为什么 Python 中的 traceback.extract_stack() 这么慢？

Question

在测试期间，我发现调用traceback.extract_stack()非常慢。获取堆栈跟踪的价格与执行数据库查询相当。我想知道我是否做错了什么或遗漏了什么。令我惊讶的是，我认为调用extract_stack()是 Python 中的内部调用，它是在运行时在内存中执行的，如果不是即时的，它应该是超快的。相比之下，调用数据库查询涉及到外部服务（网络通信）等。示例代码如下。您可以尝试在 20.000 次迭代中检索回溯所需的时间以及从堆栈跟踪中检索前几项的速度 - 将limit=None参数设置为其他内容。我的测试在各种系统/配置上显示了各种结果，但都有一个共同点，即调用堆栈跟踪并不是便宜几个数量级，它几乎与调用 SQL insert 相同。           20k SQL inserts | 20k stack tracesWin                5.4 sec           14.4 secFreeBSD            5.0 sec            3.7 secUbuntu GCP        16.6 sec            2.4 secWindows：笔记本电脑，本地 SSD。FreeBSD：服务器，本地 SSD。Ubuntu：谷歌云，共享 SSD。我做错了什么或者有什么解释为什么 traceback.extract_stack() 这么慢？我可以以某种方式更快地检索堆栈跟踪吗？示例代码。运行$ pip install pytest然后$ pytest -s -vimport datetimeimport unittestimport tracebackclass TestStackTrace(unittest.TestCase):    def test_stack_trace(self):        start_time = datetime.datetime.now()        iterations = 20000        for i in range(0, iterations):            stack_list = traceback.extract_stack(limit=None)  # set 0, 1, 2...            stack_len = len(stack_list)            self.assertEqual(1, 1)        finish_time = datetime.datetime.now()        print('\nStack length: {}, iterations: {}'.format(stack_len, iterations))        print('Trace elapsed time: {}'.format(finish_time - start_time))您不需要它，但如果您想与 SQL 插入进行比较，就在这里。只需将其作为第二个测试方法插入 TestStackTrace 类即可。运行CREATE DATABASE pytest1;和CREATE TABLE "test_table1" (num_value BIGINT, str_value VARCHAR(10));def test_sql_query(self):    start_time = datetime.datetime.now()    con_str = "host='127.0.0.1' port=5432 user='postgres' password='postgres' dbname='pytest1'"    con = psycopg2.connect(con_str)    con.autocommit = True    con.set_session(isolation_level='READ COMMITTED')    cur = con.cursor()    for i in range(0, 20000):        cur.execute('INSERT INTO test_table1 (num_value, str_value) VALUES (%s, %s) ', (i, i))    finish_time = datetime.datetime.now()    print('\nSQL elapsed time: {}'.format(finish_time - start_time))

Answer 1

traceback.extract_stack()不是用Ctraceback实现的Python内部调用。整个模块都是用Python实现的，这也是它比较慢的原因。由于通常只在调试期间需要堆栈跟踪，因此通常不考虑其性能。如果您确实需要它的高性能版本，则可能需要自己将其重新实现为 C/C++ 扩展。