你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
分析 Azure Functions Python 应用的内存用量
在开发过程中或在将本地 Python 函数应用项目部署到 Azure 之后，最好分析函数中的潜在内存瓶颈。 此类瓶颈会削弱函数性能并导致错误。 以下说明演示了如何使用内存探查器 Python 包，其在执行时逐行分析函数的内存消耗。
注意
内存分析仅适用于开发环境的内存占用情况分析。 请不要在生产函数应用中使用内存探查器。
先决条件
开发 Python 函数应用必须满足以下要求：
Python 3.7 或更高版本。 若要查看 Azure Functions 支持的 Python 版本的完整列表，请参阅 Python 开发人员指南。
Azure Functions Core Tools 版本 4.x 或更高版本。 使用
func --version检查版本。 若要了解如何更新，请参阅 GitHub 上的 Azure Functions Core Tools。已在某个支持的平台上安装 Visual Studio Code。
一个有效的 Azure 订阅。
如果没有 Azure 订阅，请在开始之前创建一个 Azure 免费帐户。
内存分析过程
在 requirements.txt 中添加
memory-profiler，确保将包与部署捆绑在一起。 如果在本地计算机上开发，则可能需要激活 Python 虚拟环境，并使用pip install -r requirements.txt进行包解析。例如，在函数脚本（对于 Python v1 编程模型为 __init__.py，对于 v2 模型为 function_app.py）中，在
main()函数上方添加以下行。 这些行确保根记录器报告子记录器名称，以便通过前缀memory_profiler_logs区分内存分析日志。import logging import memory_profiler root_logger = logging.getLogger() root_logger.handlers[0].setFormatter(logging.Formatter("%(name)s: %(message)s")) profiler_logstream = memory_profiler.LogFile('memory_profiler_logs', True)在需要内存分析的任何函数上应用以下修饰器。 修饰器不直接在触发器入口点
main()方法上工作。 需要创建子函数并修饰它们。 此外，由于内存探查器的已知问题，在应用于异步协同例程时，协同例程返回值始终为None。@memory_profiler.profile(stream=profiler_logstream)使用 Azure Functions Core Tools 命令
func host start在本地计算机上测试内存探查器。 调用函数时，它们应生成内存使用情况报告。 该报告包含文件名、代码行、内存使用情况、内存增量以及其中的行内容。若要检查 Azure 中现有函数应用实例上的内存分析日志，可以通过 Application Insights、Logs 中的 Kusto 查询来查询最近调用的内存分析日志。
traces | where timestamp > ago(1d) | where message startswith_cs "memory_profiler_logs:" | parse message with "memory_profiler_logs: " LineNumber " " TotalMem_MiB " " IncreMem_MiB " " Occurrences " " Contents | union ( traces | where timestamp > ago(1d) | where message startswith_cs "memory_profiler_logs: Filename: " | parse message with "memory_profiler_logs: Filename: " FileName | project timestamp, FileName, itemId ) | project timestamp, LineNumber=iff(FileName != "", FileName, LineNumber), TotalMem_MiB, IncreMem_MiB, Occurrences, Contents, RequestId=itemId | order by timestamp asc
示例
以下示例解释了如何对异步和同步 HTTP 触发器（分别名为“HttpTriggerAsync”和“HttpTriggerSync”）执行内存分析。 我们将创建仅向 Microsoft 主页发送 GET 请求的 Python 函数应用。
创建 Python 函数应用
Python 函数应用应沿用 Azure Functions 指定的 文件夹结构。 若要创建项目基架，建议通过运行以下命令使用 Azure Functions Core Tools：
func init PythonMemoryProfilingDemo --python
cd PythonMemoryProfilingDemo
func new -l python -t HttpTrigger -n HttpTriggerAsync -a anonymous
func new -l python -t HttpTrigger -n HttpTriggerSync -a anonymous
更新文件内容
requirements.txt 定义我们的项目使用的包。 除了 Azure Functions SDK 和内存探查器外，我们还介绍了异步 HTTP 请求的aiohttp与同步 HTTP 调用的requests。
# requirements.txt
azure-functions
memory-profiler
aiohttp
requests
创建异步 HTTP 触发器。
将异步 HTTP 触发器 HttpTriggerAsync/__init__.py 中的代码替换为以下代码，用于配置内存探查器、根记录器格式和记录器流绑定。
# HttpTriggerAsync/__init__.py
import azure.functions as func
import aiohttp
import logging
import memory_profiler
# Update root logger's format to include the logger name. Ensure logs generated
# from memory profiler can be filtered by "memory_profiler_logs" prefix.
root_logger = logging.getLogger()
root_logger.handlers[0].setFormatter(logging.Formatter("%(name)s: %(message)s"))
profiler_logstream = memory_profiler.LogFile('memory_profiler_logs', True)
async def main(req: func.HttpRequest) -> func.HttpResponse:
await get_microsoft_page_async('https://microsoft.com')
return func.HttpResponse(
f"Microsoft page loaded.",
status_code=200
)
@memory_profiler.profile(stream=profiler_logstream)
async def get_microsoft_page_async(url: str):
async with aiohttp.ClientSession() as client:
async with client.get(url) as response:
await response.text()
# @memory_profiler.profile does not support return for coroutines.
# All returns become None in the parent functions.
# GitHub Issue: https://github.com/pythonprofilers/memory_profiler/issues/289
创建同步 HTTP 触发器。
将异步 HTTP 触发器 HttpTriggerSync/__init__.py 中的代码替换为以下代码。
# HttpTriggerSync/__init__.py
import azure.functions as func
import requests
import logging
import memory_profiler
# Update root logger's format to include the logger name. Ensure logs generated
# from memory profiler can be filtered by "memory_profiler_logs" prefix.
root_logger = logging.getLogger()
root_logger.handlers[0].setFormatter(logging.Formatter("%(name)s: %(message)s"))
profiler_logstream = memory_profiler.LogFile('memory_profiler_logs', True)
def main(req: func.HttpRequest) -> func.HttpResponse:
content = profile_get_request('https://microsoft.com')
return func.HttpResponse(
f"Microsoft page response size: {len(content)}",
status_code=200
)
@memory_profiler.profile(stream=profiler_logstream)
def profile_get_request(url: str):
response = requests.get(url)
return response.content
分析本地开发环境中的 Python 函数应用
进行上述更改后，还需几个步骤即可为 Azure Functions 运行时初始化 Python 虚拟环境。
根据喜好打开 Windows PowerShell 或任何 Linux shell。
通过 Windows 的
py -m venv .venv或 Linux 的python3 -m venv .venv创建 Python 虚拟环境。通过 Windows PowerShell 的
.venv\Scripts\Activate.ps1或 Linux shell 的source .venv/bin/activate激活 Python 虚拟环境。通过
pip install -r requirements.txt还原 Python 依赖项通过 Azure Functions Core Tools
func host start启动本地 Azure Functions runtime 运行时将 GET 请求发送至
https://localhost:7071/api/HttpTriggerAsync或https://localhost:7071/api/HttpTriggerSync。Azure Functions Core Tools 应显示与以下部分相似的内存分析报告。
Filename: <ProjectRoot>\HttpTriggerAsync\__init__.py Line # Mem usage Increment Occurrences Line Contents ============================================================ 19 45.1 MiB 45.1 MiB 1 @memory_profiler.profile 20 async def get_microsoft_page_async(url: str): 21 45.1 MiB 0.0 MiB 1 async with aiohttp.ClientSession() as client: 22 46.6 MiB 1.5 MiB 10 async with client.get(url) as response: 23 47.6 MiB 1.0 MiB 4 await response.text()
后续步骤
有关 Azure Functions Python 开发的详细信息，请参阅以下资源：