在 Azure Functions 中分析 Python 應用程式記憶體使用量
在開發期間或將本地 Python 函數應用程式專案部署到 Azure 之後，最好分析函數中潛在的記憶體瓶頸。 這類瓶頸可能會降低函數的效能，並導致錯誤。 下列指示示範如何使用記憶體分析工具 Python 套件，這會在函數執行時提供逐行記憶體使用量分析。
注意
記憶體分析僅適用於開發環境中的磁碟使用量分析。 請勿在生產函數應用程式上套用記憶體分析工具。
必要條件
開始開發 Python 函數應用程式之前，您必須符合下列需求：
Python 3.7 或更新版本。 若要檢查 Azure Functions 中支援 Python 版本的完整清單，請參閱 Python 開發人員指南。
Azure Functions Core Tools 4.x 版或更新版本。 使用
func --version來檢查您的版本。 若要了解更新，請參閱 GitHub 上的 Azure Functions Core Tools。在其中一個支援平台上安裝 Visual Studio Code。
有效的 Azure 訂閱。
如果您沒有 Azure 訂用帳戶，請在開始之前先建立 Azure 免費帳戶。
記憶體分析程序
在 requirements.txt 中，新增
memory-profiler以確保部署會隨附該套件。 如果您要在本機電腦上開發，可能會要啟用 Python 虛擬環境，並透過pip install -r requirements.txt執行套件解析。在函數指令碼中 (例如 Python v1 程式設計模型的 __init__.py，以及 v2 模型的 function_app.py)，於
main()函數上方新增下列幾行。 這些行可確保根記錄器回報子記錄器名稱，讓您可以透過前置詞memory_profiler_logs辨別記憶體分析記錄。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)在需要記憶體分析的任何函數上方套用下列裝飾項目。 該裝飾項目無法直接在觸發程序進入點
main()方法上運作。 您必須建立子函數並加以裝飾。 此外，由於記憶體分析工具的已知問題，在套用至非同步協同程式時，協同程式傳回值一律為None。@memory_profiler.profile(stream=profiler_logstream)使用 Azure Functions Core Tools 命令
func host start，在本機電腦上測試記憶體分析工具。 當您叫用函數時，它們應會產生記憶體使用量報告。 這報告包含檔案名、程式碼、記憶體使用量、記憶體增量，以及其中的行內容。若要檢查 Azure 中現有函數應用程式執行個體上的記憶體分析記錄，您可以使用 Application Insights、Logs 中的 Kusto 查詢，以查詢最近叫用的記憶體分析記錄。
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
範例
以下是在非同步和同步 HTTP 觸發程序上 (分別名為「HttpTriggerAsync」和「HttpTriggerSync」) 執行記憶體分析的範例。 我們會建置只會將 GET 要求傳送至 Microsoft 首頁的 Python 函數應用程式。
建立 Python 函數應用程式
Python 函數應用程式應該遵循 Azure Functions 指定的資料夾結構。 若要建構專案，建議您執行下列命令來使用 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
更新檔案內容
requirements.txt 會定義在專案中使用的套件。 除了 Azure Functions SDK 和記憶體分析工具之外，我們引進了 aiohttp 來進行非同步 HTTP 要求，和 requests 來進行同步 HTTP 呼叫。
# requirements.txt
azure-functions
memory-profiler
aiohttp
requests
建立非同步 HTTP 觸發程序。
將非同步 HTTP 觸發程序 HttpTriggerAsync/__init__.py 中的程式碼取代為以下程式碼，該程式碼會設定記憶體分析工具、根記錄器格式和記錄器串流繫結。
# 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
建立同步 HTTP 觸發程序。
將非同步 HTTP 觸發程序 HttpTriggerSync/__init__.py 中的程式碼取代為以下程式碼。
# 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
在本地開發環境中分析 Python 函數應用程式
進行上述所有變更之後，還有一些其他步驟可針對 Azure Functions 執行階段初始化 Python 虛擬環境。
視需要開啟 Windows PowerShell 或任何 Linux 殼層。
在 Windows 透過
py -m venv .venv，或在 Linux 中透過python3 -m venv .venv建立 Python 虛擬環境。在 Windows PowerShell 透過
.venv\Scripts\Activate.ps1，或在 Linux 殼層中透過source .venv/bin/activate啟用 Python 虛擬環境。使用
pip install -r requirements.txt還原 Python 相依性使用 Azure Functions Core Tools
func host start在本地啟動 Azure Functions 執行階段將 GET 要求傳送至
https://localhost:7071/api/HttpTriggerAsync或https://localhost:7071/api/HttpTriggerSync。它應該會顯示類似以下 Azure Functions Core Tools 中區段的記憶體分析報告。
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()
下一步
如需 Azure Functions Python 開發的詳細資訊，請參閱下列資源：
意見反應
即將登場：在 2024 年，我們將逐步淘汰 GitHub 問題作為內容的意見反應機制，並將它取代為新的意見反應系統。 如需詳細資訊，請參閱：https://aka.ms/ContentUserFeedback。
提交並檢視相關的意見反應