Python中统计程序执行时间与CPU时间的区别及计算方法

生产环境中的时间统计误区

在生产环境中，曾遇到一个令人困惑的现象：通过外部调度系统监控Python脚本的运行时间，发现其数值远大于脚本内部自行统计的执行时间。

具体案例中，外部监控显示脚本执行耗时36小时，而脚本内部记录的时间仅为4小时左右。排查Linux系统日志后，未发现任何异常，问题依然悬而未决。

初步排查方向指向Python中使用的py2neo库，怀疑其数据写入采用异步机制导致进程阻塞，但这并非根本原因。

最终定位到问题根源：脚本内部使用time.clock()来统计时间。该函数统计的是CPU执行时间，而非程序从开始到结束的总耗时，这解释了监控时间与内部统计的巨大差异。

Python统计时间的三种方法对比

为了准确统计程序执行时间，以下对几种常见的Python时间统计方法进行对比分析。

方法一：datetime模块

方法一：使用datetime模块。

import datetime
starttime = datetime.datetime.now()
#long running
#do something other
endtime = datetime.datetime.now()
print (endtime - starttime).seconds

通过datetime.datetime.now()获取当前日期和时间。在程序执行前后分别调用该方法，计算两者的差值，即可得到程序的实际执行时间。

方法二：time.time()函数

方法二：使用time模块的time函数。

start = time.time()
#long running
#do something other
end = time.time()
print end-start

time.time()返回自Unix纪元以来的当前时间，单位为秒。若系统时钟支持，返回值包含小数部分，类型为浮点数。该方法同样用于计算程序的实际执行时间。

方法三：time.clock()与CPU时间

方法三：使用time模块的clock函数。

start = time.clock()
#long running
#do something other
end = time.clock()
print end-start

time.clock()返回程序开始或首次调用clock()以来的CPU时间，精度与系统记录一致，返回值也为浮点数。需要注意的是，程序执行时间等于CPU时间加上IO时间、休眠或等待时间。因此，time.clock()仅反映CPU占用情况，不能代表完整的程序耗时。

以上介绍了Python中几种计算执行时间的方法及其区别。更多相关技术细节，建议参考本站其他关于Python性能优化的文章。