为什么你的Python程序跑得慢
你写的爬虫脚本本来只想抓几页数据，结果一跑就是十分钟；写好的API接口在本地测试飞快，一上服务器就卡成PPT。这种情况太常见了。问题往往不在逻辑错误，而是性能瓶颈藏在你看不见的地方。这时候，光靠print调试已经不够用了，得上专业的性能分析手段。
cProfile：最常用的性能探针
Python自带的cProfile模块可以直接告诉你哪个函数耗时最多。比如你有个处理用户上传文件的函数，感觉特别慢，直接用命令行跑：
python -m cProfile -s cumulative your_script.py它会输出每个函数被调用了多少次、花了多少时间。排序按累积时间（cumulative）排，一眼就能看出“罪魁祸首”是谁。比如你可能发现90%的时间都花在一个JSON解析的第三方库函数里，这时候你就知道该优化哪儿了。
line_profiler：细到每一行的耗时
有时候函数整体不慢，但里面某一行拖了后腿。比如一个for循环里做了重复的数据库查询，这种问题cProfile看不出来。这时候可以用line_profiler，它能精确到每一行代码的执行时间。
先装包：
pip install line_profiler然后在目标函数上加@profile装饰器（不需要import），再用kernprof运行：
kernprof -l -v your_script.py输出结果会显示每行的执行次数和耗时。你会发现类似“这行居然花了2秒？”的惊天真相。
memory_profiler：内存泄漏从这里查
程序跑着跑着内存越来越高，最后被系统kill掉？很可能是内存没释放。memory_profiler可以监控每一行代码的内存使用情况。
同样用@profile标记函数，然后运行：
python -m memory_profiler your_script.py它会输出每一行执行后的内存增量。如果你看到某个循环每次迭代都在涨内存，基本可以确定有对象没及时释放，比如缓存没设上限，或者闭包引用了大对象。
用装饰器快速打点计时
不想装额外工具？写个简单的计时装饰器就能应急：
import time
def timer(func):
def wrapper(*args, **kwargs):
start = time.time()
result = func(*args, **kwargs)
print(f"{func.__name__} 耗时: {time.time() - start:.4f}s")
return result
return wrapper给可疑函数加上@timer，跑一遍就知道大概耗时。虽然粗糙，但在开发调试阶段足够用了。
生产环境用Py-Spy非侵入式采样
线上服务不能改代码也不能重启，怎么查性能问题？Py-Spy是个神器，它通过读取进程内存来采样，完全不用修改原程序。
安装后直接指定进程ID就能看实时调用栈：
py-spy top --pid 12345或者生成火焰图：
py-spy record -o profile.svg --pid 12345火焰图一打开，哪个函数占了最大面积，那就是热点。前端开发看Chrome性能面板，后端Python程序员就该学会看火焰图。
小技巧：别在循环里做重复计算
很多人写代码习惯把条件判断或函数调用放在循环内部，比如：
for i in range(len(my_list)):
if some_heavy_function() > 0:
process(i)其实some_heavy_function()结果不变的话，完全可以提到循环外面。这种细节在性能分析报告里会暴露无遗。
选择合适的数据结构也能提速
用list查找元素是O(n)，换成set就是O(1)。看似小事，数据量一大差距就出来了。性能分析工具能帮你发现“为什么这个接口随着用户增多越来越慢”，答案往往是数据结构选错了。