl 对函数

runtime.schedule 的调用时间必定小于等于函数

runtime.schedule 的累积采样时间。

我们再来看下矩形里的采样数据。这些矩形基本都包含了3类信息：

函数名/方法名，该类信息包含了包名、结构体名、函数名/方法名，方便我们快速定位到函数/方法，例如

fake(/*policies)List 说明是fake包，policies结构体的List方法。

本地采样时间，以及它在采样总数中所占的比例。本地采样时间是指采样点落在该函数中的总时间。
累积采样时间，以及它在采样总数中所占的比例。累积采样时间是指采样点落在该函数，以及被它直接或者间接调用的函数中的总时间。

我们可以通过

OutDir 函数来解释本地采样时间和累积采样时间这两个概念。

OutDir 函数如下图所示：

整个函数的执行耗时，我们可以认为是累积采样时间，包含了白色部分的代码耗时和红色部分的函数调用耗时。白色部分的代码耗时，可以认为是本地采样时间。

通过累积采样时间，我们可以知道函数的总调用时间，累积采样时间越大，说明调用它所花费的CPU时间越多。但你要注意，这并不一定说明这个函数本身是有问题的，也有可能是函数所调用的函数性能有瓶颈，这时候我们应该根据函数调用关系顺藤摸瓜，去寻找这个函数直接或间接调用的函数中最耗费CPU时间的那些。

如果函数的本地采样时间很大，就说明这个函数自身耗时（除去调用其他函数的耗时）很大，这时候需要我们分析这个函数自身的代码，而不是这个函数直接或者间接调用函数的代码。

采样图中，矩形框面积越大，说明这个函数的累积采样时间越大。那么，如果一个函数分析采样图中的矩形框面积很大，这时候我们就要认真分析了，因为很可能这个函数就有需要优化性能的地方。

方法二：分析火焰图

上面介绍的采样图，其实在分析性能的时候还不太直观，这里我们可以通过生成火焰图，来更直观地查看性能瓶颈。火焰图是由Brendan Gregg大师发明的专门用来把采样到的堆栈轨迹（Stack Trace）转化为直观图片显示的工具，因整张图看起来像一团跳动的火焰而得名。

go tool pprof 提供了

-http 参数，可以使我们通过浏览器浏览采样图和火焰图。执行以下命令： $ go tool pprof -http=”0.0.0.0:8081” v1.test cpu.profile

然后访问

http://x.x.x.x:8081/ （

x.x.x.x 是执行

go tool pprof 命令所在服务器的IP地址），则会在浏览器显示各类采样视图数据，如下图所示：

上面的UI页面提供了不同的采样数据视图：

Top，类似于 linux top 的形式，从高到低排序。
Graph，默认弹出来的就是该模式，也就是上一个图的那种带有调用关系的图。
Flame Graph：pprof 火焰图。
Peek：类似于 Top 也是从高到底的排序。
Source：和交互命令式的那种一样，带有源码标注。
Disassemble：显示所有的总量。

接下来，我们主要来分析火焰图。在UI界面选择Flame Graph（VIEW -> Flame Graph），就会展示火焰图，如下图所示：

火焰图主要有下面这几个特征：

每一列代表一个调用栈，每一个格子代表一个函数。
纵轴展示了栈的深度，按照调用关系从上到下排列。最下面的格子代表采样时，正在占用CPU的函数。
调用栈在横向会按照字母排序，并且同样的调用栈会做合并，所以一个格子的宽度越大，说明这个函数越可能是瓶颈。
火焰图格子的颜色是随机的暖色调，方便区分各个调用信息。

查看火焰图时，格子越宽的函数，就越可能存在性能问题，这时候，我们就可以分析该函数的代码，找出问题所在。

方法三：用

go tool pprof 交互模式查看详细数据

我们可以执行

go tool pprof 命令，来查看CPU的性能数据文件： $ go tool pprof v1.test cpu.profile File: v1.test Type: cpu Time: Aug 17, 2021 at 2:17pm (CST) Duration: 56.48s, Total samples = 440ms ( 0.78%) Entering interactive mode (type “help” for commands, “o” for options) (pprof)

go tool pprof 输出了很多信息：

File，二进制可执行文件名称。
Type，采样文件的类型，例如cpu、mem等。
Time，生成采样文件的时间。
Duration，程序执行时间。上面的例子中，程序总执行时间为

37.43s ，采样时间为

42.37s 。采样程序在采样时，会自动分配采样任务给多个核心，所以总采样时间可能会大于总执行时间。

(pprof)，命令行提示，表示当前在

go tool 的

pprof 工具命令行中，

go tool 还包括

cgo 、

doc 、

pprof 、

trace 等多种命令。

执行

go tool pprof 命令后，会进入一个交互shell。在这个交互shell中，我们可以执行多个命令，最常用的命令有三个，如下表所示：

我们在交互界面中执行

top 命令，可以查看性能样本数据： (pprof) top Showing nodes accounting for 350ms, 79.55% of 440ms total Showing top 10 nodes out of 47 flat flat% sum% cum cum% 110ms 25.00% 25.00% 110ms 25.00% runtime.futex 70ms 15.91% 40.91% 90ms 20.45% github.com/marmotedu/iam/internal/apiserver/store/fake.(/policies).List 40ms 9.09% 50.00% 40ms 9.09% runtime.epollwait 40ms 9.09% 59.09% 180ms 40.91% runtime.findrunnable 30ms 6.82% 65.91% 30ms 6.82% runtime.write1 20ms 4.55% 70.45% 30ms 6.82% runtime.notesleep 10ms 2.27% 72.73% 100ms 22.73% github.com/marmotedu/iam/internal/apiserver/service/v1.(/userService).List 10ms 2.27% 75.00% 10ms 2.27% runtime.checkTimers 10ms 2.27% 77.27% 10ms 2.27% runtime.doaddtimer 10ms 2.27% 79.55% 10ms 2.27% runtime.mallocgc

上面的输出中，每一行表示一个函数的信息。pprof程序中最重要的命令就是topN，这个命令用来显示profile文件中最靠前的N个样本（sample），top命令会输出多行信息，每一行代表一个函数的采样数据，默认按

flat% 排序。输出中，各列含义如下：

flat：采样点落在该函数中的总时间。
flat%：采样点落在该函数中时间的百分比。
sum%：前面所有行的flat%的累加值，也就是上一项的累积百分比。
cum：采样点落在该函数中的，以及被它调用的函数中的总时间。
cum%：采样点落在该函数中的，以及被它调用的函数中的总次数百分比。
函数名。

上面这些信息，可以告诉我们函数执行的时间和耗时排名，我们可以根据这些信息，来判断哪些函数可能有性能问题，或者哪些函数的性能可以进一步优化。

这里想提示下，如果执行的是

go tool pprof mem.profile ，那么上面的各字段意义是类似的，只不过这次不是时间而是内存分配大小（字节）。

执行

top 命令默认是按

flat% 排序的，在做性能分析时，我们需要先按照

cum 来排序，通过

cum ，我们可以直观地看到哪个函数总耗时最多，然后再参考该函数的本地采样时间和调用关系，来判断是该函数性能耗时多，还是它调用的函数耗时多。

执行

top -cum 输出如下： (pprof) top20 -cum Showing nodes accounting for 280ms, 63.64% of 440ms total Showing top 20 nodes out of 47 flat flat% sum% cum cum% 0 0% 0% 320ms 72.73% runtime.mcall 0 0% 0% 320ms 72.73% runtime.park_m 0 0% 0% 280ms 63.64% runtime.schedule 40ms 9.09% 9.09% 180ms 40.91% runtime.findrunnable 110ms 25.00% 34.09% 110ms 25.00% runtime.futex 10ms 2.27% 36.36% 100ms 22.73% github.com/marmotedu/iam/internal/apiserver/service/v1.(/userService).List 0 0% 36.36% 100ms 22.73% github.com/marmotedu/iam/internal/apiserver/service/v1.BenchmarkListUser 0 0% 36.36% 100ms 22.73% runtime.futexwakeup 0 0% 36.36% 100ms 22.73% runtime.notewakeup 0 0% 36.36% 100ms 22.73% runtime.resetspinning 0 0% 36.36% 100ms 22.73% runtime.startm 0 0% 36.36% 100ms 22.73% runtime.wakep 0 0% 36.36% 100ms 22.73% testing.(/B).launch 0 0% 36.36% 100ms 22.73% testing.(/B).runN 70ms 15.91% 52.27% 90ms 20.45% github.com/marmotedu/iam/internal/apiserver/store/fake.(/policies).List 10ms 2.27% 54.55% 50ms 11.36% runtime.netpoll 40ms 9.09% 63.64% 40ms 9.09% runtime.epollwait 0 0% 63.64% 40ms 9.09% runtime.modtimer 0 0% 63.64% 40ms 9.09% runtime.resetForSleep 0 0% 63.64% 40ms 9.09% runtime.resettimer (inline)

从上面的输出可知，

v1.BenchmarkListUser 、

testing.(/*B).launch 、

testing.(/*B).runN 的本地采样时间占比分别为

0% 、

0% ，但是三者的累积采样时间占比却比较高，分别为

22.73% 、

22.73% 。

本地采样时间占比很小，但是累积采样时间占比很高，说明这3个函数耗时多是因为调用了其他函数，它们自身几乎没有耗时。根据采样图，我们可以看到函数的调用关系，具体如下图所示：

从采样图中，可以知道最终

v1.BenchmarkListUser 调用了

v1.(/*userService).List 函数。

v1.(/*userService).List 函数是我们编写的函数，该函数的本地采样时间占比为

2.27% ，但是累积采样时间占比却高达

22.73% ，说明

v1.(/*userService).List 调用其他函数耗用了大量的CPU时间。

再观察采样图，可以看出

v1.(/*userService).List 耗时久是因为调用了

fake.(/*policies).List 函数。我们也可以通过

list 命令查看函数内部的耗时情况：

list userService./*List 会列出

userService 结构体

List 方法内部代码的耗时情况，从上图也可以看到，

u.store.Policies().List 耗时最多。

fake.(/*policies).List 的本地采样时间占比为

15.91% ，说明

fake.(/*policies).List 函数本身可能存在瓶颈。走读

fake.(/*policies).List 代码可知，该函数是查询数据库的函数，查询数据库会有延时。继续查看

v1.(/userService).List 代码，我们可以发现以下调用逻辑： func (u /userService) ListWithBadPerformance(ctx context.Context, opts metav1.ListOptions) (/*v1.UserList, error) { … for _, user := range users.Items { policies, err := u.store.Policies().List(ctx, user.Name, metav1.ListOptions{}) … }) } … }

我们在

for 循环中，串行调用了

fake.(/*policies).List 函数，每一次循环都会调用有延时的

fake.(/*policies).List 函数。多次调用，

v1.(/*userService).List 函数的耗时自然会累加起来。

现在问题找到了，那我们怎么优化呢？你可以利用CPU多核特性，开启多个goroutine，这样我们的查询耗时就不是串行累加的，而是取决于最慢一次的

fake.(/*policies).List 调用。优化后的

v1.(/userService).List 函数代码见internal/apiserver/service/v1/user.go。用同样的性能测试用例，测试优化后的函数，结果如下： $ go test -benchtime=30s -benchmem -bench=”./” -cpuprofile cpu.profile -memprofile mem.profile goos: linux goarch: amd64 pkg: github.com/marmotedu/iam/internal/apiserver/service/v1 cpu: AMD EPYC Processor BenchmarkListUser-8 8330 4271131 ns/op 26390 B/op 484 allocs/op PASS ok github.com/marmotedu/iam/internal/apiserver/service/v1 36.179s

上面的代码中，ns/op为

4271131 ns/op ，可以看到和第一次的测试结果

204523677 ns/op 相比，性能提升了

97.91% 。

这里注意下，为了方便你对照，我将优化前的

v1.(/*userService).List 函数重命名为

v1.(/*userService).ListWithBadPerformance 。

内存性能分析

Go语言运行时，系统会对程序运行期间的所有堆内存分配进行记录。不管在采样的哪一时刻，也不管堆内存已用字节数是否有增长，只要有字节被分配且数量足够，分析器就会对它进行采样。

内存性能分析方法和CPU性能分析方法比较类似，这里就不再重复介绍了。你可以借助前面生成的内存性能数据文件

mem.profile 自行分析。

接下来，给你展示下内存优化前和优化后的效果。在

v1.(/userService).List 函数（位于internal/apiserver/service/v1/user.go文件中）中，有以下代码： infos := make([]/v1.User, 0) for _, user := range users.Items { info, _ := m.Load(user.ID) infos = append(infos, info.(/*v1.User)) }

此时，我们运行

go test 命令，测试下内存性能，作为优化后的性能数据，进行对比：

$ go test -benchmem -bench=”./*” -cpuprofile cpu.profile -memprofile mem.profile goos: linux goarch: amd64 pkg: github.com/marmotedu/iam/internal/apiserver/service/v1 cpu: AMD EPYC Processor BenchmarkListUser-8 278 4284660 ns/op 27101 B/op 491 allocs/op PASS ok github.com/marmotedu/iam/internal/apiserver/service/v1 1.779s

B/op 和

allocs/op 分别为

27101 B/op 和

491 allocs/op 。

我们通过分析代码，发现可以将

infos := make([]/*v1.User, 0) 优化为

infos := make([]/v1.User, 0, len(users.Items)) ，来减少Go切片的内存重新分配的次数。优化后的代码为： //infos := make([]/v1.User, 0) infos := make([]/v1.User, 0, len(users.Items)) for _, user := range users.Items { info, _ := m.Load(user.ID) infos = append(infos, info.(/v1.User)) }

再执行

go test 测试下性能：

$ go test -benchmem -bench=”./*” -cpuprofile cpu.profile -memprofile mem.profile goos: linux goarch: amd64 pkg: github.com/marmotedu/iam/internal/apiserver/service/v1 cpu: AMD EPYC Processor BenchmarkListUser-8 276 4318472 ns/op 26457 B/op 484 allocs/op PASS ok github.com/marmotedu/iam/internal/apiserver/service/v1 1.856s

优化后的

B/op 和

allocs/op 分别为

26457 B/op 和

484 allocs/op 。跟第一次的

27101 B/op 和

491 allocs/op 相比，内存分配次数更少，每次分配的内存也更少。

我们可以执行

go tool pprof 命令，来查看CPU的性能数据文件： $ go tool pprof v1.test mem.profile File: v1.test Type: alloc_space Time: Aug 17, 2021 at 8:33pm (CST) Entering interactive mode (type “help” for commands, “o” for options) (pprof)

该命令会进入一个交互界面，在交互界面中执行top命令，可以查看性能样本数据，例如：

(pprof) top Showing nodes accounting for 10347.32kB, 95.28% of 10859.34kB total Showing top 10 nodes out of 52 flat flat% sum% cum cum% 3072.56kB 28.29% 28.29% 4096.64kB 37.72% github.com/marmotedu/iam/internal/apiserver/service/v1.(/userService).List.func1 1762.94kB 16.23% 44.53% 1762.94kB 16.23% runtime/pprof.StartCPUProfile 1024.52kB 9.43% 53.96% 1024.52kB 9.43% go.uber.org/zap/buffer.NewPool.func1 1024.08kB 9.43% 63.39% 1024.08kB 9.43% time.Sleep 902.59kB 8.31% 71.70% 902.59kB 8.31% compress/flate.NewWriter 512.20kB 4.72% 76.42% 1536.72kB 14.15% github.com/marmotedu/iam/internal/apiserver/service/v1.(/userService).List 512.19kB 4.72% 81.14% 512.19kB 4.72% runtime.malg 512.12kB 4.72% 85.85% 512.12kB 4.72% regexp.makeOnePass 512.09kB 4.72% 90.57% 512.09kB 4.72% github.com/marmotedu/iam/internal/apiserver/store/fake.FakeUsers 512.04kB 4.72% 95.28% 512.04kB 4.72% runtime/pprof.allFrames

上面的内存性能数据，各字段的含义依次是：

flat，采样点落在该函数中的总内存消耗。
flat% ，采样点落在该函数中的百分比。
sum% ，上一项的累积百分比。
cum ，采样点落在该函数，以及被它调用的函数中的总内存消耗。
cum%，采样点落在该函数，以及被它调用的函数中的总次数百分比。
函数名。

总结

在Go项目开发中，程序性能低下时，我们需要分析出问题所在的代码。Go语言提供的

go tool pprof 工具可以支持我们分析代码的性能。我们可以通过两步来分析代码的性能，分别是生成性能数据文件和分析性能数据文件。

Go中可以用来生成性能数据文件的方式有三种：通过命令行生成性能数据文件、通过代码生成性能数据文件、通过

net/http/pprof 生成性能数据文件。

生成性能数据文件之后，就可以使用

go tool pprof 工具来分析性能数据文件了。我们可以分别获取到CPU和内存的性能数据，通过分析就可以找到性能瓶颈。有3种分析性能数据文件的方式，分别是分析采样图、分析火焰图和用

go tool pprof 交互模式查看详细数据。因为火焰图直观高效，所以我建议你多使用火焰图来分析性能。

课后练习

思考下，为什么“函数

runtime.goschedImpl 对函数

runtime.schedule 的调用时间必定小于等于函数

runtime.schedule 的累积采样时间”？

你在Go项目开发中，还有哪些比较好的性能分析思路和方法？欢迎在留言区分享。

欢迎你在留言区与我交流讨论，我们下一讲见。

参考资料

https://learn.lianglianglee.com/%e4%b8%93%e6%a0%8f/Go%20%e8%af%ad%e8%a8%80%e9%a1%b9%e7%9b%ae%e5%bc%80%e5%8f%91%e5%ae%9e%e6%88%98/38%20%e6%80%a7%e8%83%bd%e5%88%86%e6%9e%90%ef%bc%88%e4%b8%8a%ef%bc%89%ef%bc%9a%e5%a6%82%e4%bd%95%e5%88%86%e6%9e%90%20Go%20%e8%af%ad%e8%a8%80%e4%bb%a3%e7%a0%81%e7%9a%84%e6%80%a7%e8%83%bd%ef%bc%9f.md

生成性能数据文件
性能分析
总结
课后练习
参考资料

Go语言项目开发实战-38性能分析（上）：如何分析Go语言代码的性能？